DOE

什么是DOE

DOE（Design of Experiment）试验设计，一种安排实验和分析实验报告的数理统计方法；试验设计首要对试验执行合理安排，以较小的试验范围(试验次数)、较短的试验周期和较低的试验成本，得到理想的试验结果以及得出科学的结论。

试验设计因为1920年代研究育种的科学家Dr.Fisher的研究, Dr. Fisher是大家统一公认的此方法策略的创始者, 但后续付出集其大成, 而使DOE在工业界得以普及且发扬光大者, 则非Dr. Taguchi (田口玄一博士) 莫属。

为何需要DOE 要为原料选择最合理的配方时（原料及其含量）；要对生产过程选择最合理的工艺参数时；要处理那些久经未决的“顽固”品质困难时；要缩短新产品之开发周期时；要提升现有产品的产能和质量时；要为新或现有生产设备或检测设备选择最合理的参数时等。

另一面，过程通过报告表现出来的变异，事实上来因为二部分：一部分来因为过程自身的变异，一部分来因为测量过程中造成的变差，如何知道过程表现出来的变异有多靠近过程自身真实的变异呢？这就需要执行MSA测量系统分析。

DOE的基本原理试验设计的三个基本原理是重复，随机化，以及区组化。

所谓重复，意思是基本试验的重复执行。重复有两条重要的性质。第一，允许试验者得到试验误差的一个预期量。这个误差的预期量形成确定报告的观察差能否是统计上的试验差的基本度量单位。第二，假使样本均值用作为试验中一个原因的效应的预期量，则重复允许试验者求得这一效应的更为精确的预期量。如s2是报告的方差，而有n次重复，则样本均值的方差是。这一点的事实含义是，假使n=1，假使2个处理的y1 = 145，和y2 = 147，这时我们或许不能做出2个处理之间有没有差异的推断，也就是说，观察差147-145=2或许是试验误差的结果。但假使n合理的大，试验误差充足小，则当我们观察得y1随机化是试验设计运用统计方法的基石。

所谓随机化，是指试验材料的分配和试验的各个试验执行的次序，均为随机地确定的。统计方法要求观察值（或误差）是独立分布的随机变量。随机化一般能使这一假定有效。把试验执行适当的随机化亦有利于“均匀”或许显现的外来原因的效应。

区组化是用来提升试验的精确度的一种方法。一个区组就是试验材料的一个部分，对比于试验材料全体它们自身的性质应当更为相似。区组化牵涉到在每个区组内部对感兴趣的试验条件执行比较。

DOE实验的基本策略

策略一：过滤首要因子（X型困难化成A型困难）

实验成功的标志：在ANOVA分析中显现了1~4个显着因子；这些显着因子的累积贡献率在70%以上。

策略二：找出最佳之生产条件（A型困难化成 T型困难）

实验成功的标志：在第二阶段的实验中首要的误差均为随机原因产生的。

由于各因子皆不显着，所以，每一因子之各类水准均可运用,此种情形下岂不是高达了成本低廉且又容易控制之目的。

策略三：确认最佳生产条件有再现性。

DOE的步骤第一步 确定目标

我们通过控制图、故障分析、因果分析、失效分析、能力分析等工具的运用，或者是直接事实工作的反应，会得出一部分核心的困难点，它反应了某个指标或参数不能满足我们的需求，但是针对如此的困难，我们或许运用一部分简单的方法根本就无法处理，这时候我们或许就会想到试验设计。对于运用试验设计处理的困难，我们首先要定义好试验的目的，也就是处理一个什么样的困难，困难给我们导致了什么样的危害，能否有充足的理由支持试验设计方法的运转，我们知道试验设计务必花费较多的资源才可执行，而且对于生产型企业，试验设计的执行会打乱原有的生产平稳次序，所以确定试验目的和试验必要性是首要的任务。伴随试验目标的确定，我们还务必定义试验的指标和接受的规格，如此我们的试验才有方向和检验试验成功的度量指标。这里的指标和规格是试验目的的延伸和具体化，也就是对困难处理的着眼点，指标的促成就能够代表着困难的处理。

第二步 剖析流程

关注流程，使我们应当具备的习惯，就像我们的很多企业做水平对比一样，经常会有一个误区，就是只讲关注点放在利益点上，而忽视了对流程特色的对比，试验设计的展开同样务必建立在流程的深层剖析基础之上。任何一个困难的造成，都有它的原因，事物的好坏、参数的便宜、特性的欠缺等等都有这个特点，而诸多原因一般就存在于造成困难的流程当中。流程的定义非常的核心，过短的流程或许会抛弃掉明显的原因，过长的流程必将致使资源的浪费。我们有很多的方式来展开流程，但有一点务必做到，那就是尽或许详尽的列出或许的原因，详尽的原因来自于对每个步骤地详细分解，证实其输入和输出。其实对于流程的剖析和认识，就是改观人士了解困难的开始，由于并没有是每个人都能掌握好我们所关注的困难。这一步的输出，使我们的改观人士能够了解困难的机会原因在哪里，尽管不能确定哪个是重要的，但我们起码确定一个总体方向。

第三步 过滤原因

流程的充分分析，使我们有了非常宝贵的资料，那就是或许影响我们关注指标的原因，但是见底哪个是重要的呢？我们知道，对一部分根本就不或微小影响要素的全面试验分析，其实就是一种浪费，而且还或许致使试验的误差。所以将或许的原因的过滤就有必要性，这时，我们不需要证实交互作用、高阶效应等困难，我们的目的是证实哪个原因的影响是明显的。我们可以运用一部分低解析度的两水平试验或者专门的过滤试验来完成这个任务，这时的试验成本也将最小处理。而且对于这一步任务的完成，我们可以应用一部分历史报告，或者完全牢靠的经验理论分析，来降低我们的试验因子，诚然要注意一点就是，只要对该数据或分析有很小的怀疑，为了试验结果的牢靠，你可以放弃。过滤原因的结果，致使我们掌握了影响指标的首要原因，这一步尤为核心，往往我们在现实中是通过完全的经验分析得出，甚至抱着或许是的立场。

第四步 迅速靠近

我们通过过滤试验寻到了核心的原因，同期过滤试验还包含一部分很重要的信息，那就是首要原因对指标的影响趋势，这是我们务必充分利用的信息，它可以帮助我们迅速的寻到试验目的的机会区域，尽管不是很确定，但我们缩减了包围圈。这时我们一般运用试验设计中的迅速上升（下滑）方法，它是依据过滤试验所揭示的首要原因的影响趋势来确定一部分水平，执行试验，试验的目的就像我们在寻求罪犯一样的缩减嫌疑规模，我们得出的一个结论就是，我们的改观最优点就在原因的最终反应的水准规模内，我们离成功更近了一步。

第五步 析因试验

在过滤试验时我们没有强调原因间的交互作用等的影响，但给出了首要的影响要素，而且迅速靠近的方法，使我们确定了首要原因的大差不差取值水平，这时我们就可以更深一步的度量原因的主效应、交互作用以及高阶效应，这些试验是在迅速靠近的水准区间内选获得，所以对于最终的优化有明显的成效，析因试验首要选择各原因构造的几何体的顶点以及中心点来完成，如此的试验构造，可以帮助我们确定对于指标的影响，能否存在交互作用或者那些交互作用，能否存在高阶效应或者哪些高阶效应，试验的最终是通过方差分析来检定这些效应能否明显，同期对以往的过滤、迅速靠近试验也是一个验证，但我们不宜就在如此的试验基础上就来描述指标与诸主效应的详细关系，由于对于3个水平点的选取，试验功效会有不足的机会性。

第六步 回归试验

我们在析因试验中，确定了所有原因与指标间的首要影响项，但是顾虑到功效困难，我们需要更深一步的安排一部分试验来最终确定原因的最佳影响水平，这时的试验导致一个对析因试验的试验点的补充，也就是还可以利用析因试验的试验报告，导致为了最终能够优化我们的指标，或者说有效全面的构建原因与水平的相应曲面和等高线，我们增长一部分试验点来完成这个任务。试验点一般依据回归试验的旋转性来选取，而且它的水准应当依据功效、因子数、中心点数等方面的合理设置，以保证回归模型的牢靠性和有效性。这些试验的完成，我们就可以分析和建立起原因和指标间的回归模型，而且可以通过优化的手段来确定最终的因子水平设定。诚然为了保险起见，我们最后在得到最佳参数水平组合后执行一部分验证试验来检验我们的结果。

第七步 稳健设计

我们知道，试验设计的目的就是期望通过设置我们可以调控的一部分核心原因来高达控制指标的目的，由于对于指标来讲我们是无法直接控制的，试验设计给予了该种或许和渠道，但是在现实中却还存在一类如此的原因，它对指标影响同样的明显，但是它很难通过人为的控制来保证其影响最优，这类原因我们一般称为噪声原因，它的存在往往会让我们的试验成果功亏一篑，所以对待它的方法，除了尽量的控制之外可以选用稳健设计的方法，目的是这些原因的影响减弱至最小，进而保证指标的高优性能。实际上这些原因是广泛存在的，比如我们的汽车行驶的路面，不或许保证均为在高级公路上，那么对于一部分差的路面，我们怎样来设计出高性能呢？这时我们会选择出一部分抗干扰的原因来减轻干扰原因的影响，这就是稳健设计的意图和渠道。一般我们会经常运用在设计和研发阶段，但有时也会伴随困难的造成而暴露出来，但我们会提出一个困难了，从新选定首要原因的水准会否导致指标的振荡和劣化，这是完全有机会的，但我们可以通过EVOP等渠道来从新设定以保证原因更改后的输出效果。

注：

1.试验设计需要成本的投入，我们务必确定试验执行的必要性，以及选取最优的设计方案。

2.水平的选取或许直接影响试验设计的结果，要审慎的选取，最后有专业知识和历史报告的支持。

3.尽或许的利用一部分历史报告，在证实牢靠后提取对我们试验有用的信息，来尽量降低试验投资和缩短试验周期。

4.试验设计并没有能供应处理所有困难的渠道，现实当中的局限验证了这一点，我们要全面考虑处理困难的方式，选取最有效、最经济的处理渠道。

5.注意充分的分析流程，不要遗漏核心的原因，不要被一部分经验论的不或许结论左右。

6.除了试验设计涉及的原因外，要尽量确定所有的环境原因是平稳和符合现实的，往往会做不足这一点，我们可以用随机化、区组化来尽量避免。

7.注意结果的验证和控制，不要轻信结果。

8.尽量保证试验的仿真性，避免一部分理想的试验环境，比如试验室，理想不现实的环境是的试验或许根本就没有作用。

9.试验设计者要关注试验过程，保证试验意图和方案的彻底实施。

10.假使达到一步到位的试验设计是或许的，那就不要犹豫的开展吧，上面的七步导致针对普通的情形。

DOE的作用在工业生产和工程设计中能发挥重要的作用，首要有：

1.提升产能；

2.降低质量的波动，提升产品质量水准；

3.大大缩短新产品试验周期；

4.减弱成本；

5.试验设计延长产品寿命。

在工农业生产和科学研究中，经常需要解决试验，以求高达预期的目的。比如在工农业生产中期望通过试验高达高质、优产、低消耗，尤其是新产品试验，未知的东西很多，要通过试验来摸索工艺条件或配方。如何做试验，其中大有学问。试验设计得好，会事半功倍，反之会事倍功半，甚至无功而返。

假使要最有效地执行科学试验，务必用科学方法来设计。所谓试验的统计设计，就是设计试验的过程，致使收集的报告适合于用统计方法分析，得出有效的和客观的结论。假使想从报告做出故意义的结论，用统计方法作试验设计是必要的。当困难涉及到受试验误差影响的报告时，只有统计方法才是客观的分析方法。如此一来，任一试验困难就存在两个方面：试验的设计和报告的统计分析。这两个是紧密相连的，由于分析方法直接依靠于所用的设计。

DOE的方法常见的试验设计方法，可分为二类，一类是正交试验设计法，另一类是析因法。 （1）正交试验设计法

① 定义

正交试验设计法是研究与处理多原因试验的一种科学方法。它利用一种规格化的表格——正交表，挑选试验条件，安排试验计划和执行试验，并通过较少次数的试验，找出较好的生产条件，即最优或较优的试验方案。

② 用途

正交试验设计首要用于调查复杂系统（产品、过程）的某些特性或多个原因对系统（产品、过程）某些特性的影响，识别系统中更有影响的原因、其影响的大小，以及原因间或许存在的相互关系，以促进产品的设计开发和过程的优化、控制或改进现有的产品（或系统）。

（2）析因法

① 定义析

析因法又称析因试验设计、析因试验等。它是研究变动着的两个或多个原因效应的有效方法。很多试验要求考察两个或多个变动原因的效应。比如，若干原因：对产品质量的效应；对某种机器的效应；对某种材料的性能的效应；对某一过程燃烧消耗的效应等等。将所研究的原因按全部原因的所有水平（位级）的一切组合逐次执行试验，称为析因试验，或称完全析因试验，简称析因法。

② 用途

用于新产品开发、产品或过程的改进、以及安装服务，通过较少次数的试验，寻到优质、高产、低耗的原因组合，高达改进的目的。