DOE - 实验设计

📅 工具原理

DOE是一种系统的实验方法论，通过精心设计的实验方案，以最少的实验次数，高效地研究多个因素（因子）对输出结果（响应变量）的影响，从而找出最优的参数组合。

传统实验 vs DOE

传统单因素实验	DOE实验设计
逐个改变因素，其他因素固定	同时改变所有因素
实验次数多，时间长	实验次数少，效率高
无法分析因素交互作用	可分析因素交互作用
结论可能误导（遗漏重要因素）	结论科学可靠
"One Factor at a Time" (OFAT)	"Factorial Design"

DOE的核心术语

因子(Factor)：实验中主动操纵的因素，如温度、压力、时间等
水平(Level)：因子所处的不同状态或取值，如温度的80℃、90℃、100℃
响应变量(Response)：实验的输出结果，如产品强度、良率等
交互作用(Interaction)：一个因子的效果受另一因子水平影响的效应
随机化(Randomization)：实验顺序随机，避免系统性误差
重复(Replication)：同一实验条件重复进行，评估实验误差

📋 正交试验设计

正交试验设计是利用正交表来安排多因素、多水平实验的统计学方法，以最少的实验次数获得最全面的信息。

正交表符号表示

L_n(t^c)

其中：
L = 正交表符号
n = 实验次数（行数）
t = 水平数
c = 最多可安排的因素数（列数）

常用正交表

正交表	因素数	水平数	实验次数
L₄(2³)	3	2	4
L₈(2⁷)	7	2	8
L₉(3⁴)	4	3	9
L₁₆(2¹⁵)	15	2	16
L₂₅(5⁶)	6	5	25

正交试验设计步骤

明确实验目的，确定响应变量
筛选因素和水平，建立因素水平表
选择合适的正交表
进行表头设计，安排因素
按正交表安排实验顺序（随机化）
记录实验结果
进行极差分析或方差分析
验证最优组合

📊 因子设计

因子设计是一种同时研究两个或多个因子及其交互作用的实验设计方法。

全因子实验设计

全因子实验设计考虑所有因素和水平的组合。

实验次数 = a^k

其中：
a = 每个因素的水平数
k = 因素个数

例如：3因素2水平 → 2³ = 8次实验

2³全因子实验设计示例

实验号	A温度	B压力	C时间	得率(%)
1	- (80℃)	- (1atm)	- (30min)	72
2	+ (100℃)	- (1atm)	- (30min)	78
3	- (80℃)	+ (3atm)	- (30min)	85
4	+ (100℃)	+ (3atm)	- (30min)	90
5	- (80℃)	- (1atm)	+ (60min)	75
6	+ (100℃)	- (1atm)	+ (60min)	82
7	- (80℃)	+ (3atm)	+ (60min)	88
8	+ (100℃)	+ (3atm)	+ (60min)	95

部分因子实验设计

当因素较多时，全因子实验次数会急剧增加，可采用部分因子设计，以较少的实验次数获得关键信息。

部分因子实验次数 = 2^k-p

其中p为分辨率参数：
分辨率III：主效应与另一主效应混杂
分辨率IV：主效应不混杂，主效应间交互可能混杂
分辨率V：主效应及二阶交互不混杂

📉 响应曲面方法(RSM)

当筛选实验确定关键因素后，响应曲面方法用于建立因素与响应之间的数学模型，找出最优参数组合。

RSM实施步骤

因子筛选：通过因子实验确定显著影响因素
最速上升实验：沿最陡方向搜索最优区域
拟合响应曲面：建立二阶数学模型
优化求解：找出最优参数组合
验证实验：确认模型预测的准确性

响应曲面设计类型

设计类型	适用场景	实验次数
CCD（中心复合设计）	需要拟合二阶模型	2^k + 2k + n₀
Box-Behnken设计	因素水平较少，安全要求高	2k(k-1) + n₀
均匀设计	因素水平数较多	可根据需要设定

二阶响应曲面模型

y = β₀ + β₁x₁ + β₂x₂ + ... + β_kx_k
+ β₁₁x₁² + β₂₂x₂² + ... + β_kkx_k²
+ β₁₂x₁x₂ + ... + β_k-1,kx_k-1x_k + ε

📁 参数优化案例

案例：注塑成型工艺参数优化

优化目标：最大化注塑件拉伸强度

关键因素：

A：模具温度（60℃, 80℃, 100℃）
B：保压力（50MPa, 70MPa, 90MPa）
C：冷却时间（10s, 15s, 20s）

正交实验安排：选用L₉(3⁴)正交表

实验号	A温度	B压力	C时间	强度(MPa)
1	60	50	10	82
2	60	70	15	88
3	60	90	20	91
4	80	50	15	90
5	80	70	20	95
6	80	90	10	92
7	100	50	20	93
8	100	70	10	89
9	100	90	15	96

极差分析：

R_A = 8（温度影响最大）
R_B = 7（压力影响次之）
R_C = 4（冷却时间影响较小）

最优组合：A3B3C2（温度100℃、压力90MPa、冷却时间15s），预测强度98MPa

验证实验：实测强度97.5MPa，与预测值吻合良好

⚠ 注意事项

🛑 实施要点

明确实验目的：是筛选因素还是优化参数？目的不同选择的方法不同
合理选择因素水平：水平范围应覆盖最优区域，避免漏掉最优解
随机化实验顺序：消除未知因素的干扰
设置重复实验：评估实验误差，提高结论可靠性
注意交互作用：交互作用有时比主效应更重要

📝 常见误区

因素水平设置不合理，错过最优区域
忽略随机化，导致结论偏差
实验顺序主观选择，引入系统误差
未设置重复，无法评估实验误差
模型选择不当，一阶模型用于二阶关系
未进行验证实验，直接应用结论

💻 最佳实践

先进行因子筛选实验，再进行响应曲面优化
使用专业DOE软件（如Minitab、JMP）设计和分析
结合SPC监控过程稳定性后再进行DOE
建立实验数据库，积累经验和知识
DOE结果需结合工程经验判断，确保可实施性

🔗 深化学习：从 DOE 走向响应曲面

DOE 回答"哪些因素有影响”，若要进一步定位最优工艺参数区，需从因子筛选升级到二阶响应曲面优化。详见响应曲面法 RSM →