Design de Experimentos (DOE): Designs Fatoriais, Metodologia de Superfície de Resposta e Taguchi

Por que o OFAT falha e o DOE funciona

A abordagem de um fator por vez (OFAT) tem duas limitações sérias que a tornam um guia pouco confiável para a otimização de processos.

Primeiro, o OFAT não pode detectar interações. Uma interação ocorre quando o efeito de um fator na saída depende do nível de outro fator. Por exemplo, o efeito da temperatura em um rendimento químico pode ser positivo em baixa pressão, mas negativo em alta pressão. O OFAT, que mantém a pressão constante enquanto varia a temperatura, perderá completamente essa interação e chegará à conclusão errada sobre a configuração ideal de temperatura.

Segundo, o OFAT é estatisticamente ineficiente. Um design fatorial completo de dois níveis para cinco fatores (um design 2^5 com 32 execuções) estima os cinco efeitos principais, as dez interações de dois fatores e todas as interações de ordem superior simultaneamente, algo que exigiria centenas de execuções OFAT para aproximar.

Designs fatoriais de dois níveis

Os designs DOE mais usados na prática industrial são os designs fatoriais de dois níveis, nos quais cada fator é testado em dois níveis: um nível baixo e um nível alto:

Designs fatoriais completos (2^k): cada combinação possível de níveis de fator é incluída. Um fatorial completo de dois níveis com k fatores requer 2^k execuções experimentais. Os designs fatoriais completos fornecem estimativas não confundidas de todos os efeitos principais e todas as interações. São a escolha apropriada quando o número de fatores é pequeno (tipicamente quatro ou menos).

Designs fatoriais fracionários (2^(k-p)): uma fração cuidadosamente escolhida do fatorial completo. A redução no número de execuções tem como preço que alguns efeitos estão confundidos (com alias) entre si. Os designs fatoriais fracionários são construídos usando o conceito de resolução: designs de Resolução V confundem interações de dois fatores apenas com interações de três fatores (geralmente aceitável porque interações de três fatores são usualmente desprezíveis).

Designs Plackett-Burman: designs de triagem que identificam eficientemente os fatores mais importantes de um grande conjunto de candidatos usando o número mínimo de execuções. São usados nos estágios iniciais do desenvolvimento de processos para reduzir uma longa lista de fatores potenciais aos poucos vitais.

Efeitos principais, interações e gráficos de efeitos

O efeito principal de um fator é a mudança média na resposta quando o fator é movido do seu nível baixo para o seu nível alto, com média em todos os níveis de todos os outros fatores. Um efeito de interação é a mudança adicional na resposta causada pelo efeito combinado de dois ou mais fatores que não pode ser explicada pela soma de seus efeitos principais individuais.

Os gráficos de interação exibem a resposta em cada combinação de dois níveis de fator como duas linhas que se cruzam ou são paralelas: linhas paralelas indicam nenhuma interação; linhas que se cruzam ou quase se cruzam indicam uma interação significativa. A significância estatística dos efeitos é avaliada usando análise de variância (ANOVA).

Metodologia de superfície de resposta

Quando o objetivo é encontrar o valor ótimo de uma resposta em vez de simplesmente identificar quais fatores importam, uma superfície de resposta curva é frequentemente necessária e designs de dois níveis são insuficientes. A metodologia de superfície de resposta (RSM) usa designs que incluem pelo menos três níveis por fator para ajustar um modelo de segunda ordem (quadrático) que pode descrever curvatura e localizar ótimos:

Designs compostos centrais (CCD): o design RSM mais usado, combinando um design fatorial de dois níveis com pontos centrais e pontos axiais adicionais. Os CCDs podem ser executados sequencialmente: um experimento fatorial de triagem pode ser aumentado com pontos axiais se curvatura for detectada.

Designs Box-Behnken: um design de três níveis que evita as combinações extremas de cantos da porção fatorial de um CCD, tornando-os úteis quando combinações extremas de fatores são impraticáveis ou potencialmente prejudiciais ao equipamento.

Métodos Taguchi

Genichi Taguchi desenvolveu uma abordagem separada ao design experimental que enfatiza objetivos de engenharia sobre inferência estatística pura. O método Taguchi introduz dois conceitos que não fazem parte explícita do DOE fatorial clássico: a relação sinal-ruído (S/N) como métrica única para otimizar simultaneamente a média e minimizar a variação de uma resposta, e o conceito de design robusto, projetar produtos e processos de modo que seu desempenho seja insensível à variação incontrolável nas condições operacionais.

O design de parâmetros de Taguchi separa os fatores experimentais em fatores de controle (fatores cujos níveis podem ser definidos e mantidos na produção) e fatores de ruído (fatores que variam de forma incontrolável no uso em campo), depois seleciona configurações de fatores de controle que tornam a resposta robusta à variação nos fatores de ruído.

DOE no Six Sigma e DFSS

No framework DMAIC do Six Sigma, o DOE aparece principalmente nas fases de Analisar e Melhorar. Na fase de Analisar, um DOE de triagem é usado para identificar as poucas variáveis de processo vitais que têm um efeito estatisticamente significativo na característica de qualidade sendo melhorada. Na fase de Melhorar, um DOE de otimização é usado para encontrar as configurações de fatores que movem o Y para o seu valor-alvo e minimizam sua variação.

Erros comuns no design de experimentos

• Não replicar nem aleatorizar. A replicação é necessária para estimar o erro experimental puro e fornecer uma base para teste de significância estatística. A aleatorização da ordem das execuções é necessária para evitar vieses sistemáticos que confundam os efeitos dos fatores.
• Definir níveis de fatores muito próximos entre si. Se os níveis baixo e alto de um fator não são suficientemente diferentes, o efeito principal desse fator será pequeno mesmo que o fator seja importante em uma faixa mais ampla, e o experimento concluirá incorretamente que o fator não é significativo.
• Analisar um fatorial fracionário sem considerar a estrutura de alias. Antes de interpretar os resultados, o analista deve examinar a estrutura de alias e verificar que os efeitos significativos não estão confundidos com interações de dois fatores plausíveis.
• Otimizar uma resposta enquanto ignora outras. Os processos de manufatura quase sempre têm múltiplas respostas de saída que devem estar simultaneamente dentro da especificação. Otimizar uma única resposta enquanto ignora outras produz uma configuração de processo que otimiza uma característica de qualidade às custas de outras.

Perguntas frequentes

Qual é a diferença entre um design fatorial completo e um design fatorial fracionário?

Um design fatorial completo inclui cada combinação possível dos níveis de fator sendo estudados. Para designs de dois níveis, um fatorial completo com k fatores requer 2^k execuções experimentais e fornece estimativas não confundidas de todos os efeitos principais e todas as interações em cada ordem. Um design fatorial fracionário executa apenas uma fração do fatorial completo: um design 2^(k-p) executa 2^(k-p) experimentos em vez de 2^k. A redução vem ao custo de confundimento (aliasing): certos efeitos não podem ser estimados separadamente e são somados em uma única cadeia de alias. A resolução de um fatorial fracionário descreve quais efeitos estão confundidos: designs de Resolução V são geralmente aceitáveis para a maioria do trabalho de triagem industrial porque efeitos principais e interações de dois fatores não estão confundidos entre si. A escolha entre fatorial completo e fracionário depende do número de fatores, dos recursos experimentais disponíveis e se interações em todas as ordens devem ser estimadas independentemente.

O que é uma interação no DOE e por que ela importa?

Uma interação no DOE é uma condição onde o efeito de um fator na resposta de saída depende do nível de outro fator. Quando não há interação, o efeito do fator A é o mesmo independentemente de o fator B estar em seu nível baixo ou alto: os dois fatores agem independentemente e seus efeitos são aditivos. Quando há uma interação, o efeito de A no nível baixo de B é diferente do efeito de A no nível alto de B. As interações importam porque tornam os efeitos principais individuais potencialmente enganosos. Se temperatura e pressão interagem, a configuração de temperatura “ótima” depende de qual nível de pressão está sendo executado: não existe temperatura universalmente ótima que possa ser definida sem especificar a pressão. As interações são extremamente comuns em processos químicos e térmicos, em processos de montagem e em sistemas biológicos. A abordagem OFAT não pode detectar interações, que é uma das principais razões pelas quais é um guia pouco confiável para a otimização de processos.

O que é metodologia de superfície de resposta (RSM) e quando deve ser usada?

A metodologia de superfície de resposta (RSM) é uma coleção de técnicas estatísticas e matemáticas para modelar e otimizar uma resposta de processo ou produto que depende de várias variáveis contínuas. É usada quando o objetivo é encontrar a combinação de configurações de fatores que otimiza uma ou mais variáveis de resposta, e quando se espera que a relação entre os fatores e a resposta seja não linear (curva) na região de interesse. Designs fatoriais de dois níveis só podem detectar relações lineares; designs RSM adicionam um terceiro nível por fator para permitir a estimativa de curvatura e a identificação de ótimos. A RSM deve ser usada após um experimento de triagem ter identificado os fatores significativos e a região experimental ter sido reduzida à área de interesse. A abordagem sequencial — primeiro triar com um fatorial fracionário de Resolução IV ou V, depois otimizar com RSM nos fatores significativos — é mais eficiente do que começar diretamente com RSM em uma grande lista de fatores não triados.

O que são os métodos Taguchi e como diferem do DOE clássico?

Os métodos Taguchi são uma coleção de técnicas de design e análise experimental desenvolvidas por Genichi Taguchi que enfatizam objetivos de engenharia, particularmente o design de produtos e processos robustos, sobre a inferência estatística clássica. As principais diferenças do DOE clássico são: (1) Taguchi usa a relação sinal-ruído (S/N) como a principal métrica de análise, combinando a média e a variância da resposta em um único número para otimizar simultaneamente o desempenho e minimizar a variabilidade; (2) Taguchi separa explicitamente os fatores em fatores de controle (definidos no design ou processo) e fatores de ruído (fontes de variação incontrolável no uso em campo), e usa o framework de design de parâmetros para encontrar configurações de fatores de controle que tornam a resposta insensível à variação do fator de ruído; (3) Taguchi usa arranjos ortogonais predefinidos como estrutura experimental. Os conceitos de robustez e design de parâmetros de Taguchi foram amplamente adotados e integrados na prática moderna de design robusto.

Como o DOE é usado no processo DMAIC do Six Sigma?

O DOE é usado em dois pontos do processo DMAIC do Six Sigma. Na fase de Analisar, um DOE de triagem (tipicamente um fatorial fracionário de Resolução IV ou V) é usado para confirmar quais variáveis de entrada do processo (X) têm um efeito estatisticamente significativo na característica de qualidade sendo melhorada (Y). Isso move a análise do correlativo para o causal: um experimento controlado demonstra o efeito de cada fator sob condições onde outras fontes potenciais de variação são controladas ou aleatorizadas. Na fase de Melhorar, um DOE de otimização é usado para encontrar as configurações de fatores que movem Y para o seu valor-alvo e minimizam sua variação. O DOE de otimização também fornece o modelo de regressão que descreve a relação quantitativa entre os X significativos e Y, que se torna a base para definir a janela operacional do processo e os limites de controle na fase de Controlar.

O que é um ponto central em um design fatorial de dois níveis e o que ele testa?

Um ponto central é uma execução experimental no ponto médio do intervalo de cada fator simultaneamente: se o fator A corre nos níveis 100 e 200 na porção fatorial do design, o ponto central executa o fator A em 150. Adicionar pontos centrais a um design fatorial de dois níveis serve a dois propósitos. Primeiro, os pontos centrais fornecem uma estimativa do erro experimental puro que pode ser usada como o termo de erro no ANOVA mesmo quando o design fatorial não tem execuções replicadas. Segundo, os pontos centrais testam curvatura: se a resposta média nos pontos centrais é significativamente diferente da resposta média prevista pelo modelo de dois níveis (que só pode ajustar efeitos lineares), isso é evidência de que pelo menos um fator tem uma relação não linear com a resposta e um design de superfície de resposta com três ou mais níveis é necessário para caracterizar a curvatura. Os pontos centrais são tipicamente executados em 3 a 5 repetições, intercalados ao longo da ordem de execução do experimento para também servir como uma verificação da estabilidade do processo durante o experimento.