Pythonで理解するタグチメソッド

タグチメソッド ™ は難しい、と誤解されている。故田口玄一先生が日本で自ら普及の先頭に立たれたのは30年程前であるが、今でも開発現場で定着していない企業もある。電子写真業界では、1990年代からTMを積極的に導入し成果を出してきた。この業界で早くからTMが導入された背景は、製品の機能に帯電現象が利用されており、それが科学で未解明だからである。この現象を機能に応用した製品の開発がTMの導入で円滑に進み、ロバストの高い商品を市場に提供できるようになった。 　ところで、多くのTMのセミナーでは、それが統計手法とは異なるゆえに哲学から解説している。しかし、開発対象 (オブジェクト) のふるまいが基本機能の品質で左右される点に着目し、そのロバストを高める制御因子の水準について設計するプロセスがTMのモデルと理解できれば、そのアルゴリズムでプログラミングは容易にできる。そしてそのモデル化されたTMについて記述されたプログラムを学べば、TMの解析プロセスを理解できる。また、統計手法と異なるTMの哲学については、SN比の計算と実験計画法と異なる直交表の使い方について、アルゴリズムから学び取ることができる。 　本セミナーでは、TMで推奨される動特性のSN比を用いたL18実験モデルをプログラミングし、要因効果図の作成までを目標とするが、TMの全体像とPythonの概略も解説するので、両者の知識が無くても理解できる。 　ただし、Pythonが初めての受講者は受講前にパソコンへPythonの環境を構築する必要がある。その方法の解説をセミナーテキストの巻末に掲載しているので、それを活用して環境構築し、testプログラムでその動作を受講前に確認していただく。TMを基本機能と制御因子の組み合わせによるモデルベース開発 (MBD) 手法と捉えると、動特性のSN比を用いるモデルと静特性のSN比を用いるモデルに分かれる。今回はTMの哲学を理解しやすい動特性のモデルで解説するが、静特性のモデルについてはSN比計算プログラムを配布してその利用方法をセミナーで説明する。また、Pythonの文法説明ではTM実験解析プログラムコードを用いるので、TM実験の解析をプログラムコードで理解できる。

1. 技術開発を担当する新入社員
2. 技術系中堅社員
   セミナーで得られる知識
3. タグチメソッド
4. コンピューターを用いる問題解決法
5. Pythonプログラミングの応用 ※ 適宜休憩が入ります。
6. Python概論
   1. プログラミング言語概論
   2. Pythonの全体像
   3. 基本用語
   4. 基本文法 (データ構造を中心に)
   5. pandas等の使用法
7. わかりやすいタグチメソッド ™
   1. 科学と技術
   2. データサイエンス
   3. 科学とデータサイエンス
   4. 技術開発における問題解決法
   5. TMとQC手法
      1. TMの狙う品質
      2. TMと実験計画法の違い
      3. 統計手法の復習
      4. 分散分析
   6. タグチメソッドの全体像
      1. 損失関数
      2. ロバスト設計
      3. 世界初のロバスト設計
   7. SN比の種類
      (Pythonプログラム配布)
   8. ロバスト設計のフロー
8. TM実験解析
   1. TM モデルの全体像
   2. 動特性のSN比事例研究
   3. 事例研究で用いたプログラム解説
9. まとめ

参考資料

1. Pythonの導入準備
   1. 要求マシンスペック
   2. 事前学習にお勧めのサイト
2. 開発環境の準備