Pythonによるタグチメソッド実験解析とその応用　～デモ付～　＜オンラインセミナー＞

講師の言葉

　タグチメソッド（TM）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、今でも開発現場に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 が導入された背景には、トランスサイエンス現象がある。すなわち、製品の基本機能に帯電現象が利用されており、それが科学で未解明であり、科学で答えを出せないからである。トランスサイエンスの製品機能を開発する時に TMを導入して円滑に進み、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、TM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について設計するプロセスが TM モデルと理解できれば、そのアルゴリズムでプログラムを容易に作成できる。そのモデル化された TM の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 哲学については、SN 比の計算方法と実験計画法と異なる直交表の使い方について説明するので、プログラムの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描くことを目標とする。
　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。
　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。

タグチメソッドでPythonを利用するメリット
 　1．どのようなタグチメソッドの実験を行ったのか、それがそのまま保存された状態になっている。
　２．埋め込まれたデータを流用して他の解析に回すことができる。
この2点は、エクセルでは実現できません。

一回一回の実験でプログラムを作らねばなりませんが、オブジェクト指向のPythonであれば、構造化が可能なためプログラム作成時間はエクセルに数式を埋め込むより短時間にできます。