Injection Molding DOE: Design of Experiments Guide

射出成形におけるDOE（実験計画法）とは何ですか？

射出成形における実験計画法（DOE）は、このセクションで説明する機能、制約、トレードオフによって定義されます。射出成形のオプションを比較する読者向けに、この記事では以下の点を結び付けます。 射出成形金型¹, プラスチック² 材料の挙動、サプライヤー評価、および品質管理の判断は、プロジェクトが設計から繰り返し可能な生産に移行できるかどうかを決定します。

For broader context, compare this topic with supplier sourcing guide.

実験計画法（射出成形³）は、一度に1つの変数だけを変更するのではなく、複数の射出成形パラメータを同時にテストできる統計的手法です。金型温度、保圧、冷却時間を3日間かけて調整した結果、結局元に戻ってしまった経験があるなら、DOEはそのサイクルを止めるツールです。

射出成形において、DOEは特定の疑問に答えます：どの機械設定の組み合わせが、最短のサイクルタイムで最高の成形品品質をもたらすか？推測する代わりに、構造化された実験マトリックスを設定し、結果を測定し、データに何が重要で何が重要でないかを示させます。

その見返りは確かなものです。適切に実行されたDOEにより、認定時間を数週間から数日に短縮し、検証中の不良品を減らし、品質チームに引き渡せる確固たるプロセスウィンドウを得ることができます。自動車部品や医療部品では、DOEの結果は射出成形プロセス文書の必須部分となることがよくあります。

なぜ射出成形プロセス最適化にDOEが重要なのですか？

このセクションは、射出成形プロセス最適化におけるDOEの重要性と、コスト、品質、タイミング、調達リスクへの影響についてです。射出成形には、部品品質に影響を与える少なくとも6つの相互作用するパラメータがあります：溶融温度、金型温度、射出速度、保圧圧力、保圧時間、冷却時間です。1つを変更すると、他のパラメータは必ずしも明らかではない形で変化します。それらを1つずつ最適化する場合（射出成形）、相互作用を見逃します―そして相互作用こそが真の問題が潜む場所です。

一般的なシナリオを考えてみましょう：シンクマークを修正するために保圧を上げたが、冷却時間を調整しなかったため、成形品が金型に付着してしまった。DOEでは両方の因子を同時にテストし、一連の実験でトレードオフを示すことができます。データは単一の設定値ではなく、プロセスマップを提供します。

DOEはまた、OFAT（1因子ずつ）では決して得られないものを提供します：どのパラメータが最も重要かを定量化してランク付けします。主効果プロットと交互作用プロットから、例えば、溶融温度が寸法変動の45％を占め、冷却時間が12％を占めることがわかります。これは、技術チームと顧客にとって実行可能な情報です。

射出成形で使用される主なDOE手法は何ですか？

3つのDOEアプローチで、射出成形アプリケーションの95％をカバーできます。それぞれ詳細さと速度のトレードオフが異なり、適切な選択は調査する因子の数と利用可能な時間によって決まります。

全因子DOE

全因子計画は、すべての因子のすべての水準の組み合わせをテストします。2水準で4因子の場合、2⁴ = 16回の実験です。3水準の場合、3⁴ = 81回の実験です。全因子計画はすべての交互作用を捉えるためゴールドスタンダードですが、5因子を超えると非現実的になります。最終的な最適化段階にあり、すでに3〜4つの主要パラメータに絞り込んでいる場合に使用します。

タグチメソッドDOE

タグチ計画は直交表を使用し、全組み合わせの一部をテストしながら主効果を捉えます。L8直交表では、2水準で最大7因子をわずか8回の実験で扱えます。L16直交表では、2水準で最大15因子を16回の実験で扱えます。トレードオフ：いくつかの交互作用情報が失われます。タグチDOEは、多くの候補因子があり、重要な因子を迅速に見つける必要があるスクリーニング段階に最適です。

一部実施要因計画DOE

一部実施要因計画は中間的な手法です。全因子マトリックスの注意深く選択されたサブセットをテストし、最も重要な交互作用を保持しながら、実際にはほとんど重要でない高次の交互作用をスキップします。2⁴計画の半実施では、16回の代わりに8回の実験で済みますが、2因子間交互作用を推定できます。これはほとんどの射出成形DOEで主力となる手法です。

射出成形のためのDOEはどのように設定しますか？

適切な設定なしでDOEを実行することは、実行しないことよりも悪い結果をもたらします。科学的に見えるが誤った結論に導く数字を得ることになります。実践で機能するステップバイステップのプロセスを以下に示します。

ステップ1：応答変数の定義

何を測定しますか？具体的に。「品質向上」は応答変数ではありません。「X軸方向の収縮率、±0.05mmで測定」は応答変数です。射出成形における一般的な応答変数には、成形品重量、寸法偏差、反り、シンクマーク深さ、サイクルタイムがあります。主要な応答を1つ、補助的な応答は最大2つ選択してください。

ステップ2: 因子と水準を選択する

あなたの技術知識に基づいて、応答に最も影響を与える可能性の高い3〜6つの因子を選択してください。各因子について、現実的な範囲を表す2つの水準（低と高）を設定します。範囲を広げすぎると、成形不良が発生します。狭すぎると、効果が確認できません。良い経験則：現在の生産設定値の±10〜15％を範囲として使用します。

ステップ3: DOE配列を選択し、実験を実行する

因子数と水準数を適切な直交表または要因計画に合わせます。可能であれば実行順序をランダム化します―これにより機械のドリフトによる結果の偏りを防ぎます。各実行を細心の注意を払って記録します：実際の機械設定、環境条件、金型温度、およびすべての観察事項。

ステップ4：結果の分析

主効果（各因子が応答に与える影響）と交互作用効果（因子の組み合わせが応答に与える影響）をプロットします。 射出成形 （分散分析）を使用して、統計的に有意な因子を決定します（通常はp < 0.05）。出力結果は、最適化すべき因子と無視しても安全な因子を示します。

DOEでテストすべき射出成形の主要パラメータは何ですか？

DOEでテストすべき主要な射出成形パラメータは、このセクションで説明する主要なカテゴリまたはオプションです。すべてのパラメータがDOEに属するわけではありません。選択する因子は、機械上で実際に制御可能であり、応答変数と物理的に妥当な関係を持つものであるべきです。以下は、公開された研究および当社の生産データにおいて有意となる頻度でランク付けされた、最も一般的な6つの因子です。

ZetarMoldでの経験では、ほとんどの部品において寸法変動の大部分は溶融温度と保圧圧力によるものです。冷却時間は3番目に一般的な重要な因子であり、特に肉厚が不均一な部品で顕著です。射出速度は、薄肉部品やPC、ガラス充填ナイロンなどの加工窓が狭い材料で最も重要です。

DOEはプロセスバリデーション（IQ/OQ/PQ）をどのようにサポートするか？

DOEは、金型設計の自由度、再現性のあるプロセス制御、材料選択を組み合わせるため、プロセスバリデーション（IQ/OQ/PQ）の強力なサポートとなります。自動車や医療機器の顧客に部品を供給する場合、プロセスバリデーションは必須です。射出成形の枠組みでは、プロセスが安定かつ能力があることを証明する必要があり、DOEはOQ（運転適格性評価）を実際に機能させるツールです。

IQ（設置適格性評価）では、機械が正しく設置され、仕様を満たしていることを確認します。OQでは、プロセスがその操作ウィンドウ全体で許容可能な部品を生産できることを実証する必要があります。ここでDOEが真価を発揮します。実験行列を実行し、最適設定を確立し、プロセス限界を文書化します。DOEの出力は、単に一度うまくいった設定を見つけたというだけでなく、プロセスを理解していることの証拠となります。

PQ（性能適格性評価）では、DOEで最適化された設定で生産バッチを実行し、長期安定性を確認します。DOEを正しく行っていれば、PQは初回で合格するはずです。なぜなら、プロセスウィンドウと各パラメータの感度をすでに把握しているからです。DOEなしでは、PQは結果が予測できない高価な試行錯誤の連続になりがちです。

射出成形DOEにはどのようなソフトウェアツールが使用されますか？

このセクションは、射出成形DOEに使用されるソフトウェアツールと、それがコスト、品質、タイミング、または調達リスクに与える影響についてです。単純なタグチDOEはExcelで分析できますが、専用ソフトウェアは時間を節約し、ミスを減らします。Minitabは製造業界の標準であり、DOE計画、ANOVA、出版品質のプロット作成を扱います。JMP（SAS製）はインタラクティブな可視化機能で自動車・航空宇宙業界で人気です。予算を重視するチームには、RやPython（statsmodels、pyDOE2）が無料のDOE機能を提供しますが、学習曲線は急峻です。

MoldflowやMoldex3Dなどのシミュレーションソフトウェアも、仮想的にDOEに似たデータを生成できます。シミュレーターにパラメータ行列を設定し、実際の材料や機械時間を消費せずに予測結果を得られます。仮想DOEは、物理的なDOEを実行する前に因子の範囲を絞り込むのに優れていますが、材料バッチ、金型摩耗、環境条件などの実世界の変動を捉えないため、物理的な検証を完全に置き換えるべきではありません。

射出成形における一般的なDOEミスとは何ですか？

射出成形における一般的なDOEミスは、このセクションで説明される主なカテゴリーまたはオプションです。数百件に及ぶDOEを数十回実施した後、 射出成形金型設計 プロジェクトにおいて、同じミスが繰り返し発生します。以下は、それらが引き起こす損害の大きさに基づいてランク付けされた上位5つです。

失敗例1：因子が多すぎる

エンジニアは考えられる全てのパラメータを含めたいと考えがちです。10因子のDOEでは、2水準の完全実施要因計画で1,024回の運転が必要です。分数計画であっても、6〜7因子を超えると分析が雑音に埋もれ、結果の解釈が困難になります。まずスクリーニングDOE（タグチL8またはプラケット・バーマン）を使用し、その後実際に重要な3〜4因子に焦点を絞った最適化DOEを実施してください。

ミス2：機械のウォームアップとドリフトの無視

射出成形機は瞬時に安定するわけではありません。シリンダーと金型が熱平衡に達する前にDOE運転を開始すると、最初の数回の運転は外れ値となり、分析全体を歪めてしまいます。実験計画を開始する前に、常に10〜15ショットのウォームアップ運転を行い、シリンダー温度、金型温度、製品重量が安定していることを確認してください。

ミス3：ランダム化された運転順序の未実施

Running the DOE matrix in standard order means factor levels change systematically, which confounds factor effects with any time-dependent drift. If the machine slowly warms up over the experiment, standard order will attribute that drift to whichever factor happens to be increasing. Randomization is the simplest defense against this.

射出成形のDOE結果はどのように読み取りますか？

A DOE report is useless if you can’t interpret it. Here’s what the key outputs mean and how to act on them.

Main Effects Plot

This shows the average response at each level of each factor. A steep line means that factor has a strong effect. A flat line means it doesn’t matter. Look for the factors with the steepest slopes—those are your process levers. The sign of the slope tells you the direction: positive slope means increasing the factor increases the response.

Interaction Plot

Two lines that are parallel = no interaction. Two lines that cross or diverge = interaction. Interactions mean the effect of one factor depends on the level of another. In injection molding, melt temperature × packing pressure and cooling time × mold temperature are the most common significant interactions. If you ignore interactions, you’ll optimize the wrong parameter.

ANOVA Table

The ANOVA table gives you the statistical evidence. The p-value for each factor tells you whether its effect is statistically significant (p < 0.05 is the standard threshold). The R² value tells you how much of the total variation your model explains. An R² above 0.85 means your DOE captured most of the important factors. Below 0.60 means you’re missing something.

DOEを実行すべき場合と、試行錯誤が許容される場合は？

This section is about run a doe vs. when is trial-and-error acceptable and its impact on cost, quality, timing, or sourcing risk. Not every molding problem needs a DOE. If you’re running a single-cavity mold with a well-known material and the part is a simple geometry, experienced process engineers can dial in the machine in 30 minutes without a formal DOE. Trial-and-error (or more precisely, engineering judgment) is fine when the stakes are low and the process window is wide.

DOE becomes necessary when any of these conditions apply: tight tolerances (±0.05mm or less), multi-cavity molds where cavity-to-cavity balance matters, medical or automotive parts requiring formal process validation, new materials or unfamiliar mold designs, or persistent defects that resisted earlier troubleshooting. In these cases, the cost of a DOE (typically 1–2 days of machine time and engineering effort) is far less than the cost of failed validation, production scrap, or customer charge-backs.

DOEは実際にどのように機能するか？ガラス充填ナイロンブラケットのケーススタディ

This section is about es doe work in practice? a glass-filled nylon bracket case study and its impact on cost, quality, timing, or sourcing risk. Here’s a real example from our production floor. A customer needed a PA66-GF30 bracket with a critical hole diameter tolerance of ±0.03mm. Initial sampling showed diameter variation of ±0.08mm—nearly three times the tolerance. The part was failing dimensional inspection on 40% of samples.

We set up a Taguchi L8 DOE with four factors at two levels: melt temperature (270°C/290°C), packing pressure (60/80 MPa), packing time (3s/5s), and cooling time (15s/20s). The response variable was hole diameter measured on a CMM. Eight runs, each producing 15 measured parts, completed in one afternoon.

Results: melt temperature accounted for 52% of variation, packing pressure for 28%, and cooling time for 12%. Packing time was not statistically significant (p = 0.34). The optimal settings—290°C melt, 75 MPa packing, 18s cooling—reduced diameter variation to ±0.025mm. First-pass yield went from 60% to 97%. Total DOE cost: one day of machine time and two hours of engineering analysis.

よくある質問

What is the minimum number of DOE runs needed for injection molding?

For a screening DOE with 4–7 factors, a Taguchi L8 array requires just 8 runs total, making it one of the most efficient experimental designs available. For full optimization with 3–4 factors at two levels, a 2-level full factorial needs 8–16 runs. The key is choosing the right design for your objective: screening studies use fewer runs to identify which factors matter most, while optimization studies use more runs but deliver detailed interaction data and a precise process window for production.

Can DOE be used for multi-cavity mold balancing?

Yes, multi-cavity mold balancing is one of the most valuable DOE applications in injection molding production environments. You can set cavity-to-cavity dimensional variation as the response variable and test factors like injection speed, packing pressure, and mold temperature to systematically minimize imbalance. This structured experimental approach is critical for achieving consistent quality across all cavities, especially in 8-, 16-, or 32-cavity production molds where even small dimensional imbalances create significant yield losses over large production volumes and long production runs.

How long does a typical injection molding DOE take?

A typical DOE with 8–16 experimental runs takes 4–8 hours of machine time, plus 1–2 hours for initial setup and 2–4 hours for data analysis and report generation after the runs. Most DOEs at our facility are completed within one working day from start to finish. The main bottleneck is usually not the runs themselves but the measurement step—CMM or optical inspection of parts from each run can take longer than the actual molding process, especially for tight-tolerance parts with multiple critical measurement points that each require careful fixturing.

What is the difference between DOE and scientific molding?

Scientific molding is a broader manufacturing philosophy that uses data-driven methods to understand and control the entire injection molding process from fill to pack to cool. DOE is one of the primary statistical tools within scientific molding, but the methodology also includes cavity pressure monitoring, decoupled molding strategies, and systematic process documentation with traceable records. In practice, scientific molding defines the overall approach to process control, while DOE provides the specific experimental framework for generating the quantitative data that scientific molding decisions rely on.

Should I use DOE for every new injection molding project?

Not necessarily. For simple parts with wide tolerances and familiar materials that your team has processed many times before, experienced process engineers can set parameters efficiently without a formal DOE study. Reserve DOE for tight-tolerance parts with critical dimensions, new or unfamiliar materials, multi-cavity molds where cavity balance is critical, or components requiring formal process validation for automotive or medical customers. The return on investment from a properly executed DOE increases significantly with part complexity, quality requirements, and overall production volume over the life of the tool.

What happens if my DOE results have a low R-squared value?

A low R-squared value below 0.60 means your model is not explaining most of the total variation in your response variable, which is a useful diagnostic signal. Common causes include missing an important factor that you didn’t include in the study, setting factor ranges too narrow to produce measurable effects, excessive measurement noise in your inspection process, or an uncontrolled variable like mold temperature fluctuation that varies between experimental runs. The solution is to systematically add the missing factor or widen the ranges and re-run the experiment.

Can simulation replace physical DOE in injection molding?

Simulation software like Moldflow or Moldex3D can run virtual DOEs to narrow down factor ranges and identify likely significant parameters before physical trials, which substantially reduces the number of real runs needed. However, simulation cannot fully replace physical DOE because it doesn’t account for real-world variation in material batches, machine calibration drift, mold wear patterns, or ambient humidity and temperature conditions. The recommended best practice is using virtual DOE as a screening tool followed by targeted physical validation runs to confirm the simulation predictions.

結論

DOE transforms injection molding from a trial-and-error craft into a data-driven engineering discipline. Whether you’re running a quick Taguchi screening with 8 runs or a full factorial optimization with 32, the methodology gives you something gut-feel never will: quantified evidence of which parameters matter, how they interact, and what your optimal process window looks like.

For automotive and medical parts, DOE isn’t optional—it’s part of your process validation package. But even for commercial parts, the ROI is compelling: fewer iterations during sampling, higher first-pass yields, and a documented process you can reproduce consistently. If you’re still dialing in molds by changing one parameter at a time, you’re leaving time and money on the table.

Need help running a DOE for your next injection molding project? reach out to our engineering team — our engineering team has 20+ years of experience in scientific molding and process optimization across 400+ materials. We’ll set up the DOE, run the experiments, and deliver a fully documented process qualification package.

1. injection mold: injection mold refers to an injection mold is the precision tool that defines part geometry, cooling behavior, ejection, gating, surface finish, and repeatability. ↩

2. plastic: Plastic is a material family whose flow, shrinkage, strength, heat resistance, cosmetic quality, cycle time, and long-term performance shape molding decisions. ↩

3. injection molding: injection molding refers to is the production process that melts plastic, injects it into a mold cavity, cools the part, and repeats the cycle for stable volume manufacturing. ↩