Design of Experiments (DoE) – statistische Versuchsplanung

Mit wenigen, gezielt geplanten Versuchen Einflussgrößen erkennen, Wechselwirkungen aufdecken und Prozesse optimieren.

Wer Prozesse oder Produkte verbessern will, steht oft vor derselben Frage: Welche Stellgrößen wirken wirklich – und wie stark? Design of Experiments (DoE), auf Deutsch statistische Versuchsplanung, liefert darauf eine belastbare Antwort. Statt Faktoren einzeln und nach Gefühl zu variieren, plant DoE Versuche systematisch, sodass sich mit möglichst wenigen Läufen die entscheidenden Einflussgrößen, ihre Wechselwirkungen und optimale Einstellungen erkennen lassen.

Was DoE leistet – und warum "ein Faktor nach dem anderen" scheitert

Beim klassischen Vorgehen "One Factor at a Time" (OFAT) wird jeweils nur eine Einflussgröße verändert, während alle anderen konstant bleiben. Das ist aufwendig und übersieht systematisch Wechselwirkungen zwischen Faktoren – also Fälle, in denen die Wirkung eines Faktors davon abhängt, wie ein anderer eingestellt ist. DoE dagegen variiert mehrere Faktoren gleichzeitig nach einem statistisch durchdachten Plan. Der Nutzen:

• Weniger Versuche bei gleichzeitig höherem Informationsgehalt
• Trennung von Haupteffekten und Wechselwirkungen
• Quantifizierung, welche Faktoren signifikant sind und welche nicht
• Ein mathematisches Modell des Prozesses als Basis für Optimierung und Robustheit

Grundbegriffe der Versuchsplanung

Ein DoE arbeitet mit klar definierten Bausteinen. Faktoren sind die einstellbaren Einflussgrößen (z. B. Temperatur, Druck, Konzentration), ihre Stufen (Levels) die konkreten Werte, die getestet werden. Die Zielgröße (Response) ist das Ergebnis, das optimiert werden soll – etwa Festigkeit, Ausbeute oder Fehlerrate. Wichtig sind zudem Wechselwirkungen sowie das Prinzip der Randomisierung und Wiederholung, um Störeinflüsse und Streuung sauber vom eigentlichen Effekt zu trennen.

Die wichtigsten Versuchsplantypen

Screening-Pläne

Zu Beginn steht oft die Frage, welche von vielen möglichen Faktoren überhaupt relevant sind. Screening-Designs wie Plackett-Burman-Pläne oder stark reduzierte teilfaktorielle Pläne identifizieren mit sehr wenigen Versuchen die wesentlichen Einflussgrößen ("Vital Few") und schließen unwichtige aus.

Vollfaktorielle Pläne

Ein vollfaktorieller Plan testet alle Kombinationen der Faktorstufen. Bei zwei Stufen und k Faktoren ergeben sich 2^k Versuche. Er liefert das vollständige Bild aller Haupteffekte und Wechselwirkungen und eignet sich besonders bei wenigen Faktoren. Nachteil: Die Versuchszahl wächst exponentiell mit der Anzahl der Faktoren.

Teilfaktorielle (fraktionelle) Pläne

Bei vielen Faktoren reduzieren teilfaktorielle Pläne den Aufwand, indem nur ein systematisch gewählter Bruchteil der Kombinationen geprüft wird. Der Preis dafür sind Vermengungen (Alias-Effekte): Bestimmte Effekte lassen sich nicht mehr eindeutig trennen. Eine bewusste Wahl der Auflösung (Resolution) ist deshalb entscheidend.

Response Surface Methodology (RSM)

Für die Feinoptimierung im Bereich des Optimums kommen Response-Surface-Designs zum Einsatz, etwa das Central Composite Design (CCD) oder das Box-Behnken-Design. Sie erfassen auch nichtlineare (quadratische) Zusammenhänge und ermöglichen die Modellierung einer Wirkungsfläche, auf der sich das Prozessoptimum präzise bestimmen lässt.

Taguchi- und Shainin-Ansätze

Die Taguchi-Methode zielt auf robuste Prozesse und Produkte, die unempfindlich gegenüber nicht steuerbaren Störgrößen sind, und nutzt dafür standardisierte orthogonale Felder. Die Shainin-Werkzeuge verfolgen einen stärker problemorientierten, schrittweisen Ansatz zur Ursachensuche. Beide ergänzen das klassische, faktorielle DoE je nach Aufgabenstellung.

Ablauf eines DoE-Projekts

• Zieldefinition: Zielgröße und messbares Kriterium festlegen
• Faktoren und Stufen bestimmen: relevante Einflussgrößen und ihren Einstellbereich auswählen
• Versuchsplan wählen: passend zu Zielsetzung, Faktorzahl und verfügbaren Ressourcen
• Versuche durchführen: randomisiert und mit definierter Wiederholung
• Auswerten: mit statistischen Verfahren wie ANOVA und Regression
• Optimieren und absichern: beste Einstellung bestimmen und durch Bestätigungsversuche verifizieren

Typische Einsatzfelder

DoE ist branchenübergreifend etabliert – von der Automobil-, Elektronik-, Chemie- und Lebensmittelindustrie bis zur Pharmazie und Verfahrenstechnik. Im Rahmen von Six Sigma ist die Versuchsplanung ein zentrales Werkzeug der Improve-Phase. Typische Ziele sind höhere Ausbeuten, geringere Streuung, weniger Ausschuss sowie robuste, störunempfindliche Prozesse.

Wie der VQB unterstützt

Der VQB begleitet kleine und mittlere Unternehmen dabei, DoE praxisnah einzuführen – von der Auswahl des passenden Versuchsplans über die statistisch korrekte Auswertung bis zur Absicherung der Ergebnisse. Wir vermitteln die Methodik verständlich, verbinden sie mit Ihren Qualitäts- und Managementzielen und sorgen dafür, dass Erkenntnisse dauerhaft in Ihre Prozesse übergehen. So werden aus Versuchen belastbare, wirtschaftlich nutzbare Entscheidungen.