DOE(Design of Experiment,试验设计)
DOE
出自 MBA智库百科(https://www.360docs.net/doc/924123415.html,/)
DOE（Design of Experiment,试验设计）
目录
[隐藏]
? 1 什么是DOE
? 2 为什么需要DOE
? 3 DOE的基本原理
? 4 DOE实验的基本策略
? 5 DOE的步骤
? 6 DOE的作用
?7 DOE的方法
[编辑]
什么是DOE
DOE（Design of Experiment）试验设计，一种安排实验和分析实验数据的数理统计方法；试验设计主要对试验进行合理安排，以较小的试验规模(试验次数)、较短的试验周期和较低的试验成本，获得理想的试验结果以及得出科学的结论。
试验设计源于1920年代研究育种的科学家Dr.Fisher的研究, Dr. Fisher 是大家一致公认的此方法策略的创始者, 但后续努力集其大成, 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。
[编辑]
为什么需要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；
?要解决那些久经未决的“顽固”品质问题
时；
?要缩短新产品之开发周期时；
?要提高现有产品的产量和质量时；
?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。
另一方面，过程通过数据表现出来的变异，实际上来源于二部分：一部分来源于过程本身的变异，一部分来源于测量过程中产生的变差，如何知道过程表现出来的变异有多接近过程本身真实的变异呢？这就需要进行MSA测量系统分析。
[编辑]
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进行。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估计量。这个误差的估计量成为确定数据的观察差是否是统计上的试验差的基本度量单位。第二，如果样本均值用作为试验中一个因素的效应的估计量，则重复允许试验者求得这一效应的更为精确的估计量。如
s2是数据的方差，而有n次重复，则样本均值的方差是。这一点的实际含义是，如果n=1，如果2个处理的y1 = 145，和y2 = 147，这时我们可能不能作出2个
处理之间有没有差异的推断，也就是说，观察差147-145=2可能是试验误差的结果。但如果n合理的大，试验误差足够小，则当我们观察得y1随机化是试验设计使用统计方法的基石。
所谓随机化，是指试验材料的分配和试验的各个试验进行的次序，都是随机地确定的。统计方法要求观察值（或误差）是独立分布的随机变量。随机化通常能使这一假定有效。把试验进行适当的随机化亦有助于“均匀”可能出现的外来因素的效应。
区组化是用来提高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，相比于试验材料全体它们本身的性质应该更为类似。区组化牵涉到在每个区组内部对感兴趣的试验条件进行比较。
[编辑]
DOE实验的基本策略
策略一：筛选主要因子（X型问题化成A型问题）
实验成功的标志：在ANOVA分析中出现了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型问题化成 T型问题）
实验成功的标志：在第二阶段的实验中主要的误差都是随机因素造成的。
因为各因子皆不显着，因此，每一因子之各项水准均可使用,在此情况下岂不是达到了成本低廉且又容易控制之目的。
策略三：证实最佳生产条件有再现性。
[编辑]
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，或者是直接实际工作的反映，会得出一些关键的问题点，它反映了某个指标或参数不能满足我们的需求，但是针对这样的问题，我们可能运用一些简单的方法根本就无法解决，这时候我们可能就会想到试验设计。对于运用试验设计解决的问题，我们首先要定义好试验的目的，也就是解决一个什么样的问题，问题给我们带来了什么样的危害，是否有足够的理由支持试验设计方法的运作，我们知道试验设计必须花费较多的资源才能进行，而且对于生产型企业，试验设计的进行会打乱原有的生产稳定次序，所以确定试验目的和试验必要性是首要的任务。随着试验目标的确定，我们还必须定义试验的指标和接受的规格，这样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，也就是对问题解决的着眼点，指标的达成就能够意味着问题的解决。
第二步剖析流程
关注流程，使我们应该具备的习惯，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，而忽略了对流程特色的对比，试验设计的展开同样必须建立在流程的深层剖析基础之上。任何一个问题的产生，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产生问题的流程当中。流程的定义非常的关键，过短的流程可能会抛弃掉显著的原因，过长的流程必将导致资源的浪费。我们有很多的方式来展开流程，但有一点必须做到，那就是尽可能详尽的列出可能的因素，详尽的因素来自于对每个步骤地详细分解，确认其输入和输出。其实对于流程的剖析和认识，就是改善人员了解问题的开始，因为并不是每个人都能掌握好我们所关注的问题。这一步的输出，使我们的改善人员能够了解问题的可能因素在哪里，虽然不能确定哪个是重要的，但我们至少确定一个总的方向。
第三步筛选因素
流程的充分分析，使我们有了非常宝贵的资料，那就是可能影响我们关注指标的因素，但是到底哪个是重要的呢？我们知道，对一些根本就不或微小影响因素的全面试验分析，其实就是一种浪费，而且还可能导致试验的误差。因此将可能的因素的筛选就有必要性，这时，我们不需要确认交互作用、高阶效应等问题，我们的目的是确认哪个因素的影响是显著的。我们可以使用一些低解析度的两水平试验或者专门的筛选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，我们可以应用一些历史数据，或者完全可靠的经验理论分析，来减少我们的试验因子，当然要注意一点就是，只要对这些数据或分析有很小的怀疑，为了试验结果的可靠，你可以放弃。筛选因素的结果，使得我们掌握了影响指标的主要因素，这一步尤为关键，往往我们在现实中是通过完全的经验分析得出，甚至抱着可能是的态度。
第四步快速接近
我们通过筛选试验找到了关键的因素，同时筛选试验还包含一些很重要的信息，那就是主要因素对指标的影响趋势，这是我们必须充分利用的信息，它可以帮助我们快速的找到试验目的的可能区域，虽然不是很确定，但我们缩小了包围圈。这时我们一般使用试验设计中的快速上升（下降）方法，它是根据筛选试验所揭示的主要因素的影响趋势来确定一些水平，进行试验，试验的目的就像我们在寻找罪犯一样的缩小嫌疑范围，我们得出的一个结论就是，我们的改善最优点就在因素的最终反映的水平范围内，我们离成功更近了一步。
第五步析因试验
在筛选试验时我们没有强调因素间的交互作用等的影响，但给出了主要的影响因素，而且快速接近的方法，使我们确定了主要因素的大致取值水平，这时我们就可以进一步的度量因素的主效应、交互作用以及高阶效应，这些试验是在快速接近的水平区间内选取得，所以对于最终的优化有显著的成效，析因试验主要选择各因素构造的几何体的顶点以及中心点来完成，这样的试验构造，可以帮助我们确定对于指标的影响，是否存在交互作用或者那些交互作用，是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是否显著，同时对以往的筛选、快速接近试验也是一个验证，但我们不宜就在这样的试验基础上就来描述指标与诸主效应的详细关系，因为对于3个水平点的选取，试验功效会有不足的可能性。
第六步回归试验
我们在析因试验中，确定了所有因素与指标间的主要影响项，但是考虑到功效问题，我们需要进一步的安排一些试验来最终确定因素的最佳影响水平，这时的试验只是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数据，只是为了最终能够优化我们的指标，或者说有效全面的构建因素与水平的相应曲面和等高线，我们增加一些试验点来完成这个任务。试验点一般根据回归试验的旋转性来选取，而且它的水平应该根据功效、因子数、中心点数等方面的
合理设置，以确保回归模型的可靠性和有效性。这些试验的完成，我们就可以分析和建立起因素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。当然为了保险起见，我们最后在得到最佳参数水平组合后进行一些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希望通过设置我们可以调控的一些关键因素来达到控制指标的目的，因为对于指标来讲我们是无法直接控制的，试验设计提供了这种可能和途径，但是在现实中却还存在一类这样的因素，它对指标影响同样的显著，但是它很难通过人为的控制来确保其影响最优，这类因素我们一般称为噪声因素，它的存在往往会使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，目的是这些因素的影响降低至最小，从而保证指标的高优性能。事实上这些因素是普遍存在的，例如我们的汽车行驶的路面，不可能保证都是在高级公路上，那么对于一些差的路面，我们怎样来设计出高性能呢？这时我们会选择出一些抗干扰的因素来缓解干扰因素的影响，这就是稳健设计的意图和途径。通常我们会经常使用在设计和研发阶段，但有时也会随着问题的产生而暴露出来，但我们会提出一个问题了，重新选定主要因素的水平会不会带来指标的振荡和劣化，这是完全有可能的，但我们可以通过EVOP等途径来重新设定以保证因素更改后的输出效果。
注：
1.试验设计需要成本的投入，我们必须确定试验进行的必要性，以及选取最优的设计方案。
2.水平的选取可能直接影响试验设计的结果，要谨慎的选取，最后有专业知识和历史数据的支持。
3.尽可能的利用一些历史数据，在确认可靠后提取对我们试验有用的信息，来尽量减少试验投资和缩短试验周期。
4.试验设计并不能提供解决所有问题的途径，现实当中的局限验证了这一点，我们要全面考虑解决问题的方式，选取最有效、最经济的解决途径。
5.注意充分的分析流程，不要遗漏关键的因素，不要被一些经验论的不可能结论左右。
6.除了试验设计涉及的因素外，要尽量确定所有的环境因素是稳定和符合现实的，往往会做不到这一点，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，避免一些理想的试验环境，比如试验室，理想不现实的环境是的试验可能根本就没有作用。
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执行。
10.如果实现一步到位的试验设计是可能的，那就不要犹豫的开展吧，上面的七步只是针对普通的情况。
[编辑]
DOE的作用
在工业生产和工程设计中能发挥重要的作用，主要有：
1.提高产量；
2.减少质量的波动，提高产品质量水准；
3.大大缩短新产品试验周期；
4.降低成本；
5.试验设计延长产品寿命。
在工农业生产和科学研究中，经常需要做试验，以求达到预期的目的。例如在工农业生产中希望通过试验达到高质、优产、低消耗，特别是新产品试验，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，甚至劳而无功。
如果要最有效地进行科学试验，必须用科学方法来设计。所谓试验的统计设计，就是设计试验的过程，使得收集的数据适合于用统计方法分析，得出有效的和客观的结论。如果想从数据作出有意义的结论，用统计方法作试验设计是必要的。当问题涉及到受试验误差影响的数据时，只有统计方法才是客观的分析方法。这样一来，任一试验问题就存在两个方面：试验的设计和数据的统计分析。这两个是紧密相连的，因为分析方法直接依赖于所用的设计。
[编辑]
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因素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，安排试验计划和进行试验，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
正交试验设计主要用于调查复杂系统（产品、过程）的某些特性或多个因素对系统（产品、过程）某些特性的影响，识别系统中更有影响的因素、其影响的大小，以及因素间可能存在的相互关系，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因素效应的有效方法。许多试验要求考察两个或多个变动因素的效应。例如，若干因素：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。将所研究的因素按全部因素的所有水平（位级）的一切组合逐次进行试验，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，找到优质、高产、低耗的因素组合，达到改进的目的。
来自"https://www.360docs.net/doc/924123415.html,/wiki/DOE"
经典DOE-试验设计及实战模拟培训(2天)
经典DOE-试验设计及实战模拟培训 ●课程背景 DOE是一款强大的研发工具，是世界500强企业研发人员必修课程。它是一门科学，是研究如何合理而有效地组织试验，并运用更为科学的分析工具对试验结果的数据进行处理，取得最佳方案的一种方法，它可以把客户的需求转换成我们的设计需求、工艺需求和生产需求，它可以缩短产品的研发周期，帮助研发工程师从最开始就对产品的质量和成本进行最优化设计，而且可把产品工艺和使用因素都考虑周全，从而设计出先天性健壮产品，使新产品尽快投放市场。 DOE也是一种高级质量工具，在日本不懂DOE（试验设计）的工程师只能算是半个工程师。它可以帮助质量、工艺和技术人员识别关键过程变量，完善参数设定，控制参数的调整限度，制定标准操作程序，减小过程的波动，减少转产时间，适应不断变化的客户需求，提高产品的首次合格率，增加产能，缩短过程调试时间，排除制程中的故障，有效获取对过程的理解，改进产品的稳定性，使流程更加稳定。 ●培训对象 研发总监、经理、工程师；技术总监、经理、工程师、技术员；质量总监、经理、工程师；产品流程总监、经理、工程师、技术员；以及加强六西格玛绿带、黑带、黑带大师对DOE的认识、理解和运用。 ●培训时间 2天，详细的培训时间安排请参见以下附件： DOE培训计划.xlsx ●课程收获 1、缩短新产品之开发认证周期； 2、解决那些久经未决的“顽固”品质问题； 3、为生产过程选择最合理的工艺参数； 4、寻找问题的根本原因； 5、提高现有产品的产量和质量；
6、为新的或现有生产检测设备选择最合理的参数； 7、掌握DOE的基本概念和原理，深刻理解DOE的逻辑； 8、掌握全因子试验设计、部分因子试验设计、筛选试验设计，响应曲面设计，以及 混料试验设计(化工适用，可选)，为产品原料选择最合理的配方； 9、掌握如何应用筛选试验从众多影响因素中筛选找出影响输出的主要因素，以最少 的投入换取最大的收益； 10、掌握如何对因子水平优化得到最佳输出，从而使产品质量得以提升，工艺流程最 优化； 11、训练科学的、系统的和统计的分析思维习惯； 12、学习科学合理地安排试验，减少试验次数、缩短试验周期，提高经济效益； 13、掌握如何应用MINITAB软件进行试验设计、数据分析、因子优化和输出预测。 课程大纲 第一节试验设计基础 一.波动的理解 二.波动的度量 三.总体与抽样 四.正态分布 第二节试验设计介绍 一.什么是试验设计 二.试验设计的发展过程 三.试验设计的运用 四.试验练习 第三节试验设计逻辑 一.基本术语 二.试验误差 三.统计试验设计 四.基本逻辑
DOE 实验设计(免费下载，相当实用)
Design of Experiments （DOE） 实验设计
Design of Experiments（DOE） 实验设计 1. 定义和介绍 实验设计(Design of Experiments)或设计实验(Designed Experiments)是一系列试验及分析方法集,通过有目的地改变一个系统的输入来观察输出 的改变情况。图1-1示出一个系统示意图。图1-1中的系统既可以看作是一个产品开发过程，也可以看作是一个生产过程。对于一个生产过程, 一般它是由一些机 图1-1 一个系统示意图：Input输入; Output输出; Controllable input factors可控的输入参数 X1,X2,…,Xp; Uncontrollable input factors不可控的输入参数 Z1,Z2,…,Zq。
器、操作方法和操作人员所组成的,把一种输入原材料转变(加工)成某种输出产品。这种输出产品具有一些可以观察的质量特性,也可叫响应(例如,产量、强度、硬度等)。一些过程参数（X1,X2,…,Xp）是可控的, 例如进给速度、淬火温度等; 而另一些（Z1,Z2,…,Zq）是不可控的, 它们有时被称为噪声参数,例如环境温度、湿度等。 实验设计的目的可能包括: (1)确定哪些参数对响应的影响最大; (2)确定应把有影响的参数设定在什么水平，以使响应达到或尽可能靠近希望值(On target)； (3)确定应把有影响的参数设定在什么水平，以使响应的分散度(或方差)尽可能减小。 (4)确定应把有影响的参数设定在什么水平，以使不可控参数（噪声参数）对响应的影响尽可能减小。 因此, 在制造过程的开发以及解决过程中出现的问题中都可以应用实验设计,以改善过程的性能,或者使过程对于外部波动源(干涉)不那么敏感，即得到一个“稳健”(Robust)的过程，同时还可节省时间和降低成本。所以,实验设计对于开发和改善制造过程,提高产品质量是一个非常重要的工程工具。 除此之处,实验设计还可以在新产品开发或现有产品改进中起到很大作用: (1)评价和比较不同设计方案; (2)评价代用材料; (3)确定影响性能的关键产品设计参数(KPC)。在这些领域应用实验设计可以改善产品的制造工艺性、增强服役性能和可靠性、降低产品成本和缩短产品开发周期。
DOE(试验设计)简介
DOE（Design of Experiment,试验设计） 目录 [隐藏] ? 1 什么是DOE ? 2 为什么需要DOE ? 3 DOE的基本原理 ? 4 DOE实验的基本策 略 ? 5 DOE的步骤 ? 6 DOE的作用 ?7 DOE的方法 ?8 参考文献 [编辑] 什么是DOE DOE（Design of Experiment）试验设计，一种安排实验和分析实验数据的数理统计方法；试验设计主要对试验进行合理安排，以较小的试验规模(试验次数)、较短的试验周期和较低的试验成本，获得理想的试验结果以及得出科学的结论。 试验设计源于1920年代研究育种的科学家Dr.Fisher的研究, Dr. Fisher是大家一致公认的此方法策略的创始者, 但后续努力集其大成, 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。 [编辑] ?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； ?要解决那些久经未决的“顽固”品质问题时； ?要缩短新产品之开发周期时； ?要提高现有产品的产量和质量时； ?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。 另一方面，过程通过数据表现出来的变异，实际上来源于二部分：一部分来源于过程本身的变异，一部分来源于测量过程中产生的变差，如何知道过程表现出来的变异有多接近过程本身真实的变异呢？这就需要进行MSA测量系统分析。 [编辑]
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进行。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估计量。这个误差的估计量成为确定数据的观察差是否是统计上的试验差的基本度量单位。第二，如果样本均值用作为试验中一个因素的效应的估计量，则重复允许试验者求得这 一效应的更为精确的估计量。如s 2是数据的方差，而有n次重复，则样本均值的方差是。这一点的实际含义是，如果n=1，如果2个处理的y 1 = 145，和y 2 = 147，这时我们可能不能作出2个处理之间有没有差异的推断，也就是说，观察差147-145=2可能是试验误差的结果。但如果n合理的大，试验误差足够小，则当我们观察得y1随机化是试验设计使用统计方法的基石。 所谓随机化，是指试验材料的分配和试验的各个试验进行的次序，都是随机地确定的。统计方法要求观察值（或误差）是独立分布的随机变量。随机化通常能使这一假定有效。把试验进行适当的随机化亦有助于“均匀”可能出现的外来因素的效应。 区组化是用来提高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，相比于试验材料全体它们本身的性质应该更为类似。区组化牵涉到在每个区组内部对感兴趣的试验条件进行比较。 [编辑] 策略一：筛选主要因子（X型问题化成A型问题） 实验成功的标志：在ANOVA分析中出现了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型问题化成T型问题） 实验成功的标志：在第二阶段的实验中主要的误差都是随机因素造成的。 因为各因子皆不显着，因此，每一因子之各项水准均可使用,在此情况下岂不是达到了成本低廉且又容易控制之目的。 策略三：证实最佳生产条件有再现性。 [编辑] 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，或者是直接实际工作的反映，会得出一些关键的问题点，它反映了某个指标或参数不能满足我们的需求，但是针对这样的问题，我们可能运用一些简单的方法根本就无法解决，这时候我们可能就会想到试验设计。对于运用试验设计解决的问题，我们首先要定义好试验的目的，也就是解决一个什么样的
DOE试验设计(SAS_JMP)经典学习案例(免费下载)
DOE就在你身边DOE系列之一 DOE，即试验设计(Design Of Experiment)，是研究和处理多因子与响应变量关系的一种科学方法。它通过合理地挑选试验条件，安排试验，并通过对试验数据的分析，从而找出总体最优的改进方案。从上个世纪20年代费雪(Ronald Fisher)在农业试验中首次提出DOE 的概念，到六西格玛管理在世界范围内的蓬勃发展，DOE已经历了80多年的发展历程，在学术界和企业界均获得了崇高的声誉。 然而，由于专业统计分析的复杂性和各行各业的差异性，DOE在很多人眼中逐渐演变为可望而不可及的空中楼阁。其实，DOE绝不是少数统计学家的专属工具，它很容易成为各类工程技术人员的好朋友、好帮手。本文将以一个日常生活中的小案例为线索，结合操作便捷的专业统计分析软件JMP，帮助大家揭开DOE的神秘面纱，了解DOE的执行过程，自由自在地建立属于自我的DOE空间。 场景:相信大家都吃过爆米花，但是大家是否都了解爆米花的制作过程？在品尝爆米花的时候，不知道您是否注意到有很多爆米花没有爆开，也有很多被爆焦。这两种情况都是生产过程中的质量缺陷。 这里，我们基于六西格玛软件JMP来实现我们的目标：寻找使用微波炉加工一包爆玉米花的更佳程序。凭借经验，我们很容易就能确定重要因子的合理范围：加工爆玉米花的时间（介于3至5分钟之间） 微波炉使用的火力（介于5至10档之间） 使用的玉米品牌（A或B） 在爆玉米花时，我们希望所有（或几乎所有）的玉米粒都爆开了，没有（或很少）玉米粒未爆开。因此玉米的"爆开个数"是最终关注的重点。 第1步：定义响应和因子（如图一所示） 图一定义响应和因子 第2步：定义因子约束（如图二所示） 根据经验，你知道：不能在试验中长时间高火力加工爆玉米花，因为这样会烧焦某些玉米粒。不能在试验中短时间低火力加工爆玉米花，因为这样只有少数玉米粒爆开。所以要限制试验，以使加工时间加上微波炉火力小于等于13，但大于等于10。 图二定义因子约束
DOE(Design of Experiment,试验设计)
DOE 出自 MBA智库百科(https://www.360docs.net/doc/924123415.html,/) DOE（Design of Experiment,试验设计） 目录 [隐藏] ? 1 什么是DOE ? 2 为什么需要DOE ? 3 DOE的基本原理 ? 4 DOE实验的基本策略 ? 5 DOE的步骤 ? 6 DOE的作用 ?7 DOE的方法 [编辑] 什么是DOE DOE（Design of Experiment）试验设计，一种安排实验和分析实验数据的数理统计方法；试验设计主要对试验进行合理安排，以较小的试验规模(试验次数)、较短的试验周期和较低的试验成本，获得理想的试验结果以及得出科学的结论。 试验设计源于1920年代研究育种的科学家Dr.Fisher的研究, Dr. Fisher 是大家一致公认的此方法策略的创始者, 但后续努力集其大成, 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。 [编辑] 为什么需要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； ?要解决那些久经未决的“顽固”品质问题 时；
?要缩短新产品之开发周期时； ?要提高现有产品的产量和质量时； ?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。 另一方面，过程通过数据表现出来的变异，实际上来源于二部分：一部分来源于过程本身的变异，一部分来源于测量过程中产生的变差，如何知道过程表现出来的变异有多接近过程本身真实的变异呢？这就需要进行MSA测量系统分析。 [编辑] 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进行。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估计量。这个误差的估计量成为确定数据的观察差是否是统计上的试验差的基本度量单位。第二，如果样本均值用作为试验中一个因素的效应的估计量，则重复允许试验者求得这一效应的更为精确的估计量。如 s2是数据的方差，而有n次重复，则样本均值的方差是。这一点的实际含义是，如果n=1，如果2个处理的y1 = 145，和y2 = 147，这时我们可能不能作出2个 处理之间有没有差异的推断，也就是说，观察差147-145=2可能是试验误差的结果。但如果n合理的大，试验误差足够小，则当我们观察得y1随机化是试验设计使用统计方法的基石。 所谓随机化，是指试验材料的分配和试验的各个试验进行的次序，都是随机地确定的。统计方法要求观察值（或误差）是独立分布的随机变量。随机化通常能使这一假定有效。把试验进行适当的随机化亦有助于“均匀”可能出现的外来因素的效应。 区组化是用来提高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，相比于试验材料全体它们本身的性质应该更为类似。区组化牵涉到在每个区组内部对感兴趣的试验条件进行比较。 [编辑] DOE实验的基本策略 策略一：筛选主要因子（X型问题化成A型问题）
DOE试验设计的五大步骤
DOE试验设计的五大步骤 无论是在工程技术、质量管理、产品研发等方面，还是在近来热门的六西格玛领域，试验设计DOE都是我们解决问题的好帮手，其应用可以说涵盖了包括机械、电子、化工、汽车、烟草、医药、食品、银行、电信、物流等所有的行业。众所周知，各类高科技公司的产品本身及其制造工艺千差万别，小到英特尔公司生产的CPU芯片，大到乔治亚宇航中心研制的火箭系统。如果说这些产品之间有什么共同点的话，其中之一就是都采用了基于JMP 统计软件的试验设计改进方案。如果除去各行业的专业知识，这些知名企业应用试验设计的步骤也是类似的，基本上可以概括为五大步骤，即试验设计的五步曲。 第一步确定问题 无论在什么企业中，都可能存在一些质量问题，它可以具体地量化为某个KPI指标不能够达到我们事先规定的要求。针对这样的问题，一些简单的方法很可能无法解决，这时我们就会想到试验设计。 对于运用试验设计解决的问题，首先要定义好试验的目的，也就是解决一个什么样的问题，问题的危害（即严重性）如何，是否有充足的理由来应用试验设计，等等。因为试验设计虽然比盲目的试验分析节省了很多资源，但毕竟还是要花费一定的资源才能进行的。特别是对于生产型企业，试验设计的进行必然会打乱原有的生产稳定秩序，所以确定试验目的和试验的可行性是首要的任务。随着试验目标的确定，还必须明确地定义试验的指标和接受的规格，这样试验设计才有推进的方向，试验的成功与否也有检验的度量尺度。 第二步流程解析 很多人（包括某些领导）常常会有一个误区：那就是只将关注点放在结果上，而忽略了产生结果的那个流程。其实任何一个问题的产生，都有它的原因，特性的欠缺、良率的波动、周期的变化等等都有这个特点。从本质上讲，真正的原因一定存在于产生问题的流程当中。有很多的方式来解析流程，但有一点必须做到，那就是尽可能详尽地列出可能的因素。其实对于流程的剖析和认识，就是我们了解问题的开始，因为并不是每个人都能掌握好我们所关注的问题及其流程的。 第三步筛选试验 流程解析的输出是使我们能够了解问题的可能因素在哪里，虽然不能确定哪个是重要的，但至少可以确定一个总的方向。但是如果我们逐一仔细调查，对于一些微小的影响因素也进行全面试验分析，无疑形成了一种浪费，而且还可能导致试验的误差。 这时，对可能的因素进行筛选就显得十分必要。虽然不需要确认交互作用、高阶效应等专业问题，但需要确认哪个因素的影响是显著的。可以使用一些低分解率的两水平试验或者一系列专门的筛选试验（如下图所示）来完成这个任务，这样的试验成本会尽可能地达到最小。而且，对于这一步任务的完成，可以应用一些历史数据，或者完全可靠的经验理论分析，来减少试验因子。筛选因素的结果，使得我们掌握了影响指标的主要因素，这一步尤为关键。而在现实中，这样的结果却往往是通过纯粹的经验主义，甚至是得过且过、不求甚解的态度得出的。 第四步析因试验 在筛选试验时不强调因素间的交互作用等影响，但给出了主要的影响因素，这时主要因素的数量不会太多，可以进一步度量因素的主效应和交互作用。 析因试验主要选择各因素构造的几何体的顶点来完成（如上图所示）。这样的试验构造，可以帮助我们确定对于指标的影响：是否存在主效应或者哪些主效应是显著的，是否存在交互作用或者哪些交互作用是显著的，试验的最终是通过方差分析来检定这些效应是否显著，同
实验设计(DOE)的七大步骤分析
实验设计(DOE)的七大步骤分析 无论在六西格码，还是在工程、科技等方面，试验设计都是我们常用来解决问题的方法，其应用可以说涵盖所有的行业。 试验设计最开始是在农林方面的研究，所以我们现在的很多试验设计专用名词都源于此，BLOCK，区组的意思，其原始含义就是田地的四方块，随着研究的深入，逐步应用于、医药、化工等各个领域。试验设计的方法很多，根据具体的问题模型和目的我们可以选择适当的设计方法，如混合设计、曲面设计、裂区设计、田口设计、均匀设计等等。试验设计骈弃了以往单个因子逐步调整的做法，避免了忽视交互作用等方面的问题，从而更加系统有效的解决我们所关注的指标。区别于最初农林方面试验设计应用的是，我们可以在很多的行业中采用渐进的方法来采取试验设计方案，而不期望于一步到位。 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、能力分析等的运用，或者是直接实际的反映，会得出一些关键的问题点，它反映了某个指标或参数不能满足我们的需求，但是针对这样的问题，我们可能运用一些简单的方法根本就无法解决，这时候我们可能就会想到试验设计。对于运用试验设计解决的问题，我们首先要定义好试验的目的，也就是解决一个什么样的问题，问题给我们带来了什么样的危害，是
否有足够的理由支持试验设计方法的运作，我们知道试验设计必须花费较多的资源才能进行，而且对于生产型企业，试验设计的进行会打乱原有的生产稳定次序，所以确定试验目的和试验必要性是首要的任务。随着试验目标的确定，我们还必须定义试验的指标和接受的规格，这样我们的试验才有和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，也就是对问题解决的着眼点，指标的达成就能够意味着问题的解决。? 第二步剖析流程 关注流程，是我们应该具备的习惯，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，而忽略了对流程特色的对比，试验设计的展开同样必须建立在流程的深层剖析基础之上。任何一个问题的产生，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产生问题的流程当中。流程的定义非常的关键，过短的流程可能会抛弃掉显着的原因，过长的流程必将导致资源的。我们有很多的方式来展开流程，但有一点必须做到，那就是尽可能详尽的列出可能的因素，详尽的因素来自于对每个步骤地详细分解，确认其输入和输出。其实对于流程的剖析和认识，就是改善人员了解问题的开始，因为并不是每个人都能掌握好我们所关注的问题。这一步的输出，使我们的改善人员能够了解问题的可能因素在哪里，虽然不能确定哪个是重要的，
二水平全因子doe试验设计
试验设计 试验设计通过有目的地改变一个过程（或活动）的输入变量（因子），以观察输出变量（响应变量）的相应变化。 试验设计是识别关键输入因子的最有效方法。 试验设计是帮助我们了解输入因子和响应变量关系的最有效途径。 试验设计是建立响应变量与输入因子之间的数学关系模型的方法。 试验设计是确定优化输出并减少成本的输入设定值的途径。 试验设计是设定公差的科学方法。 响应变量：所关注的可测量的输出结果，如良率、强度等。 》 因子：可控的变量，通过有意义的变动，可确定其对响应变量的影响，温度、时间等。 水平：因子的取值或设定。 处理：某次实验的整套因子。 重复：指在不重新组合实验设定的情况下，连续进行实验并收集数据。 复制：意谓每个数据值在重新设定测试组合之后收集。 随机化：适当安排实验次序，使每个实施被选出的机会都相等。 实验设计步骤 1、— 2、陈述问题（通过实验设计解决的问题是什么） 3、设立目标 4、确定输出变量 5、识别输入因子（可控因子/噪声因子） 6、选定每个因子的水平 7、选择实验设计的类型 8、计划并为实施实验做准备 9、实施实验并记录数据 10、！ 11、分析数据并得出结论 10、必要时进行确认实验。 可控（控制）因子是我们在工序的正常操作时能设定维持在期望水平的因子。 噪音因子是在正常的操作期间变化的因子，而且我们不能够控制它们：或者我们宁愿不控制它们，因为这么做会很昂贵。 全因子实验：组合所有因子和每个所有水平的实验 一个因子的主效果定义为一个因子在多水平下的变化导致输出变量的平均变化。参考下表，其中两个因子，浓度与催化剂。输出变量是良率。 # 主效果图能够判定出因子对输出变量影响的大小。 主效果图的斜率越大反应出因子对输出变量的影响越大，但不能说明该因子是对输出变量的显著因子。