Ingemar Sjöström: ”Dags att provocera!”

Med uttrycket ’provocera’ menas här att, som en allmänläkare när han knackar på ditt knä eller på andra ställen, få en tydlig reaktion. Då kallas det, lite mer elegant, för ’stimuli’.

Du kan i dina data, och via klagomål och garantiärenden, inse att du har en icke önskvärd variation hos någon viktig egenskap. Du har däremot svårigheter, kanske trots eller på grund av stora datamängder, att hitta tydliga samband, och testar du dessa på andra delar av data så faller slutsatserna som ett korthus. Du får skapa en massa undantag för att få ihop en teori som du ändå inte tror på.

Det betyder inte att dina data är falska, men de rymmer ofta en mängd intrasslade samband, processbyten, tidsberoende, definitionsbyten, etcetera som du har noll koll på.

Och anta att du vill utreda hur till exempel värme eller tid påverkar din process (båda kostar pengar och en minskning är välkommen). Men eftersom variationen i temperatur har hållits strikt, kan du inte få svar på vad en sänkning av temperaturen innebär – du behöver provocera.

Om du i stället provocerar din process som ett DoE (Design of Experiment, försöksplanering) får du förstaklassens svar med små datamängder (64 datarader anses vara mycket…).

Kunskap om hur man gör hittar du i mängder av läroböcker och det finns många datorprogram du kan använda.

Så många nivåer krävs

En grundläggande idé är att du måste ha (minst) två nivåer på de parametrar som ingår i ditt problem, annars går det inte att göra jämförelser. Anta att du vill undersöka hur tre parametrar påverkar ditt resultat. Då måste du ha totalt 2x2x2=8 mätningar, en bra utgångspunkt!

De två nivåerna (’låg’ respektive ’hög’) på en ingående parameter måste du bestämma och det var då professorn menade ’give it a good kick’. Alltså, i ett exempel med temperatur är att sänka respektive höja den mer än de nuvarande gränserna.

Om du hittar något intressant (eller ointressant!) i ditt resultat kanske du flyttar försöksområdet och gör ytterligare mätningar. Allt med avsikten att spara på krutet och resurserna och efter ett tag får du svar på dina frågor.

De matematiska, statistiska delarna är lättare att hantera jämfört med planeringen i övrigt.

Du kommer att mötas av ’Vad ska det va’ bra för?’, ’Varför ändra, så här har vi alltid gjort!’ eller som när du hittar något intressant eller oväntat, ’Det visste jag redan!’…

Men plötsligt, som att öppna den berömda flaskan, väller det fram önskemål om parametrar som måste ingå, som är väldigt viktiga, det är ingen hejd på hur komplicerat den minsta processteg kan vara!

Två exempel

Jag redovisar två exempel nedan, men man får inte tro att arbetssättet är avsett för tillverkningsprocesser. Du hittar till exempel tidsflöden som kan studeras på ovanstående sätt, flöden inom vård, transportflöden, mätproblem, dimensioneringsproblem, materialval, livslängdsproblem, användning av läkemedel, olika lösningar i ett datorprogram, etcetera.

Exempel 1. För många år sedan var jag inblandad i produktion av så kallade tryckta kretsar. Där ingick en applicering av isolationslack med hjälp av screentryckning. Ett problem var att lacken inte var tjock nog, gav för lite isolation. Vi ville provocera, vi ville göra ett DoE…

”Ingemar, du måste förstå att screentryckning är inte ett simpelt processteg utan en 5 000-årig konst!” (’Då borde man ha hunnit fixa problemen’, sade jag inte). Vi fick begränsa antal förslag till sex viktiga parametrar vilket då krävde 2x2x2x2x2x2=64 olika provtryckningar. (Till mitt försvar måste jag säga att vi vara unga och entusiastiska och hade inte läst kapitlet ’Reducera’. Det innebar att när man kommer upp i så stora mängder som 64 mätningar så borde man reducera modellen och kanske komma undan med t.ex. 16 mätningar utan att förlora information.)

Så vi samlades runt en maskin, ändrade alla inställningar samtidigt enligt en förbestämd plan. Tryckte, mätte tjocklekar, bokförde, övervakade, och mycket annat som behövs för att lyckas.

(Det första du kommer att inse är att du inte känner din process tillräckligt väl, du fumlar efter manualen som ingen vet var den finns. Kanske planen är att du ska ändra temperatur, flöden, hastigheter, med mera och du hittar inte spakarna… Städerskan säger ”det finns en kran under, den läcker och jag torkar dagligen bort det, trasan fräter bort.”)

Sedan började det spännande, vi matade in alla dataraderna och funderade på en modell med alla parametrar inblandade. Hm, vi fick plocka bort parameter efter parameter ur modellen, utskriften sade att de hade bara slumpmässigt inflytande och till slut kvarstod bara en parameter.

Det betydde ju inte att de andra var oviktiga för processen, men de provokationer vi introducerade gav inget utslag. Så vi insåg så småningom, efter att ha läst ’kapitlet ’Reducera’, att vi kunde ha kommit undan med bara 16 mätningar och landat i samma slutsats. Alltså: Läs på och börja enkelt!

Exempel 2. Detta exempel kommer från tillverkning av elektronikprylar (egentligen ’design’, ty tillverkningen skedde i främmande land). Varje tillverkad enhet behövde optimeras med hjälp av fyra parametrar och det fanns 120 sekunder för detta manuella jobb. Det är inte helt enkelt att optimera ett utfall med tre variabler (det visade sig att den fjärde inte behövdes men det fram gick inte förrän vi gjorde en ordentlig analys) och det var nog si och så med optimum.

En testingenjör och jag beslöt att vi skulle göra en DoE, en så kallad responsyteanalys. Han visste allt om hur vi skulle interagera med elektronikprylen och tillsammans skrev vi ett program som utförde optimeringen med hjälp av minsta-kvadrat-metoden och lite optimeringsalgoritmer. Plötsligt tog jobbet bara några sekunder och med ett tvärsäkert uttalande om att vi verkligen hittat optimum! (Kolla länken för ’responsyta’: https://io5jjq-ingemar-sj0str0m.shinyapps.io/respons/)

Provocera mera!

Du behöver alltså intressera dig mer för din process. För en tid, bortse ifrån allt ovidkommande som inte hjälper ditt kvalitetsarbete. Acceptera inte uttalande som ”…jag vet att Olle har vidtagit vissa åtgärder så vi kollar på nästa veckas utfall…” när ni stirrar på ett intetsägade excel-diagram. Ni väntar innerligt att nästa streck på diagrammet ska visa en positiv lutning (och även om det inträffar så vet ni inte varför).

Låt mig avslutningsvis provocera dig, käre kvalitetsarbetare. Via följande länk hittar du 32 rader mätresultat. De kommer från mätningar på en design för en kamera i en mobiltelefon. Data innehåller fem försöksparametrar (A–E), var och en på två nivåer, kodade som -1 och 1 samt en resultatskolumn. Det finns en modell som förklarar varje värde i resultatet. Hitta den!

Det finns ingen slumpterm, allt kan förklaras, alla samband är linjära.

Min gissning är att du aldrig hittar hemligheten även om du spenderar några timmar varje dag fram till semestern, såvida du inte börjar använda metoder som skissas ovan. Då får du jobbet gjort på några minuter. (http://www.ing-stat.se/kameradata.txt)

(Några andra länkar: http://ovn.ing-stat.se/doe/doe5.html, https://io5jjq-ingemar-sj0str0m.shinyapps.io/3Ddiag/, https://io5jjq-ingemar-sj0str0m.shinyapps.io/enkelreg/ )

Ingemar Sjöström