试验设计

DOE Coach

基于统计的质量提升之道，从"经验驱动"转向"数据驱动"，系统化探索多因子交互作用。

📖 什么是DOE？

💡 为什么需要DOE？

⚡ DOE三大原则

🚀 快速开始

📋 我的DOE项目

📖 案例背景

⚙️ 因子与水平

📐 实验设计

📊 实验数据

📈 数据分析

✅ 结论

💡 关键提示

实验设计教练 — 用最少的实验次数找到最优工艺窗口

实验设计 (Design of Experiments, DOE) 是一种通过有计划地改变输入变量（因子），观察输出响应（结果）的变化，从而建立数学模型并优化过程的统计学方法。

创建新项目

7步标准流程

蛋糕烘焙优化

核心DOE概念

遵循标准化的7步流程是确保DOE成功的关键。这不仅能提高效率，还能保证结果的科学性与可重复性。

DOE的三大基本原则是实验设计的基石，遵循这些原则可以确保实验结果的可靠性和有效性。

根据实验目标和资源选择合适的DOE设计类型。不同的设计类型适用于不同的场景。

明确实验目标

定义需要解决的具体问题和实验目的

① 在设计和进行一次DOE（实验设计）之前，清晰的目标是成功的基石。 关键问题： - 我们想要解决什么具体问题？（如：降低废品率、提高收率） - 实验的预期成果是什么？ - 实验的成功标准是什么？ 输出： - 实验名称 - 实验目的（一句话描述） - 成功标准（可量化的指标）

目标要具体、可测量

避免过于宏大的目标

确保目标与业务需求相关

选择响应变量

确定衡量实验成功的关键指标(Y)

② 响应变量（Response Variable, Y）是我们要测量和优化的结果指标。 选择原则： - 与实验目标直接相关 - 可量化测量 - 测量方法可靠（需先通过MSA） - 对业务有影响 示例： - 产品质量：强度、收率、纯度 - 工艺性能：周期时间、能耗 - 客户满意度：评分、投诉率

选择1-3个主要响应变量

确保测量系统准确（MSA）

明确定义测量单位

选择因子与水平

识别潜在影响因素并设定测试水平

③ 因子（Factors, X）是我们要研究的可能影响响应的变量。 因子选择原则： - 基于专业知识和经验 - 可控且可测量 - 在实验范围内安全可行 - 数量适中（2-7个为宜） 水平设置原则： - 低水平（-1）和高水平（+1） - 水平范围要足够大以产生显著影响 - 水平要在设备和工艺允许范围内 示例： - 温度：150°C（-1）vs 180°C（+1） - 时间：20min（-1）vs 30min（+1）

因子数量多时先用筛选设计

水平范围要基于先验知识

考虑因子间的交互作用

选择实验设计方案

根据目标和分析资源选择合适的DOE类型

④ 不同的实验目标需要不同的设计类型。 常见DOE类型： 1. 筛选设计（Screening Design）- 适用：因子数量多（>5个），目标：找出关键少数因子，方法：Plackett-Burman设计 2. 全因子设计（Full Factorial）- 适用：因子数量少（2-4个），目标：研究所有因子及交互作用，实验次数：2^k（k为因子数） 3. 部分因子设计（Fractional Factorial）- 适用：全因子实验次数过多，目标：牺牲高阶交互作用减少实验次数 4. 响应面设计（RSM）- 适用：需要寻找最优值，目标：建立非线性模型，找到最高点

新手建议从2因子全因子开始

复杂设计使用Minitab等软件生成

确保实验次数在资源允许范围内

实验实施与数据记录

严格按照随机顺序执行实验并记录数据

⑤ 这是DOE最关键的执行阶段。 随机化原则： - 以随机顺序执行实验运行 - 避免按固定顺序（如1,2,3...）执行 - 使用随机数生成器确定运行顺序 为什么随机化？ - 消除时间顺序带来的系统性偏差 - 均匀化未知干扰因素的影响 - 确保统计推断的有效性 数据记录要求： - 准确记录每个运行的实际因子设置 - 记录响应变量的多次测量结果 - 记录任何异常情况或备注

严格遵循随机顺序

实时记录数据，不要事后补记

记录任何异常情况

数据分析

使用统计方法分析数据，识别关键因子

⑥ 通过统计分析方法从实验数据中提取有价值的信息。 主要分析内容： 1. 描述性统计 - 计算平均值、标准差，绘制箱线图、直方图 2. 方差分析（ANOVA）- 检验因子的显著性，识别关键因子（p值<0.05），评估模型拟合度（R²） 3. 主效应图 - 可视化每个因子对响应的影响，比较因子的重要性 4. 交互作用图 - 检查因子间是否存在交互作用，非线性关系的识别 5. 回归模型 - 建立预测模型：Y = f(X1, X2, ...)，用于优化和预测

使用专业统计软件（Minitab、JMP）

检查残差是否符合正态分布

关注p值和R²值

验证与结论

验证优化方案并制定标准化文件

⑦ 将分析结果转化为实际行动。 验证实验： - 在优化条件下进行确认实验 - 比较预测值与实际值 - 确保优化方案在实际中有效 制定结论： - 明确哪些因子是关键因子 - 给出最优工艺条件或配方 - 量化预期的改进效果 标准化： - 更新标准操作规程（SOP） - 培训相关人员 - 实施新的工艺参数 - 建立持续监控机制

一定要进行验证实验

将结果标准化和文档化

分享经验给团队

随机化

以随机顺序执行实验，消除系统性偏差

确保统计推断的有效性，避免未知干扰因素影响结果

使用随机数生成器确定实验运行顺序，不要按固定顺序执行

重复

在相同条件下多次进行实验

估计实验误差，提高结论的可靠性与精度

每个处理至少做2-3次重复，使用不同的样本

区组化

将实验材料分为相对均匀的组

隔离已知但非研究重点的干扰因素（如批次、设备）

先按干扰因素分组，再在组内随机化实验顺序

筛选设计

因子数量较多（>5个），旨在找出关键少数

N次（N为4的倍数）

非常高效，快速筛选关键因子

只能估计主效应，不能研究交互作用

Plackett-Burman：12次实验可研究11个因子

全因子设计

因子数量较少（2-4个），旨在研究所有因子及其交互作用

2^k次（k为因子数）

完整信息，可研究所有因子及交互作用

实验次数随因子数指数增长

2k全因子：2因子=4次，3因子=8次

部分因子设计

在全因子设计实验次数过多时，通过牺牲高阶交互作用来减少实验次数

2^(k-p)次

大幅减少实验次数，保留主效应估计

存在混杂（Confounding），高阶交互作用不可估

2k-p部分因子：2^(3-1)=4次实验

响应面设计

因子数量较少（2-5个），旨在寻找最优工艺条件

因设计而异（CCD：2^k+2k+n0次）

可建立二阶非线性模型，精确找到最优点

实验次数多于因子设计，需要更多资源

中心复合设计（CCD）、Box-Behnken

实验中主动改变的变量，如温度、压力、浓度。

因子在实验中设置的具体数值或状态。

实验产生的可测量结果，是我们关注的输出指标。

一个因子的影响取决于另一个因子的水平。

无法控制或难以控制的干扰因素。

特定因子水平的组合，每个测试点就是一个处理。

以随机顺序执行实验，消除未知干扰因素的影响。

在相同条件下多次进行实验，用于估计实验误差。

将实验材料分为相对均匀的组，消除已知干扰因素。

从众多因子中快速找出关键少数的实验设计。

研究所有因子及其交互作用的完整实验设计。

通过牺牲高阶交互作用来减少实验次数的设计。

用于寻找最优值并建立非线性模型的实验方法。

用于分析不同因子对响应变量影响的统计方法。

评估测量系统准确性和可靠性的方法。