DOE työkaluna tutkimusprosessin parantamisessa

Lean Six Sigma menetelmiin kuuluvaa Design of Experiments (DOE) (monimuuttujakokeet tai koesuunnittelu) -menetelmää hyödynnetään usein työkaluna tutkimusprosessin parantamisessa. Mitä DOE on ja miten sitä voi hyödyntää käytännön tutkimustyössä?

Design of Experiments (DOE) -termi tunnetaan suomen kielellä monimuuttujakokeet, suunnitellut kokeet tai koesuunnittelu. Suunnitellulla kokeella tai koesuunnittelulla tarkoitetaan tuote- ja palvelukehitykseen liittyviä toimenpiteitä, joilla pyritään tehostamaan koko tuotekehitysprosessia lyhentämällä siihen kuluvaa aikaa. Ne ovat tärkeä osa Lean Six Sigma -menetelmää ja toiminnan tuottavuuden kasvatusta. Menetelmää voidaan soveltaa kaikenlaisiin työsuorituksiin, prosesseihin ja systeemeihin toimialasta riippumatta. [1] [2] [3]

Mitä on DOE?

Lean Six Sigma -menetelmässä Design of Experiments (DOE) tarkoittaa systemaattista ja tilastollisia menetelmiä hyödyntävää lähestymistapaa, jolla arvioidaan eri tekijöiden vaikutusta prosessiin ja sen lopputulokseen. DOE on tilastollinen työkalu, joka auttaa suunnittelemaan, toteuttamaan, analysoimaan ja tulkitsemaan kontrolloituja kokeita tehokkaan tiedonkeruun ja analyysin mahdollistamiseksi. [4] DOEn avulla voidaan manipuloida useita syötteitä ja tarkastella niiden vaikutusta lopputulokseen. Menetelmä auttaa ymmärtämään syy-seuraussuhteita eri tekijöiden välillä ja optimoimaan prosessien suorituskykyä. [5] Menetelmän avulla voidaan säätää ja optimoida prosessia mitattavissa olevien tietojen − ei arvailujen − perusteella, ja se mahdollistaa useiden tekijöiden kokeilun samanaikaisesti. DOEn avulla on helpompi arvioida prosessin kunkin elementin merkitys ja sen vaikutus muuhun järjestelmään. Tekijä- ja tuotosanalyysin avulla selvitetään, mitkä tekijät ovat tärkeimpiä ja vaativat eniten huomiota. DOEn ansiosta prosessia voidaan parantaa täsmälleen niissä kohdissa, joissa sillä on merkitystä, mikä puolestaan tekee prosessista paremman, auttaa vähentämään hukkaa ja ylimääräisiä kustannuksia. [6]

Strategisesti oikealla tavalla suunniteltu ja toteutettu monimuuttujakokeilu voi tarjota paljon tietoa yhden tai useamman tekijän vaikutuksesta prosessin muuttujaan. Yleisesti tutkijoiden käyttämä ”yksi tekijä kerrallaan” (OFAT) lähestymistapa [7] sisältää tiettyjen tekijöiden pitämisen vakiona ja vain yhden muuttujan tasojen muuttamisen kerrallaan ja toistamalla samaa muilla tekijöillä. Tämä prosessi on lähtökohtaisesti kuitenkin tehoton verrattuna monimuuttujakokeiluun. [8] Myöskään helppona vaihtoehtona käytetty ”kokeile ja erehdy” (Trial-and-error) -menetelmä, jossa tekijöiden muutos kokeillaan enemmän tai vähemmän satunnaisesti ei anna luotettavaa vastausta, eikä tuo tehokkuutta kokeiluun [9].

Missä DOEa on käytetty?

Design of Experiments -menetelmää on käytetty menestyksekkäästi monissa tutkimusprosesseissa. Lääkekehityksessä DOEa käytetään muun muassa optimoimaan lääkeaineiden koostumusta ja lääketieteellisten laitteiden ja lääkkeiden valmistusprosesseja [10]. Esimerkiksi voidaan tutkia, miten eri ainekoostumukset, lääkeainepitoisuudet ja valmistusparametrit vaikuttavat lääkkeen stabiilisuuteen, tehokkuuteen ja imeytymiseen [11]. Elintarviketutkimuksessa DOEa voidaan soveltaa esimerkiksi optimoimaan reseptejä ja valmistusprosesseja. Tämä voi sisältää muun muassa eri ainesosien ja valmistusolosuhteiden vaikutusten tutkimisen lopputuotteen makuun, koostumukseen ja säilyvyyteen. [10]

Materiaalitutkimuksessa DOE auttaa ymmärtämään, miten eri tekijät, kuten lämpötila, paine ja seosaineet, vaikuttavat materiaalien ominaisuuksiin. Tämä on erityisen hyödyllistä uusien materiaalien kehittämisessä, joissa halutaan optimoida esimerkiksi lujuus ja kestävyys. [12] Puolijohdeteollisuuden tutkimus hyödyntää DOEa puolijohdesuunnittelussa prosessiparametrien optimointiin, tavoitteenaan parempi tuotto ja laatu. Esimerkiksi lämpötilaa, painetta, syövytysaikaa ja kaasun virtausnopeuksia voidaan säätää järjestelmällisesti, jotta löydetään parhaat asetukset virheiden määrän minimoimiseksi ja suorituskyvyn parantamiseksi. [13]

DOEa käytetään prosessiteollisuudessa, kuten kemianteollisuudessa, optimoimaan tuotantoprosesseja. Tutkimuksissa selvitetään, miten eri reaktio-olosuhteet ja esimerkiksi katalyytit vaikuttavat tuotteen saantoon ja prosessin ympäristövaikutuksiin. [14] Suunnitteluprosesseissa ja niiden kehityksessä DOEa voidaan käyttää laadunparantamiseen. Ajoneuvojen suunnittelijat voivat tehdä ympäristöystävällisempiä ja tehokkaampia tuotteita halvemmalla, ja rakenteiden suunnittelijat voivat hakea vioittumisen syitä ja optimoida rakenteen kestävyyttä, massaa tai kustannuksia. [15]

DOEn avulla voidaan systemaattisesti tutkia ja optimoida tutkimus-, kehitys, suunnittelu-, ja valmistusprosessien eri tekijöitä, mikä voi johtaa merkittäviin parannuksiin ja uusiin innovaatioihin sekä auttaa prosessien negatiivisten ympäristövaikutusten pienentämisessä.

Miten DOEa voisi käyttää?

DOE, kuten monet muutkin nykyisistä tilastollisista lähestymistavoista suunniteltuihin kokeisiin, on peräisin 1900-luvun alusta. Silloin osoitettiin, kuinka kokeen suunnittelun ja toteuttamisen harkitseminen ennen sen kokeilemista auttoi välttämään usein kohdatut ongelmat. DOEn avulla pystyttiin ja edelleen voidaan todella tehostaa tutkimusprosessia. [8]

DOEa on hyödyllistä käyttää, kun epäillään useamman kuin yhden tulotekijän vaikuttavan tulokseen. DOEa voidaan käyttää myös epäiltyjen syötteen/muuttujien vaikutus tulokseen -arvioiden vahvistamiseen ja ennustavan yhtälön kehittämiseen [8]. DOE-menetelmä voi olla erittäin hyödyllinen tutkimuksessa, koska se auttaa optimoimaan prosesseja ja ymmärtämään eri tekijöiden vaikutuksia. DOEn toteuttamiseen kuuluvat muun muassa seuraavat vaiheet (kuva 1) [16] [17]:

1. Tavoitteiden määrittely: Selvennetään, mitä tutkimuksella halutaan saavuttaa. Tämä voi olla esimerkiksi prosessin optimointi, muuttujien välisten suhteiden ymmärtäminen tai uusien menetelmien testaaminen.
   
2. Tekijöiden ja tasojen valinta: Päätetään, mitkä muuttujat (tekijät) halutaan sisällyttää kokeeseen ja mitkä niiden arvot (tasot) ovat. Esimerkiksi, jos tutkitaan lämpötilan ja paineen vaikutusta reaktioon, nämä ovat tekijöitä, ja niiden eri arvot ovat tasoja.
   
3. Koeasetelman suunnittelu: Valitaan sopiva koeasetelma, esimerkiksi niin sanottu full-factorial [18] tai fractional factorial [19] suunnitelma. Tämä auttaa järjestämään kokeet niin, että saadaan mahdollisimman paljon tietoa mahdollisimman vähillä kokeilla. Aina yhdellä asetelmalla ei saa selville kaikkia vastauksia, joten usean asetelman käyttö on tarpeen [20].
   
4. Kokeiden toteutus: Suoritetaan kokeet suunnitelman mukaisesti ja kerätään niistä dataa kattavasti ja huolellisesti.
   
5. Datan analysointi: Käytetään tilastollisia menetelmiä apuna analysoinnissa, miten eri tekijät vaikuttavat lopputulokseen.
   
6. Johtopäätökset ja optimointi: Tulkitaan analyysin tulokset ja tehdään tarvittavat muutokset prosessiin. Tuloksia voidaan käyttää prosessin optimointiin.

Otetaan tästä esimerkki. Oletetaan, että halutaan parantaa painetun elektroniikan valmistusmenetelmillä tuotetun rakenteen johtavuutta. DOE-menetelmää voidaan käyttää apuna tutkimuksessa, miten erilaiset musteiden koostumukset ja rakenteet, painonopeudet, kuivatuslämpötilat ja käytetyt työkalut vaikuttavat rakenteen johtavuuteen. Suunnittelemalla ja toteuttamalla systemaattisia kokeita voidaan löytää optimaaliset olosuhteet ja parametrit, jotka maksimoivat johtavuuden ja tehostavat valmistusprosessia.

Aloitetaan selventämällä, mitä halutaan saavuttaa. Tässä tapauksessa halutaan parantaa silkkipainomenetelmällä painetun elektroniikkarakenteen johtavuutta. Päätetään seuraavaksi, mitä muuttujia (tekijät) halutaan tutkia ja mitkä niiden arvot (tasot) ovat. Kun tutkitaan silkkipainomenetelmällä painetun elektroniikan johtavuutta, tekijöitä voivat olla muun muassa musteen koostumus, alustamateriaali, käytetty painolasta, verkon parametrit, painonopeus ja kuivauslämpötila sekä muut prosessiparametrit.

Valitaan sopivaksi koeasetelmaksi suunnitelma, joka auttaa järjestämään kokeet niin, että saadaan mahdollisimman paljon tietoa mahdollisimman vähillä kokeilla. Aikaisemmin käytetty screening DOE eli fractional factoral koe on osoittanut, että merkittävimmät tekijät ovat musteen koostumuksesta ja materiaaleista johtuva neliöresistanssi ja kuivauslämpötila sekä -aika, joten vähäinen tekijöiden määrä puoltaa niin sanotun full factorial -asetelman käyttöä. Määritetään seuraavaksi minimi- ja maksimiarvot kullekin tekijälle. (Taulukko 1.)

Tekijä	Tunniste	Minimi asetus/arvo	Maksimi asetus/arvo
Mater. □Ω	A	10	50
Temp	B	80	150
Time	C	5	20

Suoritetaan kokeet suunnitelman mukaisesti keräten dataa materiaaleista ja prosessista huolellisesti varmistaen samalla, että kaikki kokeet suoritetaan samoin menetelmin ja olosuhtein. Tulokset kerätään taulukkoon (taulukko 2) analysointia varten. Data analysoidaan tarkasti hyödyntäen tarvittaessa sopivia tilastollisia menetelmiä, jotta selvitetään, miten eri tekijät vaikuttavat lopputulokseen. Analyysin tulosten tulkitsemisen myötä tehdään tarvittavat muutokset materiaalivalintoihin ja prosesseihin. Tuloksia voidaan käyttää myös prosessin optimointiin ja uusien materiaalien kehittämiseen.

DOE-menetelmää voi hyödyntää painetun elektroniikan tutkimuksessa myös monien muiden erilaisten tekijöiden vaikutuksen arviointiin ja prosessin kehittämiseen, kuten esimerkiksi:

1. Musteen ja alustamateriaalien koostumuksen optimointi: DOEa voidaan käyttää optimoimaan painoprosessin parametreja, kuten painonopeutta, paineita ja lämpötiloja sekä käytettyjä työkaluja. Tämä auttaa löytämään optimaaliset olosuhteet esimerkiksi lämpötilalle, joka parantaa painetun elektroniikan suorituskykyä ja vähentää virheitä, mutta mahdollistaa erilaisten alustamateriaalien käytön.
   
2. Painoprosessin parametrien optimointi: DOEa voidaan käyttää optimoimaan painoprosessin parametreja, kuten painonopeutta, paineita ja lämpötiloja sekä käytettyjä työkaluja. Tämä auttaa löytämään optimaaliset olosuhteet esimerkiksi lämpötilalle, joka parantaa painetun elektroniikan suorituskykyä ja vähentää virheitä, mutta mahdollistaa erilaisten alustamateriaalien käytön.
   
3. Kuivaus- ja kovetusprosessien tutkiminen: DOEn avulla voidaan tutkia, miten eri kuivaus- ja kovetusolosuhteet vaikuttavat painetun elektroniikan ominaisuuksiin. Esimerkiksi tutkimalla eri lämpötilojen ja aikojen vaikutusta johtavuuteen, mekaaniseen kestävyyteen ja adheesioon alustalla.
   
4. Monikerroksisten rakenteiden optimointi: Painetussa elektroniikassa käytetään usein monikerroksisia rakenteita. DOEa voidaan käyttää optimoimaan näiden kerrosten järjestystä, paksuutta ja soveltuvia musteita, jotta saavutetaan paras mahdollinen suorituskyky ja luotettavuus vähillä prosessivaiheilla ja materiaalihukalla.

DOEn avulla voidaan systemaattisesti tutkia ja optimoida muun muassa painetun elektroniikan valmistuksen eri tekijöitä (kuva 2), mikä voi johtaa merkittäviin materiaali- ja prosessiparannuksiin ja uusiin innovaatioihin.

Pohdintaa DOEn käytöstä tutkimusprosessissa

Design of Experiments -menetelmää hyödynnetään menestyksekkäästi monissa tutkimusprosesseissa, joista aiemmin esitettiin esimerkkejä. Strategisesti oikealla tavalla suunniteltu ja toteutettu monimuuttujakokeilu voikin tarjota vähemmillä kokeiluilla paljon tietoa yhden tai useamman tekijän vaikutuksesta prosessiin tai sen tulokseen. Toki on huomattava, että vaikka tutkijoiden yleisesti käyttämä ”yksi tekijä kerrallaan” (OFAT) lähestymistapa on lähtökohtaisesti tehoton verrattuna monimuuttujakokeiluun, on sen käyttö edelleen paikallaan useassa tutkimusprosessissa. Tutkimusprosesseja, kuten muitakin kehitysprosesseja, on kuitenkin syytä tarkastella kriittisesti niiden tehokkuuden parantamiseksi, johon DOE tuo yhden työkalun hyödynnettäväksi.

Harri Määttä
lehtori
TKI-yksikkö/Digitaaliset ratkaisut
Oulun ammattikorkeakoulu

Lähteet

[1] Piirainen, A. (2022). Lean Six Sigma, suorituskyky ja monimuuttujakokeet. Quality Knowhow Karjalainen Oy. Haettu 13.10.2024 osoitteesta https://sixsigma.fi/lean-six-sigma-suorituskyky-ja-monimuuttujakokeet/

[2] QL Partners Oy. (2022). Mitä on DoE – Design of Experiments (koesuunnittelu). https://www.ql.fi/tietopankki/mita-on-doe-design-of-experiments-koesuunnittelu/

[3] Quality Knowhow Karjalainen Oy. (Julkaisuaika tuntematon). Yleistä Lean Six Sigmasta. https://sixsigma.fi/leansixsigmasta/

[4] University of Massachusetts Amberst. (2024). A Guide to Design of Experiments in Six Sigma. Haettu 13.10.2024 osoitteesta https://bootcamp.umass.edu/blog/quality-management/design-of-experiments-in-six-sigma

[5] Villanova University. (2023). Design of Experiments. Haettu 13.10.2024 osoitteesta https://www.villanovau.com/articles/six-sigma/design-of-experiments/

[6] Kanban Tool. (2024). Using Design of Experiments (DOE) in Lean. https://kanbantool.com/kanban-guide/design-of-experiments

[7] SixSigma. (2024). OFAT (One-Factor-at-a-Time). All You Need to Know. Haettu 20.10.2024 osoitteesta https://www.6sigma.us/six-sigma-in-focus/ofat-one-factor-at-a-time/

[8] Bower, K. M. (Julkaisuaika tuntematon). What Is Design of Experiments (DOE)? https://asq.org/quality-resources/design-of-experiments#:~:text=Design%20of%20experiments%20(DOE)%20is,parameter%20or%20group%20of%20parameters

[9] JMP Statistical Discovery LLC. (2024). Design of experiments. https://www.jmp.com/en_ph/statistics-knowledge-portal/what-is-design-of-experiments.html

[10] Lamidi, S., Olalere, R., Yekinni, A., & Adesina, K. (2024). Design of Experiments (DOE): Applications and Benefits in Quality Control and Assurance. In Design of Experiments (DOE): Applications and Benefits in Quality Control and Assurance. IntechOpen. http://dx.doi.org/10.5772/intechopen.113987

[11] Nestorovska-Gjosevska, B., Glavas-Dodov, M., & Goracinova, K. (2005). Orally disintegrating tablet: formulation design and optimisation using Response Surface Methodology. Macedonian Pharmaceutical Bulletin, 51(1,2), 15−21. http://dx.doi.org/10.33320/maced.pharm.bull.2005.51.003

[12] Lepšík, P., & Kulhavý, P. (2017). Optimization of composite parts using doe method. 58th ICMD 2017, 6−8 September 2017, Prague, Czech Republic. http://2017.icmd.cz/proceedings/38_ICMD.pdf

[13] Li, X., Highsmith, A., Gupta, S., Paranjpe, A., & Rook, K. (2008). A statistical approach to optimization of alumina etching in a high density plasma. Journal of Applied Physics, 104(3), 033307. https://doi.org/10.1063/1.2967715

[14] OnlyTRAININGS. (2024). Design of experiments (DOE) in chemical industry; to optimize processes, improve product quality, and reduce costs. https://onlytrainings.com/design-of-experiments-doe-in-chemical-industry-to-optimize-processes-improve-product-quality-and-reduce-costs-onlytrainings-blog

[15] Ilzarbe, L., Álvarez, M. J., Viles, E., & Tanco, M. (2008). Practical applications of design of experiments in the field of engineering: A bibliographical review. Quality and Reliability Engineering, 24(4), 417−428. https://doi.org/10.1002/qre.909

[16] Arpino, J. (2023). The DOE process: A step-by-step guide. Synthace. https://www.synthace.com/blog/the-doe-process

[17] Shore Labs. (2024). Using Design of Experiments (DOE) in Lean. https://kanbantool.com/kanban-guide/design-of-experiments

[18] Feldman, K. (2024). Full Factorial Design: Understanding the Impact of Independent Variables on Outputs. iSixSigma. https://www.isixsigma.com/dictionary/full-factorial-doe/

[19] Feldman, K. (2024). Exploring the Benefits of Fractional Factorial DOE. iSixSigma. https://www.isixsigma.com/dictionary/fractional-factorial-doe/

[20] Sadowski, M. (2023). 3 main types of Design of Experiments (DOE) designs. Synthace. https://www.synthace.com/blog/types-of-doe-design-a-users-guide

[21] American Society of Quality. (Julkaisuvuosi tuntematon). Design of experiments template. https://asq.org/-/media/public/sixsigma/tools-exchange/3-factor-doe-template.xls