Vous êtes sur la page 1sur 34

La metodologia Taguchi e

il Robust Design

BIBLIOGRAFIA
P. Erto, Probabilit e statistica per le scienze e lingegneria, McGrawHill, 1999, Cap. 8
e9
Taguchi, Clausing: Robust quality, HBR,jan-feb 1990
J. S. Hunter, Statistical design applied to product design, Journal of Quality
Technology, Vol 17, n4, oct 1985
N. Ryan, I metodi Taguchi e il QFD, Franco Angeli, 1989

Significato qualit per Taguchi


La qualit di un prodotto la (minima)
perdita impartita alla societ dal momento che
il prodotto stesso lascia la fabbrica

dr. Genichi Taguchi

Zero Defects

The effort to reduce process failure in the factory will simultaneously


reduce instances of product failure in the field

Taguchi

The effort to reduce failure in the field will simultaneously reduce the
number of defectives in the factory
Taguchi, Clausing: Robust quality, HBR,jan-feb 1990

Genichi Taguchi associa una perdita ad ogni prodotto che raggiunge il consumatore; tale
costo include, tra le altre voci, linsoddisfazione del consumatore, costi di garanzia per il
produttore, perdite di reputazione e di quote di mercato per la societ produttrice. La
qualit di un prodotto inversamente proporzionale alla perdita che esso impartisce alla
societ.
Secondo lottica zero difetti, un prodotto difettoso quando il valore di una sua
caratteristica esce dalle tolleranze prefissate.
Sebbene questo approccio alla qualit sia molto diffuso, esso non concepisce la qualit
dal punto di vista del cliente. Al cliente, infatti, interessa in particolar modo che il
prodotto abbia prestazioni stabili anche ad alte temperature, in ambienti polverosi, in
seguito a cadute accidentali, ecc.
Il ribaltamento della logica zero difetti operato da Taguchi parte dalla considerazione
che i fattori non controllabili nellutilizzo del prodotto suono maggiori dei fattori
controllabili durante il processo produttivo.
Un prodotto tanto pi robusto quanto pi riesce a mantenere la prestazione nominale
al variare di fattori non controllabili (fattori di disturbo).
Le tecniche Taguchi consentono, tramite lindividuazione di un opportuno piano di
esperimenti, di progettare un prodotto robusto.

La progettazione robusta
Distribuzione delle caratteristiche di un prodotto di 4 fabbriche diverse
LIS

LIS

LSS

1.

LSS

2.
x

VN
LIS

LIS = limite
inferiore
specifica

LIS

LSS

3.

VN

LSS = limite
superiore
specifica

LSS

4.

VN = valore
nominale
VN

VN

Quattro fabbriche producono prodotti dello stesso tipo e li vendono allo stesso prezzo.
Tutte e 4 le fabbriche effettuano controlli in uscita (che assumiamo perfetti) al 100% dei
pezzi prodotti, e commercializzano solo i prodotti che che soddisfano le specifiche.
Se voi foste il cliente, quale fabbrica scegliereste? Anche se tutte le fabbriche
commercializzano prodotti che rientrano nelle specifiche, la 4 produce i prodotti pi
omogenei.
Il seguente brano tratto da: Taguchi, Clausing: Robust quality, HBR,jan-feb 1990.

Alcune indagini di mercato avevano indicato che i consumatori gradiscono maggiormente


immagini aventi una particolare densit di colore: poniamo che il valore nominale
(ottimale) della densit di colore sia 10 Quando la densit di colore si discosta da 10, la
visione diviene via via pi insoddisfacente, cosicch nelle specifiche funzionali era stato
fissato dalla Sony un intervallo di tolleranza compreso fra 7 e 13.
I televisori venivano fabbricati sia a Tokio sia a San Diego. A San Diego vigeva la prassi
di non consegnare a Cliente nessun apparecchio con densit di colore al di fuori
dellintervallo di tolleranza ammesso (zero difetti): la densit di colore risultava
distribuita uniformemente allinterno dellintervallo di tolleranza stesso; i televisori di
Tokio si concentravano invece attorno al valore nominale, anche se - su 1000 apparecchi
- circa 3 finivano al di fuori dellintervallo: Tokio peraltro consegnava tutti gli apparecchi
che produceva. Qual la politica pi conveniente?
Supponiamo di comperare un apparecchio con densit di colore 12.9, mentre il nostro
vicino ne ha comperato uno con densit 13.1. Ovviamente non siamo in grado di
distinguere la differenza, guardando le immagini dei due apparecchi.
Ma Supponiamo che entrambi i clienti vedano le immagini di un apparecchio con densit
10: lindomani tutti e due chiameranno il servizio assistenza o chiederanno la sostituzione
dellapparecchio.

Significato di Robust Design


Progettazione robusta
Tecnica finalizzata allindividuazione della combinazione
dei parametri di progetto che renda le prestazioni di un
sistema le pi insensibili possibile ai fattori di disturbo

Le tre fasi di progetto


1. Progettazione di sistema
2. Progettazione parametrica
3. Progettazione delle tolleranze

Per progettazione robusta sintende una tecnica finalizzata allindividuazione della


combinazione dei parametri di progetto (detti anche fattori di controllo) che renda la
prestazione di un sistema (prodotto o processo) le pi insensibili possibile alleffetto dei
fattori di disturbo (che tendono ad ampliare la varianza delle prestazioni suddette oltre
a farne deviare la media dal valore obiettivo). Questa tecnica richiede una notevole
conoscenza del sistema e delle sue condizioni condizioni ambientali in cui verr utilizzato.
P. Erto, Probabilit e statistica per le scienze e lingegneria, McGrawHill, 1999
La slide riassume la sequenza logica della metodologia Taguchi. E importante come
lapproccio tradizionale alla progettazione non considera il secondo punto, mentre le
tecniche Taguchi tendono a sfruttarlo al massimo.
La Progettazione di sistema coinvolge innovazioni e richiede conoscenze tecnicoscientifiche di Prodotto (selezione materiali, componenti, ) e di Processo (selezione
macchine, attrezzature, )
La Progettazione parametrica (passaggio chiave per raggiungere alta qualit
contenendo i costi) consiste in test per tentativi per individuare la migliore combinazione
dei differenti parametri di prodotto e di processo, e per individuare quelli che
minimizzano la sensibilit ai fattori di disturbo
La Progettazione delle tolleranze impiegata nel caso che non fossero sufficienti i
risultati ottenuti con la progettazione parametrica:
Vengono ridotte le tolleranze dei parametri di prodotto/processo con maggiore impatto
sulle variazioni di prestazioni
Comporta maggiori costi per acquisire migliori materiali, componenti, macchine,
attrezzature , ...

Funzione di perdita
Tipo Normal is Better
L(x) = K(x - x0)2

L(x)

Funzione di Taguchi
Loss Function

Costo della
riparazione /
sostituzione

Funzione di costo
tradizionale

x0
L(x)

Tipo Lower is Better

L(x)

Tipo Higher is Better

La metodologia Taguchi prevede di valutare la qualit di un prodotto tramite la funzione


di perdita (Quality Loss Function).
La forma funzionale dipende dal tipo di caratteristica da misurare
La funzione di perdita del tipo lower is better (LB) adatta per grandezze tipo
rumorosit, consumi, perdite, emissioni inquinanti, impurit.
La funzione di perdita del tipo higher is better (HB) adatta per grandezze quali la
velocit, la durata, la ripresa.
Sullandamento della Loss Function possibile agire sia on-line (controllo statistico del
processo) che off-line (progettazione), ma solo off-line che possibile restringerne
lampiezza, riducendo la variabilit delle prestazioni intorno alla media.
Nei casi LB e HB lo studio delle interazioni tra fattori ha minore importanza rispetto al
caso NB. Per massimizzare una certa prestazione, quindi, pu essere conveniente
progettare gli esperimenti in modo da considerare esclusivamente gli effetti principali.

Prestazioni di prodotto
Fattori controllabili e casuali
Per minimizzare le perdite in un prodotto esso deve essere realizzato:
con buone prestazioni funzionali
con la minima variazione nelle caratteristiche
Le caratteristiche funzionali sono influenzate da:
fattori controllabili (attraverso la scelta dei
materiali, parametri di produzione, )
fattori casuali: difficili, impossibili o troppo
costoso controllare
La strada giusta consiste nel selezionare i fattori controllabili che
rendono il prodotto/processo meno sensibile ai cambiamenti dei
fattori casuali (anzich cercare ed eliminare le cause, ridurre o

rimuoverne limpatto)

Nel progetto di un prodotto lo spazio dei disturbi costituito da tutte le variabili non
controllabili (o troppo costose da controllare) che influenzano il prodotto durante il suo
ciclo di vita:
condizioni di impiego (temperatura, vibrazioni, umidit, abilit delloperatore,)
logorio interno del prodotto (usura dei componenti, disallineamenti,)
difetti del processo di fabbricazione (gli esemplari prodotti non sono completamente
uniformi).

Piano degli esperimenti


Gli obiettivi
Evitare linfluenza indesiderata di un fattore di disturbo (o una
combinazione di fattori) che provochi un effetto rilevante
rispetto allerrore sperimentale (variabilit fisiologica)
Evitare di perdere lindipendenza delle prove a causa di effetti
distorsivi dovuti ad interazioni sistematiche
Tendere alle condizioni sperimentali che consentano di isolare i
fattori influenzanti (ripetendo diverse prove variando fattori non

rilevanti si devono ottenere risultati differenti soltanto di una


quantit aleatoria)

Progettazione degli esperimenti:


differenti approcci
Classico
Vengono considerati solo gli
effetti dei singoli fattori
Per analizzare gli effetti
necessario modificare un
fattore per volta

Statistico
Sono importanti non solo gli
effetti dei singoli fattori, ma
anche le interazioni fra gli
stessi
necessario disporre di dati
ottenuti in presenza delle varie
combinazioni di livelli dei fattori
utile stimare leffetto di un
fattore impiegando dati
registrati in corrispondenza di
tutte le possibili combinazioni
degli altri fattori: si evita cos di

confondere leffetto di un
fattore con quello dovuto alle
interazioni tra fattori

Lesame comparativo di modifiche o innovazioni su prodotti, servizi e processi produttivi


richiede ampie sperimentazioni per:
individuare la migliore soluzione progettuale
quantificare lefficacia dellintervento
Occorre stabilire in anticipo un Piano di prove compatibile con la successiva analisi dei
risultati, affinch la Progettazione statistica degli esperimenti garantisca una analisi dei
dati:
efficiente
statisticamente valida
Tra gli approcci alla progettazione degli esperimenti, quelli pi comuni nel mondo
occidentale sono lapproccio classico e lapproccio statistico.
Con lapproccio classico si considerano gli effetti semplici dei singoli fattori variando un
fattore alla volta.
Lapproccio statistico permette di considerare sia gli effetti semplici che le sinergie (effetti
composti) tra fattori. Lapproccio statistico si basa sullesposizione di un fattore a tutte le
combinazioni possibili degli altri fattori.

Approccio classico
Prestazione x misurata dipendente da n fattori (2)
Sperimentazione basata sulla media di k osservazioni (4) per
ogni livello tra gli m livelli assumibili da ogni fattore (2)

B
A

1
2

1
x11k
x21k

2
x22k

k=1..4

Sono necessarie 12 osservazioni per individuare gli effetti


delle due grandezze A e B
Pasquale Erto, Probabilit e statistica per le scienze e lingegneria, McGrawHill

Il modo tradizionale di utilizzare gli esperimenti per scegliere i valori delle specifiche
tecniche quello di procedere una specifica alla volta.
Poniamo di aver identificato 13 variabili (caratteristiche tecniche) che influenzano le
prestazioni di uno sterzo per auto.
Si registra la prestazione (ad esempio la velocit a cui lo sterzo sbanda in curva) ottenuta
nel primo esperimento, in cui a ognuna delle 13 variabili era stato assegnato un
determinato valore. Nel secondo esperimento si modifica il valore di una sola delle 13
variabili, ad esempio la rigidit della molla, facendole assumere sia un valore superiore
sia un valore inferiore a quello del primo esperimento, registrando la prestazione e
scegliendo quello dei 3 valori provati che d la prestazione migliore: tale valore viene poi
tenuto fisso in tutti i successivi esperimenti, in cui - uno alla volta - si scegli il valore
migliore da dare a ognuna delle 13 variabili; con questo modo di procedere occorrono
ovviamente 39 esperimenti, ma non si riesce a tenere conto di interazioni potenzialmente
critiche fra variabili (mentre ad esempio una certa rigidit della molla pu dare la
prestazione migliore quando la pressione dei pneumatici corretta, avverr lo stesso
quando la pressione troppo alta o troppo bassa?).

Tratto da: Brandolese, 1998

Approccio statistico
Prestazione x misurata dipendente da n fattori (2)
Sperimentazione basata sulla media di k osservazioni (2)
per ogni livello tra i m livelli assumibili da ogni fattore (2)

B
A

1
2

1
2
x11k x12k
x21k x22k

k=1..2

Sono necessarie 8 osservazioni per individuare gli effetti


delle due grandezze A e B
P. Erto, Probabilit e statistica per le scienze e lingegneria, McGrawHill, 1999

Lapproccio statistico, stimando leffetto di un fattore utilizzando dati in corrispondenza di


tutte le possibili combinazioni degli altri fattori, evita di confondere leffetto del fattore in
esame con quello dovuto allinterazione con uno specifico livello di un altro fattore.

10

Analisi dei risultati


Analisi della varianza (ANOVA)
Serve per ottenere informazioni sugli effetti esercitati su di una
variabile di interesse da determinati fattori (ciascuno a pi
livelli)

Consente di individuare le varianze sperimentali imputabili ai


singoli fattori

La differenza tra varianza totale e la somma delle singole


varianze costituisce la varianza residua

Un fattore determina un effetto significativo se produce una


varianza maggiore di quella residua

Una volta progettato il piano di esperimenti e condotte le prove si passa allanalisi dei
risultati.
Le tecniche ANOVA (Analysis Of Variance) risultano particolarmente idonee per misurare
gli effetti dei singoli fattori e gli effetti incrociati tra fattori.
Taguchi propone una metodologia alternativa che limita lanalisi ai soli effetti principali
dei fattori e richiede di norma un numero molto limitato di trattamenti.
Inoltre, le tecniche Taguchi considerano non solo i fattori controllabili di progetto, ma
anche i fattori di disturbo: riproducendo in laboratorio gli effetti dei fattori di disturbo
possibile ottenere informazioni sulla robustezza del prodotto durante le reali condizioni
duso.
Se dallapplicazione della metodologia Taguchi risulta che la migliore combinazione dei
parametri di controllo non tra quelle effettivamente sperimentate, allora necessario
procedere ad una sperimentazione successiva con i parametri di progetto trovati. Tale
sperimentazione, nel caso in cui non confermi le previsioni, dovrebbe fornire indicazioni
sulla causa del fallimento del metodo.
Non vero, infatti, che dalla combinazione dei migliori livelli dei fattori di controllo si
ottenga sempre il migliore risultato; la ragione di questo risiede nellavere assunto come
base di analisi il modello lineare, e nellavere quindi trascurato gli effetti incrociati tra
fattori.

11

Modello lineare e
modello non lineare
Modello lineare

xij = + i + j + i
b

E { ij } = 0

Var { ij } = 2

i =1

j =1

=0

Modello non lineare

xij = + i + j + ( ) ij + ij

i
j

=
=
=
=
=

prestazione
valore medio globale
effetto di A al livello i
effetto di A al livello j
errore sperimentale

i = 1,,a
j = 1,,b

()ij = effetto
composto dei
fattori A e B

La metodologia Taguchi assume come riferimento il modello lineare.


La slide presenta il modello lineare per la stima degli effetti dei fattori A e B in un
progetto. Gli effetti di A e di B sono additivi. I livelli dei fattori A e B sono a e b
rispettivamente.
La prestazione x del sistema in corrispondenza dei livelli i e j dei parametri A e B si
esprime come la somma tra la media globale delle prestazioni, leffetto di A a livello i,
leffetto di B al valore j e lerrore sperimentale.
In alcuni casi risulta utile studiare gli effetti incrociati tra fattori di progetto e stimarne
lentit. Ad esempio linterazione tra principi attivi di un farmaco pu aumentarne
lefficacia globale, oppure linterazione tra due fattori tecnologici pu rendere il prodotto
qualitativamente migliore o pi stabile rispetto ad azioni esterne di disturbo.
Linterazione fa s che, dal punto di vista analitico, cada lipotesi di additivit. La slide
mostra come il modello lineare a due fattori possa essere corretto aggiungendo laddendo
relativo alleffetto composto di A e B.
Dato che la metodologia Taguchi trascura gli effetti composti dei fattori, il suo impiego:
1. Deve essere attentamente valutato
2. Non sostitutivo delle tecniche ANOVA

12

Piano sperimentale
fattoriale completo
Tipo 23
3 fattori: A,B,C
2 livelli: -1, +1
A B C
T1
T2
T3
T4
T5
T6
T7
T8

-1 -1
-1 +1
-1 +1 -1
-1 +1 +1
+1 -1 -1
+1 -1 +1
+1 +1 -1
+1 +1 +1
-1
-1

2
2

1 2 2
1 2 = x1 jk x2 jk
4 j =1 k =1
j =1 k =1

2
2
1 2 2

1 2 = xi1k xi 2 k
4 i =1 k =1
i =1 k =1

2
2

1 2 2
1 2 = xij1 xij 2
4 i =1 j =1
i =1 j =1

P. Erto, Probabilit e statistica per le scienze e


lingegneria, McGrawHill, 1999

La scelta del livello di ciascun fattore non correlata al valore di nessuno degli altri
fattori. In altra parole, la stima delleffetto medio di ciascun fattore indipendente dal
livello degli altri fattori (condizione di ortogonalit).
Se il prodotto dei vettori dei simboli (-1 e +1) che rappresentano due colonne in un piano
sperimentale in cui tutti i parametri hanno due livelli nullo, allora le due colonne sono
tra loro ortogonali. Ad esempio, per le colonne A e C:
(-1,-1,-1,-1,+1,+1,+1,+1) X (-1,+1,-1,+1,-1,+1,-1,+1) = +1-1+1-1+1-1+1-1+1 = 0.
La stima delleffetto complessivo del fattore A (vedi formula in slide) non dipende dal
fattore B (risp. da C) perch sia
che
derivano dalla media di 4 valori, di cui 2
calcolati con B (risp. C) a livello -1e due calcolati
con B (risp. C) a livello +1.

La stima di ciascun effetto semplice non influenzata dallinterazione sistematica con un


livello degli altri fattori.

13

Piano sperimentale fattoriale


ridotto a met
4 fattori: A,B,C,D
2 livelli: -1, +1
Piano
sperimentale
ridotto
ottenuto da
un piano
fattoriale
completo 23

-1 -1 -1
-1 +1 +1
-1 +1 -1 +1
-1 +1 +1 -1
+1 -1 -1 +1
+1 -1 +1 -1
+1 +1 -1 -1
+1 +1 +1 +1

+1
-1
-1

A
T1
T2
T3
T4
T5
T6
T7
T8

-1
-1

Colonna D
alternativa

+1
-1
+1
+1
-1

Per aggiungere un fattore (a due livelli) al piano fattoriale 23 possibile creare una
colonna i cui valori sono il prodotto (o lopposto del prodotto) dei livelli delle altre tre
colonne.
Ad esempio, il primo valore della colonna D dato da:
-1 x -1 x -1

= -1, oppure

-(-1 x -1 x -1) = +1.


Il piano di esperimenti riportato nella slide corrisponde ad un piano fattoriale completo di
tipo 24 dimezzato; laltra met del piano si ottiene dal piano 23 di origine aggiungendo la
colonna D alternativa.
In pratica, ogni volta che non possibile fare 2k esperimenti, possibile utilizzare un
piano fattoriale ridotto a met ottenuto da un piano fattoriale 2k-1 a cui si aggiunge una
colonna con la regola dei prodotti.

14

T1
T2

A B C
-1 -1 -1
-1 +1 +1

T3
T4

+1 -1 +1
+1 +1 -1

Piani ortogonali:
1.
2.
3.
4.

Numero colonne = numero fattori di progetto


Ogni riga rappresenta un differente esperimento
Il livello di ogni fattore compare lo stesso numero di volte
Ogni livello di ogni fattore esposto a tutti i livelli di ognuno degli
altri fattori (e quindi alla media di ognuno dei fattori)

P. Erto, Probabilit e statistica per le scienze e lingegneria

Il piano 23 ridotto a met

La slide rappresenta uno dei due piani ortogonali 23 ridotti a met ottenibili dal piano
fattoriale completo 22.
Propriet dei piani fattoriali ridotti a met: al piano 2n corrisponde un insieme di 2n-1
vertici che hanno proiezioni sugli n piani geometrici tali da rappresentare tutte le 2n-1
combinazioni dei livelli degli n-1 fattori appartenenti a quel piano.
Nel caso del piano 23 presentato in slide si hanno 4 vertici. La loro proiezione sul piano
AB, ad esempio, formata da 4 punti che rappresentano tutte e 4 le combinazione dei
livelli dei fattori A e B.
Se gli esperimenti dimostreranno che solo 2 fattori hanno un effetto significativo, allora si
avr comunque a disposizione il piano fattoriale completo relativo a quei due fattori.
Questa propriet comune a tutti i piani ortogonali; la sua utilit pratica consiste nel
fatto che, di molti fattori da esaminare, solitamente solo pochi risultano davvero efficaci.
Caratteristiche dei piani ortogonali:
1. Il numero colonne pari al numero di fattori di progetto
2. Ogni riga rappresenta un differente esperimento, cio un differente progetto del
prodotto
3. Il livello di ogni fattore compare lo stesso numero di volte
4. Ogni livello di ogni fattore esposto a tutti i livelli di ognuno degli altri fattori (e quindi
alla media di ognuno dei fattori), anche se non esposto a tutte le possibili combinazioni
di valori di progetto.

15

Rappresentazione geometrica dei


piani ortogonali
J. S. Hunter, Statistical design applied
to product design, Journal of Quality
Technology, Vol 17, n4, oct 1985

Piani
ortogonali

16

Estensione del piano 23


fino a 7 fattori
Piano 23 esteso a 7 fattori
A
T1
T2
T3
T4
T5
T6
T7
T8

-1 -1 -1 -1
-1 +1 +1 +1
-1 +1 -1 +1 -1
-1 +1 +1 -1 +1
+1 -1 -1 +1 +1
+1 -1 +1 -1 -1
+1 +1 -1 -1 +1
+1 +1 +1 +1 -1
-1
-1

-1 +1
+1 +1
+1 -1
-1 -1
-1 -1
+1 -1
+1 +1
-1 +1

Pasquale Erto, Probabilit e statistica per le scienze e lingegneria, McGrawHill

Il piano fattoriale completo 23 pu essere esteso al massimo a 7 fattori mantenendo la


condizione di ortogonalit.
Se si interessati solo agli effetti principali dei fattori, e quindi se si trascurano gli effetti
incrociati, il piano ortogonale a 7 fattori derivato dal piano 23 completo permette di poter
eseguire solo 8 trattamenti invece dei 128 (27) del piano fattoriale completo.

17

La confusione degli effetti


nei piani ridotti

Piano 23
ridotto a
met

T1
T2
T3
T4

A B C
-1 -1 -1
-1 +1 +1
+1 -1 +1
+1 +1 -1

( ) = ( x22 x12 ) ( x21 x11 ) = ( x11 + x22 ) ( x12 + x21 ) = 2(1 2 )


Leffetto di C si confonde con leffetto congiunto di A e B
Pasquale Erto, Probabilit e statistica per le scienze e lingegneria, McGrawHill

Vogliamo ora stimare linterazione tra il fattore A e il fattore B, ovvero vogliamo verificare se
nel passaggio di un fattore dal livello 1 al livello 2 si abbia un effetto diverso a seconda che
laltro fattore sia al livello 1 oppure al livello 2:

^
(
) = ( x22 x12 ) ( x21 x11) = ( x22 x21) ( x12 x11)
Dal piano fattoriale ridotto a met mostrato nella slide notiamo che:
alle combinazioni (+1,+1) e (-1,-1) di A e B corrisponde sempre il livello -1 di C
alle combinazioni (+1,-1) e (-1,+1) di A e B corrisponde sempre il livello +1 di C
Questo comporta che la stima dellinterazione tra A e B si confonda con la stima delleffetto
complessivo di C nel passaggio da -1 a +1.
Analogamente:
la stima dellinterazione tra B e C si confonde con la stima delleffetto complessivo di A
la stima dellinterazione tra A e C si confonde con la stima delleffetto complessivo di B
In conclusione, quando si ritiene che linterazione tra i fattori A e B non sia trascurabile,
allora opportuno non allargare il piano completo 22 aggiungendo una terza colonna.

18

Piano ortogonali n3 e n4 ridotti


Piano 43 ridotto a 42
j
i k

Piano 44 ridotto a 42
2

j 1
lk

11

22

33

44

42

31

24

13

34

43

12

21

23

14

41

32

P. Erto, Probabilit e statistica per le scienze e lingegneria, McGrawHill, 1999

Per ridurre un piano a 3 fattori con n livelli ciascuno in un piano n2 occorre che ogni
coppia (Ai, Bj), (Bj, Ck), (Ai, Ck) compaia una e una sola volta. Questa condizione di
ortogonalit garantisce che la stima delleffetto semplice di ciascun fattore non sia
influenzata dallinterazione sistematica con un livello di uno degli altri fattori.
Il primo piano sperimentale nella slide si riferisce a 3 fattori con 4 livelli ciascuno. Il livello
del primo fattore si legge dal numero di riga, il livello del secondo fattore dal numero di
colonna, e il valore del terzo fattore si legge dal numero della cella della matrice.
Il secondo piano sperimentale risulta dalla riduzione di un piano 44 con un piano 42
mediante la sovrapposizione di due piani 42 ortogonali tra loro.
In questo caso, 44 = 256 prove sono sostituite da 42 = 16 prove.

19

I piani incrociati
A,B fattori controllabili
C,D fattori di disturbo

Piano incrociato

T1
T2
T3
T4

C1

C2

-1
+1

+1
-1

A B
-1 -1 TC11
-1 +1 TC21
+1 -1 TC31
+1 +1 TC41

C
D

TC12
TC22
TC32
TC42

Adattato da: P. Erto, Probabilit e statistica per


le scienze e lingegneria, McGrawHill, 1999

Piano equivalente
A B C D
T1
-1 -1 -1 +1
T2
T3
T4
T5
T6
T7
T8

-1 +1 -1
-1 +1 -1 +1
-1 +1 +1 -1
+1 -1 -1 +1
+1 -1 +1 -1
+1 +1 -1 +1
+1 +1 +1 -1
-1

Esempio: progettazione di un utensile.


La prestazione principale x vita utile.
I fattori di progetto:
trattamento termico (A)
tipo di metallo (B).
Fattori di disturbo:
durezza del materiale da lavorare (C)
velocit di taglio (D).
Questi ultimi non sono controllabili sul campo ma lo sono in laboratorio.
Consideriamo due livelli per ciascuno dei fattori controllabili (codificati con -1 e +1) e una
lista di condizioni ambientali che comprende solo due condizioni: (C=-1,D=+1),
corrispondente a materiale di bassa durezza e alta velocit di taglio, e (C=+1,D=-1),
corrispondente a materiale ad elevata durezza e bassa velocit di taglio.
Il risultato un insieme di 8 combinazioni di prova (TCij) che permettono di studiare
leffetto di ogni combinazione dei fattori di progetto in tutte le situazioni ipotizzate.
Il piano sperimentale 4X2 incrociato identico al piano di destra, ma pi comodo da
utilizzare e pi compatto. Nella fase di elaborazione dei dati, infatti, i fattori di disturbo
sono completamente ignorati e lanalisi si concentra sui fattori controllabili.

20

Rapporto segnale / rumore


Tipo di loss function
NB

Rapporto S/N
S / N = 10 log10 [(i xi / n) /

(x x)
i

/(n 1) ]

LB

S / N = 10 log10

( x / n )
i

2
i

HB

S / N = 10 log10 [i (1 / xi2 ) / n]

x Probabilit e statistica per le scienze e lingegneria, McGrawHill, 1999


P. Erto,

Il progetto dei parametri la fase cruciale della metodologia Taguchi. Lobiettivo della
progettazione per parametri trovare i valori nominali per i fattori di controllo tali da
raggiungere la massima prestazione del prodotto con la minima sensibilit al disturbo, e
fare questo al minimo costo.
Durante lanalisi dei dati si fa uso del rapporto segnale disturbo (signal to noise ratio, S/N
ratio) per misurare le prestazioni. Il rapporto S/N inversamente proporzionale al costo
valutato con la funzione di perdita. Massimizzare il rapporto S/N equivale a minimizzare
la perdita, cio a migliorare la qualit.
La slide mostra le formule proposte da Taguchi per calcolare il rapporto segnale / rumore
nei tre casi in cui si declina la funzione di perdita:
- NB (nominal is better): il valore obiettivo della prestazione finito e diverso da zero
- LB (lower is better): il valore ideale nullo
- HB (higher is better): il valore ideale non ha alcun limite

21

Scaling factor
positivo

prestazione

Prestazione = S/N

Scaling factor
negativo

leva

leva

Leveling
factor

leva

Scaling factor nullo

prestazione

prestazione

prestazione

Gli scaling factors e


i leveling factors

Leva
inefficace

leva

I fattori di progetto si possono dividere in:


1. Scaling factors, utilizzati per minimizzare la dispersione della risposta attorno alla
media (progetto robusto).
Gli scaling factors nulli permettono di minimizzare la dispersione senza influire sulla
media della prestazione; lutilizzo di scaling factors positivi (la varianza della prestazione
cresce al crescere della media) o negativi (la varianza della prestazione decresce al
crescere della media) comporta invece una prestazione media non coincidente con quella
nominale: il questo caso occorre agire anche sui levering factors.
2. Levering factors, utilizzati per fare coincidere la prestazione media con il valore
nominale.
3. Leve inefficaci, per cui al variare del valore assegnato, le prestazioni non cambiano
significativamente. Le tolleranze delle leve inefficaci possono essere rilassate (risparmio
di costi) senza compromettere la qualit del progetto.
Lutilizzo combinato degli scaling factors e dei leveling factors lessenza della
progettazione parametrica.
La metodologia Taguchi in sede di progettazione di un prodotto permette:
a) lottimizzazione delle process capability attraverso la modulazione degli scaling factors
b) il rispetto delle specifiche funzionali con la minore dispersione possibile (realizzazione
di un prodotto con il minimo impatto sulla societ
c) risparmi di costo dovuti al rilassamento delle tolleranze delle leve inefficaci.

22

Interazione tra fattori di controllo e


fattori di disturbo
1

S/N

A1

A2

A3

A Fattore
controllabile

A2

S/N

D1
X

D3

A1
H

D3

D2

D1

A3

D2

D Fattore
controllabile

G Fattore
di disturbo

F Fattore
di disturbo

Lanalisi del rapporto segnale-rumore spesso elimina la necessit di esaminare


linterazione tra fattori controllabili e fattori di disturbo.
Tale analisi, tuttavia, pu fornire utili elementi di valutazione.
Consideriamo, linterazione tra il fattore di controllo A ed il fattori di disturbo G mostrata
in slide (grafico 2).
Ai livelli 1 e 3 la variabilit delle prestazioni del sistema al variare del fattore di disturbo G
molto elevata (pendenze di A1 e A3 elevate), questo indica una elevata sensibilit dei
livelli 1 e 3 del parametro A al disturbo. Il livello 2 di A invece pi robusto nei
confronti del fattori di disturbo G, dato che la variazione della prestazione x quando A=A2
relativamente modesta al variare del disturbo.
Questa analisi conferma la scelta del livello 2 per il fattore A dallanalisi del rapporto
segnale/rumore. Il livello 2 quello che massimizza il rapporto (grafico 1). In questo
caso lanalisi del rapporto S/N e lanalisi dellinterazione con il fattore di disturbo si
rafforzano a vicenda.
Nel caso del fattore di controllo D e del fattore di disturbo F siamo in presenza di
indicazioni contrastanti. Lanalisi del rapporto S/N (grafico 3) suggerisce ladozione del
livello 1 per il fattore D, mentre lanalisi dellinterazione tra D e il disturbo F (grafico 4)
mostra come i livelli 1 e 3 siano pi sensibili del livello 2 alla variazione di F.
Nel caso specifico pu essere conveniente adottare il livelli 2 per il parametro D. Tale
scelta permette infatti di stabilizzare la prestazione rispetto al disturbo F, diminuendo di
una quantit trascurabile il rapporto S/N.

23

Taguchi
Hanno detto ...
"Our goal is to retrain all of our engineers by the year 2000 in the
application of Robust Design." - Kenzo Ueno, Nissan Motors (1993)
"... the major driving forces behind robust engineering are-and each is
equal-designing to satisfy customers in all ...conditions; manufacturing
processes and capabilities, cost, quality, and reliability. We're pushing
for engineering solutions that optimize each one of those. - John J.
(Jay) Wetzel II, Vice President for GM's North American Operations
Engineering Center (in WARD'S Auto World - March 1994)
"Robust Design is not easy to understand, so Ford began doing case
studies in 1993. In one instance, an FDI team found a solution in three
months that would have taken 13 months using traditional methods.
Another major advantage [of robust design] is that robust methods
reduce the historical tendency to over-engineer-the practice of
concentrating on quality targets in isolation without taking into
consideration the whole picture. - Minoo P. Billamoria, Ford Design
Institute

24

Esempio
aeroplano di carta

Corso di Gestione Aziendale - Ing. Romeo Castagna

FACOLT DI INGEGNERIA Sede distaccata di Cremona

25

25

Esempio: progettazione robusta di


aeroplani di carta
Fattori di disturbo
caratteristiche della carta
esecuzione delle pieghe
condizioni ambientali
spinte al momento del lancio

Segnale di ingresso
Scelta del modello
di aereo

Sistema:
Aereo di carta

Risposta del sistema


Massimizzare la distanza
Minimizzare la variabilit

Fattori controllabili (leve di progetto)


A distribuzione dei pesi
B incidenza degli alettoni
C superficie alare
D superficie dei flap

26

Fattori di controllo e
fattori di disturbo
Fattori di controllo
Distribuzione
dei pesi

Incidenza
alettoni

Superficie
alare

Superficie
flaps

a1: verso prua

b1: verso il basso

c1: grande

d1: piccola

a2: al centro

b2: orizzontale

c2: intermedia

d2: intermedia

a3: verso poppa

b3: verso lalto

c3: piccola

d3: grande

Fattori di disturbo
Angolo di
stacco

0
45

Altezza
di lancio

Posizione
seduto
Posiazione
in piedi

Forza
impressa

Persona
Persona
Persona
Persona

1
2
3
4

27

Il Progetto
3

2
1

C1 C2 C3

A1

5
A2

A3

D1
D3
D2
Sede di
Cremona

Sede di
Cremona

B1-Up
B2-Flat
B3-Down

28

Tabella delle prove


Fattori controllabili

C1

A1

A contrappeso
B flap
C larghezza ala
D inclinazione ala

Sede di
Cremona

Prove

Sede di
Cremona

B1-Up

B1-Up

D1
1
2
3
4
5
6
7
8
9

Peso
A
1
1
1
2
2
2
3
3
3

Fattori controllabili
Flap
Ala
B
C
1
1
2
2
3
3
1
2
2
3
3
1
1
3
2
1
3
2

Angolo
D
1
2
3
3
1
2
2
3
1

29

Tabella delle prove


Fattori di disturbo
Un lancio per ogni
livello di fattore di
disturbo
altezza di lancio
angolo di lancio

C1

A1

Sede di
Cremona

Sede di
Cremona

B1-Up

B1-Up

D1

1
seduto
0
d
b
c
a
d
b
c
a
d

Prove
2
3
seduto
piedi
45
0
a
b
c
d
b
a
d
c
a
b
c
d
b
a
d
c
a
b

4
piedi
45
c
a
d
b
c
a
d
b
c

30

Tabella delle prove


Risultati
ANOVA

Metodo Taguchi

= 81 aerei
4 prove
81 x 4 = 244 prove

Prove

34

9 aerei
4 prove
9 x 4 = 36 prove

1
2
3
4
5
6
7
8
9

Peso
A
1
1
1
2
2
2
3
3
3

Fattori controllabili
Flap
Ala
B
C
1
1
2
2
3
3
1
2
2
3
3
1
1
3
2
1
3
2

Angolo
D
1
2
3
3
1
2
2
3
1

1
seduto
0
d
b
c
a
d
b
c
a
d
3.09
2.91
2.64
3.49
3.31
3.92
2.50
2.45
3.09

Prove
2
3
seduto
piedi
45
0
a
b
c
d
b
a
d
c
a
b
c
d
b
a
d
c
a
b
3.33
3.84
3.14
3.92
2.72
2.92
2.41
3.25
3.41
3.93
6.08
5.24
3.41
3.64
3.94
3.31
4.97
4.32

4
piedi
45
c
a
d
b
c
a
d
b
c
4.07
2.86
2.99
3.66
3.76
4.83
3.21
4.15
4.98

31

Risultati
Analisi dei fattori di controllo
Param etro A

Param etro B

14.00

14.00

12.00

12.00

10.00

10.00

8.00

8.00

6.00

6.00

4.00

4.00

2.00

2.00

0.00

0.00
1
Media

3
Std.dev.

14.00

1
S/N

Param etro C

Media

2
Std.dev.

3
14.00

12.00

12.00

10.00

10.00

8.00

8.00

6.00

6.00

4.00

4.00

2.00

2.00

S/N

Param etro D

0.00

0.00
1
Media

2
Std.dev.

3
S/N

Media

3
Std.dev.

S/N

32

Risultati
Analisi dei fattori di disturbo
Sensibilit delle prestazioni al livello dellaltezza di lancio

B-Altezza

A-Altezza

C-Altezza

4.00

4.50

4.00

3.50

3.50

3.00

3.00

D-Altezza

4.50

4.50

4.00

4.00

3.50

3.50

3.00

3.00

2.50

2.50

2.50
2.50
2.00
2.00

2.00

2.00

1 .50

1 .50

1 .50
1 .50
1 .00

1 .00

1 .00

0.50

0.50

0.50

0.00

0.00

1 .00

0.50

0.00
Seduto

Seduto

P iedi

P iedi

0.00
Seduto

P iedi

Seduto

P iedi

33

Risultati
Curva di perdita

1
2
perdita = C scarto xscarto
2
x

250

Costo scarto
200

200

150

100

50

0
2.000

2.500
Aereo 1

3.000
Aereo 2

3.500
Aereo 3

4.000
Aereo 4

4.500
Aereo 5

5.000
Aereo 6

5.500
Aereo 7

6.000
Aereo 8

6.500
Distanza
Aereo 9

Scarto 3 m

34