实验设计 课程论文

实验设计（DOE）DOEDOE（Design of Experiment）试验设计是数理统计学的一个分支。

它是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，来缩小随机误差的影响，并使实验结果能有效地进行统计分析的理论与方法。

起源试验设计源于1920年代研究育种的科学家罗纳德·费舍尔的研究, 他在罗萨姆斯蒂德试验站主要工作是植物播殖实验的设计，希望透过尽量少的时间、成本与工作量，得到尽量多的有用资讯，由此形成实验设计的基本方法和理论。

但后续努力和集其大成者则是田口玄一，他使得DOE在工业界得得以普及。

应用DOE的应用广泛，主要可以用于以下几个方面：一、要为原料选择最合理的配方时（原料及其含量）；二、要对生产过程选择最合理的工艺参数时；三、要解决那些久经未决的“顽固”品质问题时；四、要缩短新产品之开发周期时；五、要提高现有产品的产量和质量时；六、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。

此外，过程通过数据表现出来的变异，既可能来源于过程本身的变异，又可能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。

基本原则试验设计的三个基本原则：重复、随机化、区组化。

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。

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。

基本要素实验设计的三大基本要素：受试对象、处理因素、实验效应。

实验对象，实验所用的材料即为实验对象。

如用小鼠做实验，小鼠就是本次实验的实验对象，或称为受试对象。

实验对象选择的合适与否直接关系到实验实施的难度，以及别人对实验新颖性和创新性的评价。

一个完整的实验设计中所需实验材料的总数称为样本含量。

最好根据特定的设计类型估计出较合适的样本含量。

样本过大或过小都有弊端。

实验因素，所有影响实验结果的条件都称为影响因素，实验研究的目的不同，对实验的要求也不同。

影响因素有客观与主观，主要与次要因素之分。

研究者希望通过研究设计进行有计划的安排，从而能够科学地考察其作用大小的因素称为实验因素（如药物的种类、剂量、浓度、作用时间等）；对评价实验因素作用大小有一定干扰性且研究者并不想考察的因素称为区组因素或称重要的非实验因素（如动物的窝别、体重等）；其他未加控制的许多因素的综合作用统称为实验误差。

最好通过一些预实验，初步筛选实验因素并确定取哪些水平较合适，以免实验设计过于复杂，实验难以完成。

实验效应，实验因素取不同水平时在实验单位上所产生的反应称为实验效应。

实验效应是反映实验因素作用强弱的标志，它必须通过具体的指标来体现。

要结合专业知识，尽可能多地选用客观性强的指标，在仪器和试剂允许的条件下，应尽可能多选用特异性强、灵敏度高、准确可靠的客观指标。

对一些半客观（比如读ｐＨ试纸上的数值）或主观指标（对一些定性指标的判断上），一定要事先规定读取数值的严格标准，只有这样才能准确地分析自己的实验结果，从而也大大提高了自己实验结果的可信度。

基本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。