Return to search

Experiments and Capability Analysis in Process Industry / Experiment och duglighetanalys i processindustrin

The existence of variation has been a major problem in industry since the industrial revolution. Hence, many organizations try to find strategies to master and reduce the variation. Statistical analysis, such as process capability analysis and Design of Experiments (DoE), often plays an important role in such a strategy. Process capability analysis can determine how the process performs relative to its requirements or specifications, where an important part is the use of process capability indices. DoE includes powerful methods, such as factorial designs, which helps experimenters to maximize the information output from conducted experiments and minimize the experimental work required to reach statistically significant results.Continuous processes, frequently found in the process industry, highlight special issues that are typically not addressed in the DoE literature, for example, autocorrelation and dynamics. The overall purpose of this research is to contribute to an increased knowledge of analyzing DoE and capability in process industry, which is achieved through simulations and case studies of real industrial processes. This research focus on developing analysis procedures adapted for experiments and comparing decision methods for capability analysis in process industry.The results of this research are presented in three appended papers. Paper A shows how the use of a two-level factorial experiment can be used to identifying factors that affect the depth and variation of the oscillation mark that arises from the steel casting process. Four factors were studied; stroke length of the mold, oscillation frequency, motion pattern of the mold (sinus factor), and casting speed. The ANOVA analysis turned out to be problematic because of a non- orthogonal experimental design due to loss of experimental runs. Nevertheless, no earlier studies where found that shows how the sinus factor is changed in combination with the oscillation frequency so that the interaction effect could be studied. Paper B develops a method to analyze factorial experiments, affected by process interruptions and loss of experimental runs, by using time series analysis. Paper C compares four different methods for capability analysis, when data are autocorrelated, through simulations and case study of a real industrial process. In summary, it is hard to recommend one single method that works well in all situations. However, two methods appeared to be better than the others. Keywords: Process industry, Continuous processes, Autocorrelation, Design of Experiments, Process capability, Time series analysis. / Förekomsten av variation i tillverkningsprocesser har varit ett problem redan sedan den industriella revolutionen. Därför har många organisationer försökt hitta en strategi för att hantera och reducera variationen. Statistiska metoder som duglighetsanalys och försöksplanering spelar ofta en viktig roll i dessa sammanhang. Duglighetsanalys bedömer hur processen presterar i relation till dess krav eller specifikationer, där en viktig del är användningen av duglighetsindex. Försöksplanering omfattar kraftfulla metoder, exempelvis faktorförsök, för att hjälpa den som utför experiment att maximera informationsutbytet vid experiment och samtidigt minimera de resurser som krävs för att nå statistiskt säkerställda resultat.Kontinuerliga processer, vilka är frekvent förekommande i processindustrin, ger upphov till speciella problem vid experiment som normalt inte behandlas i litteraturen, exempelvis autokorrelation och dynamik. Det övergripande syftet med forskningen i denna avhandling är att bidra till en ökad kunskap om analysen av försöksplanering och duglighet i process industri, vilket uppnås genom simuleringar och fallstudier av verkliga industriella processer.Denna forskning fokuserar på att föreslå och utveckla analysmetoder anpassade för experiment samt att jämföra olika beslutsmetoder för duglighetsanalys i industriella processer.Resultaten av forskningen presenteras i tre bifogade artiklar. Artikel A visar hur ett två-nivåers faktorförsök kan användas för att identifiera de faktorer som påverkar oscillationsmärkesdjupet som uppstår från stålstränggjutnings¬processen. Fyra faktorer studerades; slaglängden av gjutform, svängnings¬frekvensen, rörelsemönstret av gjutform (sinusfaktor) och gjuthastigheten. ANOVA analys visade sig vara problematiskt eftersom försöksdesignen inte var ortogonala på grund av förlorade försöksomgångar. Trots det har inga tidigare studier hittats som visar hur sinusfaktorn ändras i kombination med svängnings¬frekvensen så att samspelseffekten kan studeras. Artikel B utvecklar en metod för att analysera faktorförsök, påverkat av processavbrott och förlust av experimentomgångar, baserat på tidsserieanalys. Artikel C jämför fyra olika metoder för duglighetsanalys, när data är autokorrelerad, genom simuleringar och fallstudie av en faktisk industriell process. Sammanfattningsvis är det svårt att rekommendera en metod som fungerar bra i alla situationer. Resultaten pekar på att två metoder är bättre än de andra.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:ltu-17276
Date January 2012
CreatorsLundkvist, Peder
PublisherLuleå tekniska universitet, Industriell Ekonomi, Luleå
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageSwedish
TypeLicentiate thesis, comprehensive summary, info:eu-repo/semantics/masterThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess
RelationLicentiate thesis / Luleå University of Technology, 1402-1757 ;

Page generated in 0.0189 seconds