Injection Molding DOE: Design of Experiments Guide

What Is DOE (Design of Experiments) in Injection Molding?

사출 성형의 DOE(실험 계획법)는 이 절에서 설명하는 기능, 제약 조건 및 절충안으로 정의됩니다. 사출 성형 옵션을 비교하는 독자들을 위해, 이 글은 사출 금형¹, 플라스틱² 재료 행동, 공급업체 평가, 그리고 프로젝트가 설계에서 반복 가능한 생산으로 이동할 수 있는지를 결정하는 품질 관리 결정.

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

Design of Experiments (사출 성형³)는 한 번에 하나의 변수만 변경하는 대신 여러 사출 성형 매개변수를 동시에 테스트할 수 있게 해주는 통계적 방법입니다. 금형 온도를 조정하고, 이어서 보압을, 그 다음 냉각 시간을 조정하는 데 3일을 소비한 끝에 결국 처음으로 돌아온 경험이 있다면, DOE는 그런 순환을 멈추게 해주는 도구입니다.

사출 성형에서 DOE는 특정 질문에 답합니다: 어떤 기계 설정 조합이 가장 짧은 사이클 시간으로 최고의 부품 품질을 제공하는가? 추측하는 대신 구조화된 실험 실행 매트릭스를 설정하고 결과를 측정하며 데이터가 무엇이 중요하고 중요하지 않은지 알려주도록 합니다.

The payoff is real. A well-executed DOE can cut your qualification time from weeks to days, reduce scrap during validation, and give you a defensible process window you can hand to your quality team. For automotive and medical parts, DOE results are often a required part of your injection molding process documentation.

Why Does DOE Matter for Injection Molding Process Optimization?

이 섹션은 사출 성형 공정 최적화를 위한 DOE의 중요성과 비용, 품질, 시기 또는 조달 리스크에 미치는 영향에 관한 것입니다. 사출 성형에는 부품 품질에 영향을 미치는 상호작용하는 최소 6개의 매개변수가 있습니다: 용융 온도, 금형 온도, 사출 속도, 패킹 압력, 패킹 시간, 냉각 시간입니다. 하나를 변경하면 다른 것들이 항상 명확하지 않은 방식으로 변합니다. 하나씩 최적화한다면(사출 성형), you miss interactions—and interactions are where the real problems live.

일반적인 시나리오를 생각해 보세요: 싱크 마크를 수정하기 위해 보압을 높였지만, 냉각 시간을 조정하지 않아 부품이 금형에 달라붙습니다. DOE는 두 인자를 함께 테스트하여 한 세트의 실행에서 상충 관계를 보여주었을 것입니다. 데이터는 단일 설정값이 아닌 공정 지도를 제공합니다.

DOE는 또한 OFAT가 절대 제공하지 못하는 것을 제공합니다: 어떤 매개변수가 가장 중요한지에 대한 정량적 순위입니다. 주효과 플롯과 상호작용 플롯을 얻을 수 있으며, 예를 들어 용융 온도가 치수 변동의 45%를 설명하는 반면 냉각 시간은 12%를 설명한다는 것을 알려줍니다. 이것은 엔지니어링 팀과 고객에게 실행 가능한 정보입니다.

What Are the Main DOE Methods Used in Injection Molding?

세 가지 DOE 접근 방식은 사출 성형 응용 프로그램의 95%를 다룹니다. 각 접근 방식은 세부 사항과 속도를 다르게 절충하며, 올바른 선택은 연구 중인 요인의 수와 보유한 시간에 따라 달라집니다.

Full Factorial DOE

전인자 실험은 모든 인자의 모든 수준에 대한 모든 조합을 테스트합니다. 2수준의 4개 인자라면 2⁴ = 16회 실행입니다. 3수준이라면 3⁴ = 81회 실행입니다. 전인자 실험은 모든 상호작용을 포착하기 때문에 최고의 표준이지만, 5개 이상의 인자에서는 비실용적이 됩니다. 최종 최적화 단계에 있으며 이미 3~4개의 핵심 매개변수로 범위를 좁힌 경우에 사용하세요.

Taguchi DOE

Taguchi designs use orthogonal arrays to test a fraction of the full combinations while still capturing the main effects. An L8 array handles up to 7 factors at 2 levels in just 8 runs. An L16 array handles up to 15 factors at 2 levels in 16 runs. The trade-off: you lose some interaction information. Taguchi DOE is ideal for the screening phase when you have many candidate factors and need to find the important ones fast.

Fractional Factorial DOE

Fractional factorial is the middle ground. You test a carefully chosen subset of the full factorial matrix, preserving the most important interactions while skipping the higher-order ones that rarely matter in practice. A half-fraction of a 2⁴ design gives you 8 runs instead of 16, but you can still estimate two-factor interactions. This is the workhorse method for most injection molding DOEs.

How Do You Set Up a DOE for Injection Molding?

적절한 설정 없이 DOE를 실행하는 것은 전혀 실행하지 않는 것보다 더 나쁩니다. 과학적으로 보이지만 잘못된 결론으로 이끄는 숫자를 얻게 될 것입니다. 실제로 효과적인 단계별 프로세스는 다음과 같습니다.

Step 1: Define the Response Variable

무엇을 측정하고 있나요? 구체적으로 설명하세요. “더 나은 품질”은 반응 변수가 아닙니다. “±0.05mm에서 측정된 X축 수축률”은 반응 변수입니다. 사출 성형에서 일반적인 반응 변수에는 부품 무게, 치수 편차, 뒤틀림, 싱크 마크 깊이 및 사이클 시간이 포함됩니다. 하나의 주요 반응과 최대 두 개의 보조 반응을 선택하세요.

Step 2: Select Factors and Levels

당신의 엔지니어링 지식을 바탕으로 응답에 가장 큰 영향을 미칠 가능성이 있는 3~6개의 인자를 선택하세요. 각 인자에 대해 현실적인 범위를 나타내는 두 가지 수준(낮음과 높음)을 설정하세요. 너무 넓게 설정하면 공결함이 발생할 수 있습니다. 너무 좁게 설정하면 효과를 확인할 수 없습니다. 좋은 경험 법칙: 현재 생산 설정값의 ±10~15%를 범위로 사용하세요.

Step 3: Choose the DOE Array and Run the Experiments

Match your factor count and level count to the appropriate orthogonal array or factorial design. Randomize the run order if possible—this prevents machine drift from biasing your results. Record every run meticulously: actual machine settings, ambient conditions, mold temperature, and any observations.

Step 4: Analyze the Results

Plot main effects (how each factor affects the response) and interaction effects (how combinations of factors affect the response). Use 사출 성형 (분산 분석)을 통해 통계적으로 유의미한 인자를 결정합니다(일반적으로 p < 0.05 수준). 결과는 최적화해야 할 인자와 안전하게 무시할 수 있는 인자를 알려줍니다.

DOE 보고서를 해석할 수 없다면 무용지물입니다. 주요 출력값의 의미와 이를 활용하는 방법을 설명합니다.

DOE에서 테스트해야 할 주요 사출 성형 매개변수는 이 섹션에서 설명하는 주요 범주 또는 옵션입니다. 모든 매개변수가 DOE에 속하는 것은 아닙니다. 선택하는 인자는 실제로 성형기에서 제어할 수 있고 반응 변수와 합리적인 물리적 관계가 있는 것이어야 합니다. 다음은 발표된 연구와 우리 자신의 생산 데이터에서 유의미하게 나타나는 빈도에 따라 순위를 매긴 가장 일반적인 6가지 인자입니다.

In our experience at ZetarMold, melt temperature and packing pressure account for the majority of dimensional variation in most parts. Cooling time is the third most common significant factor, especially for parts with uneven wall thickness. Injection speed matters most for thin-wall parts or materials with narrow processing windows like PC or glass-filled nylon.

How Does DOE Support Process Validation (IQ/OQ/PQ)?

DOE는 금형 자유도, 반복 가능한 공정 제어 및 재료 선택을 결합하기 때문에 공정 검증(IQ/OQ/PQ)을 위한 강력한 지원 도구입니다. 자동차 또는 의료 고객에게 부품을 공급한다면 공정 검증은 선택 사항이 아닙니다. 사출 성형 프레임워크는 공정이 안정적이고 능력이 있음을 입증해야 합니다. 그리고 DOE는 OQ(운영 적격성 평가)가 실제로 작동하도록 만드는 도구입니다.

During IQ (Installation Qualification), you verify the machine is installed correctly and meets specifications. During OQ, you need to demonstrate that the process produces acceptable parts across its operating window. This is where DOE shines: you run your experimental matrix, establish the optimal settings, and document the process limits. The DOE output becomes your evidence that you understand the process, not just that you found settings that worked once.

PQ(성능 검증) 동안 DOE로 최적화된 설정에서 생산 배치를 실행하여 장기적 안정성을 확인합니다. DOE를 올바르게 수행했다면, PQ는 첫 번째 시도에서 통과해야 합니다. 왜냐하면 이미 공정 창과 각 매개변수의 민감도를 알고 있기 때문입니다. DOE 없이는 PQ는 종종 예측 불가능한 결과를 가진 비용이 많이 드는 일련의 시험 실행이 됩니다.

What Software Tools Are Used for Injection Molding DOE?

이 섹션은 사출 성형 DOE에 사용되는 소프트웨어 도구와 그에 따른 비용, 품질, 시기 또는 조달 리스크에 미치는 영향에 관한 것입니다. 간단한 Taguchi DOE는 Excel에서 분석할 수 있지만, 전문 소프트웨어는 시간을 절약하고 실수를 줄입니다. Minitab은 제조 분야의 업계 표준으로, DOE 설계, ANOVA 및 출판 품질의 플롯 생성을 처리합니다. JMP(SAS 제품)는 대화형 시각화 기능으로 자동차 및 항공우주 분야에서 인기가 있습니다. 예산에 민감한 팀을 위해 R과 Python(statsmodels, pyDOE2)은 더 가파른 학습 곡선과 함께 무료 DOE 기능을 제공합니다.

Moldflow 및 Moldex3D 시뮬레이션 소프트웨어는 가상으로 DOE와 유사한 데이터를 생성할 수도 있습니다. 시뮬레이터에서 매개변수 매트릭스를 설정하고 실제 재료나 기계 시간을 소모하지 않고 예측된 결과를 얻습니다. 가상 DOE는 물리적 DOE를 실행하기 전에 요인 범위를 좁히는 데 탁월하지만, 시뮬레이션은 실제 재료 배치, 금형 마모 또는 주변 조건의 실제 변동을 포착하지 못하므로 물리적 검증을 완전히 대체해서는 안 됩니다.

What Are Common DOE Mistakes in Injection Molding?

사출 성형에서 흔한 DOE 실수는 이 섹션에서 설명하는 주요 범주 또는 옵션입니다. 수백 건에 걸쳐 수십 건의 DOE를 실행한 후 사출 금형 설계 projects, the same mistakes show up repeatedly. Here are the top five, ranked by how much damage they cause.

Mistake 1: Too Many Factors

Engineers love to include every parameter they can think of. A 10-factor DOE requires 1,024 runs at 2 levels in a full factorial. Even with fractional designs, more than 6–7 factors make the analysis noisy and the results hard to interpret. Use a screening DOE (Taguchi L8 or Plackett-Burman) first, then focus your optimization DOE on the 3–4 factors that actually matter.

Mistake 2: Ignoring Machine Warm-Up and Drift

Injection molding machines are not instantly stable. If you start your DOE runs before the barrel and mold reach thermal equilibrium, your first few runs will be outliers that skew the entire analysis. Always run 10–15 warm-up shots and verify that barrel temperature, mold temperature, and part weight are stable before starting the experimental matrix.

Mistake 3: Not Randomizing Run Order

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.

How Do You Read DOE Results for Injection Molding?

해석할 수 없는 DOE 보고서는 쓸모가 없습니다. 주요 출력값의 의미와 이를 어떻게 활용할지에 대해 설명합니다.

사출 성형에서 리브 치수를 설명하는 다이어그램

이것은 각 요인의 각 수준에서의 평균 반응을 보여줍니다. 가파른 선은 해당 요인이 강한 효과를 가짐을 의미합니다. 평평한 선은 중요하지 않음을 의미합니다. 가장 가파른 기울기를 가진 요인을 찾으세요. 그것들이 바로 공정 조절 레버입니다. 기울기의 부호는 방향을 알려줍니다: 양의 기울기는 요인을 증가시키면 반응이 증가함을 의미합니다.

Interaction Plot

평행한 두 선 = 상호작용 없음. 교차하거나 발산하는 두 선 = 상호작용 있음. 상호작용은 한 요인의 효과가 다른 요인의 수준에 의존함을 의미합니다. 사출 성형에서 용융 온도 × 패킹 압력 및 냉각 시간 × 금형 온도가 가장 일반적인 중요한 상호작용입니다. 상호작용을 무시하면 잘못된 매개변수를 최적화하게 됩니다.

ANOVA Table

ANOVA 표는 통계적 증거를 제공합니다. 각 요인의 p-값은 그 효과가 통계적으로 유의미한지 알려줍니다(p < 0.05가 표준 기준입니다). R² 값은 모델이 총 변동 중 얼마나 설명하는지 보여줍니다. 0.85 이상의 R²는 DOE가 중요한 요인 대부분을 포착했음을 의미합니다. 0.60 미만은 무언가 누락되었음을 뜻합니다.

When Should You Run a DOE vs. When Is Trial-and-Error Acceptable?

이 섹션은 DOE 실행 대 시행착오가 허용되는 경우와 그에 따른 비용, 품질, 시기 또는 조달 리스크에 미치는 영향에 관한 것입니다. 모든 성형 문제에 DOE가 필요한 것은 아닙니다. 잘 알려진 재료로 단일 캐비티 금형을 운영하고 부품 형상이 단순하다면, 경험 있는 공정 엔지니어는 공식적인 DOE 없이도 30분 내에 성형기를 설정할 수 있습니다. 리스크가 낮고 공정 윈도우가 넓을 때는 시행착오(또는 더 정확히 말하면, 엔지니어링 판단)가 적합합니다.

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.

실제 현장에서 DOE는 어떻게 작동하는가? 글래스 필 나일론 브라켓 사례 연구

이 섹션은 실제 현장에서 DOE는 어떻게 작동하는가? 글래스 필 나일론 브라켓 사례 연구와 그에 따른 비용, 품질, 시기 또는 조달 리스크에 미치는 영향에 관한 것입니다. 다음은 우리 생산 현장의 실제 사례입니다. 한 고객은 치수 공차가 ±0.03mm인 중요한 구멍 직경을 가진 PA66-GF30 브라켓이 필요했습니다. 초기 샘플링에서 직경 변동이 ±0.08mm로 나타나 공차의 거의 3배에 달했습니다. 부품은 샘플의 40%에서 치수 검사에 실패하고 있었습니다.

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.

자주 묻는 질문

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?

0.60 미만의 낮은 R-제곱 값은 모델이 반응 변수의 총 변동 대부분을 설명하지 못함을 의미하며, 이는 유용한 진단 신호입니다. 일반적인 원인에는 연구에 포함되지 않은 중요한 요인의 누락, 측정 가능한 효과를 생성하기에 너무 좁은 요인 범위 설정, 검사 과정에서의 과도한 측정 노이즈, 또는 실험 실행 간에 변동하는 금형 온도 변동과 같은 통제되지 않은 변수가 포함됩니다. 해결책은 누락된 요인을 체계적으로 추가하거나 범위를 넓히고 실험을 다시 실행하는 것입니다.

Can simulation replace physical DOE in injection molding?

Moldflow 또는 Moldex3D와 같은 시뮬레이션 소프트웨어는 가상 DOE를 실행하여 요인 범위를 좁히고 물리적 시험 전에 가능성이 높은 중요한 매개변수를 식별할 수 있으며, 이는 필요한 실제 실행 횟수를 상당히 줄여줍니다. 그러나 시뮬레이션은 실제 재료 배치, 기계 보정 편차, 금형 마모 패턴 또는 주변 습도 및 온도 조건의 실제 변동을 고려하지 않으므로 물리적 DOE를 완전히 대체할 수 없습니다. 권장되는 모범 사례는 가상 DOE를 스크리닝 도구로 사용한 다음 시뮬레이션 예측을 확인하기 위한 표적 물리적 검증 실행을 수행하는 것입니다.

결론

DOE는 사출 성형을 시행착오적인 기술에서 데이터 중심의 공학 분야로 전환합니다. 8회 실행으로 빠른 Taguchi 스크리닝을 실행하든 32회 실행으로 완전 요인 최적화를 실행하든, 이 방법론은 직감으로는 절대 얻을 수 없는 것을 제공합니다: 어떤 매개변수가 중요한지, 그들이 어떻게 상호작용하는지, 그리고 최적의 공정 창이 어떻게 보이는지에 대한 정량적 증거입니다.

자동차 및 의료 부품의 경우 DOE는 선택 사항이 아닌 공정 검증 패키지의 일부입니다. 그러나 상업용 부품의 경우에도 ROI는 매력적입니다: 샘플링 단계에서 반복 횟수가 줄어들고, 초도 양산 수율이 높아지며, 일관되게 재현 가능한 문서화된 공정을 확보할 수 있습니다. 만약 아직도 한 번에 하나의 매개변수만 변경하여 금형을 조정하고 있다면, 시간과 돈을 낭비하고 있는 것입니다.

다음 사출 성형 프로젝트를 위한 DOE 실행에 도움이 필요하신가요? 당사의 엔지니어링 팀에 문의해 주세요 — 당사 엔지니어링 팀은 400종 이상의 소재에 걸쳐 과학적 성형 및 공정 최적화 분야에서 20년 이상의 경험을 보유하고 있습니다. 당사가 DOE를 설계하고 실험을 실행하며 완전히 문서화된 공정 적격성 패키지를 제공해 드립니다.

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. ↩