实验设计DOE部分因子设计实验(2K设计)培训课件讲义
合集下载
DOE(试验设计)培训课件
医学领域试验设计案例分析
试验设计规范
医学领域的试验设计必须符合严格的伦理和法律规定，同时需要遵循科学的原则 和方法。本课件会介绍医学领域试验设计的规范和原则，包括人体实验的特殊要 求。
试验设计应用
医学领域的试验设计应用非常广泛，例如新药的开发和疗效比较、医疗器械的性 能检测等。本课件会通过实际案例来说明这些试验设计的具体应用和操作流程。
• 确定研究目的和问题 • 制定试验方案 • 选择合适的试验方法和材料 • 制定详细的试验计划和操作规程 • 进行试验并收集数据 • 分析数据并得出结论 • 撰写试验报告或论文
02
试验设计基本原则
科学性原则
试验设计需具备科学性，要能够反映出研究问题的本质和 规律。
科学性原则要求试验设计必须有明确的研究目的、研究对 象、研究方法和数据分析方法。
详细描述
将试验分为若干个阶段，每个阶段中包含不同的因素。在每个阶段中，将试验单元按照某种规则分为 若干个裂区，每个裂区内包含相同数量的试验单元。在每个裂区内选择一个试验单元进行试验，记录 其结果。该方法能够有效地控制误差，并能够研究不同因素之间的交互作用。
均匀设计
总结词
一种适用于多因素、多水平的试验设计方法。
试验设计包括了一系列的方法和技术，如随机化、重复性、 误差控制等。
试验设计的作用
1
试验设计可以帮助研究者明确研究目的、问题 和假设，并制定合理的试验方案。
2
试验设计可以有效地控制误差和变异，提高研 究的可靠性和准确性。
3
试验设计可以帮助研究者发现新的问题和现象 ，推动科学的进步和发展。
试验设计的流程
随机区组设计
总结词
一种常用的试验设计方法，适用于具有同一性质或同一类别的试验单元。
DOE(试验设计)培训课件
随机性
确保每个试验单元被选 中的机会相同。
重复性
相同条件下进
试验结果能够反映实际 情况，具有实际意义。
可操作性
试验过程易于实施和控 制。
03
试验设计方法
完全随机设计
总结词
完全随机设计是一种简单易行的试验设计方法，适用于处理单个因素或多个因 素对试验结果的影响。
THANKS
谢谢您的观看
佳条件以达到预期的结果。
DOE旨在提高实验效率和降低 成本，同时减少实验次数和缩短
研发周期。
DOE的目的和意义
确定关键因素和最佳条件
通过DOE，可以确定对产品或过程性 能有显著影响的因素，并确定最佳条 件以获得最佳性能。
提高产品或过程性能
降低成本和减少变异
DOE有助于减少实验次数和缩短研发 周期，从而降低成本。此外，它还可 以减少产品或过程中的变异，提高可 重复性和可靠性。
性和完整性。
06
实际应用案例分析
案例一：提高某产品的良品率
总结词
通过DOE方法，提高产品良品率
详细描述
针对某产品良品率低的问题，采用 DOE方法进行试验设计，通过调整工 艺参数、优化原料配方等手段，提高 产品良品率，降低生产成本。
案例二：优化某生产过程的工艺参数
总结词
通过DOE方法，优化生产过程工艺参数
JMP
强大的统计分析功能和可视化工具
VS
JMP是SAS公司开发的一款强大的统 计分析软件，它提供了丰富的统计方 法和可视化工具，可以帮助用户进行 各种复杂的数据分析和试验设计。 JMP具有直观的用户界面和易于使用 的操作方式，使得用户可以轻松地进 行数据处理和分析。同时，JMP还支 持多种数据格式，可以与其他软件进 行数据交换和共享。
《doe试验设计讲义》课件
ABCD
Hale Waihona Puke 重复性原则在相同条件下进行多次试验，以提高结果的稳定 性和可靠性。
盲法原则
在试验过程中，尽量减少人为因素对试验结果的 影响，保证结果的客观性和准确性。
02
试验设计的基本方法
完全随机化设计
总结词
将试验单位随机分配到不同处理组，每个处理组有相同数量的试验单位。
详细描述
完全随机化设计是一种简单而常用的试验设计方法，其基本思想是将试验单位随机分配到不同的处理 组中，每个处理组有相同数量的试验单位。这种方法适用于处理组数较少且试验单位之间差异较小的 试验。
提高研究效率
科学的试验设计能够提高研究的效率，减少 不必要的浪费和重复。
保证研究质量
合理的试验设计能够保证研究的质量，减少 误差和偏见对结果的影响。
试验设计的基本原则
随机性原则
确保每个样本都有同等的机会被选中，避免主观 偏见对试验结果的影响。
对照原则
设置对照组，以排除其他因素的干扰，明确研究 因素的作用。
05
试验设计的发展趋势和 展望
基于计算机的试验设计
自动化试验
利用计算机技术实现试验过程的自动化，提高 试验效率。
模拟与仿真
通过计算机模拟和仿真试验，减少实际试验的 次数和成本。
数据处理与统计分析
利用计算机进行数据处理、统计分析和可视化，提高数据利用效率和准确性。
基于人工智能的试验设计
1 2
机器学习与优化算法
通过试验设计，探索农业可持续发展的路径和 方法，推动农业绿色发展，保护生态环境。
案例二：医学研究
总结词
验证新药的有效性和安全性
详细描述
通过试验设计，对新药的有效性和安全性进行 验证，为新药的研发和应用提供科学依据。
实验设计DOE部分因子设计实验(2K设计)培训课件讲义
组分与Y的关系
寻找因子的 最佳条件组合 设定因子的 最佳条件
5
作用
区分主效应
效果
主效应和
低
部分交互作用
所有主效应和 交互作用
现在工序 知识状态
(线性效果）
高 组分/工艺条件 的优化
设计或工序 参数优化
反应变量的 预测模型 (曲线效果）
1.3. 部分因子设计和全因子设计关系
由于资源限制，如：成本/时间等，需要减少试验次数，对以下问题是否可行要做 出选择：
15
1.4. 部分因子设计— 混杂 分辨度
R Ⅲ级
Ⅳ级
分辨度的含义
各主效应间没有混杂，但某些主效应可能与某些二阶交互 效应相混杂 各主效应间没有混杂，各主效应与二阶交互效应间也没有 混杂，但主效应可能与某些三阶交互效应相混杂，某些二 阶交互效应可能与其它二阶交互效应相混杂
Ⅴ级
某些主效应可能与某些四阶交互效应相混杂，但不会与三 阶或更低阶交互效应相混杂；某些二阶交互效应可能与三 阶交互效应相混杂，但各二阶交互效应之间没有混杂
6
1.3. 部分因子设计和全因子设计关系
全因子设计试验次数
因
2水平试验
3水平试验
子
次数
次数
数
1
2次
3次
2
4次
9次
3
8次
27次
4
16次
81次
5
32次
243次
6
64次
729次
7
128次
2187次
8
256次
……
9
512次
……
10
1024次
……
4水平试验 次数
DOE(试验设计)培训课件
详细说明如何使用DOE软件工具进行实验设计 、数据采集、数据分析和模型构建等。
介绍DOE软件工具中各种选项和参数的意义及 设置方法，例如实验设计类型、因子和水平设 置等。
DOE软件工具的应用案例
通过实际案例介绍如何使用DOE软件工具进行实验 设计和数据分析。
通过案例展示DOE软件工具在工业生产、新产品研 发等领域的应用。
DOE基本原则
随机化原则
试验设计应遵循随机化原则，以避 免潜在的人为偏见和系统误差。
重复性原则
为提高试验结果的可靠性和精确度 ，应尽可能遵循重复性原则，即在 相同条件下多次进行试验。
对照原则
通过设置对照组，可以更好地评估 试验组中目标变量与影响因素之间 的关系。
简约性原则
在满足试验目的的前提下，应尽可 能采用简约的试验设计，以降低试 验成本和时间。
设计实验方案
采用正交表进行实验设计，选择了三因素三水平的正交 表，设计了九组实验方案，每组方案重复五次。
实施实验并收集数据
按照设计的实验方案进行实验，并收集了三十组实验数 据。
分析数据并得出结论
对收集的实验数据进行统计分析，发现生产温度对产品 质量影响最大，其次是生产压力，最后是生产时间
06
DOE软件工具介绍与操作指南
试验设计的基本原则
试验设计需要遵循随机化、重复性和对照等基本原则。
试验设计在生产中的应用
试验设计可以应用于生产过程中，通过优化生产工艺和参数，提高产品质量和生产效率。
试验设计在研发中的应用
试验设计可以应用于产品研发过程中，通过科学筛选和优化设计方案，降低产品成本和提高性能。
DOE与六西格玛的关系
DOE的基本概念
设计实验方案
采用正交表进行实验设计，选择了三因素三水平的正交表 ，设计了九组实验方案，每组方案重复三次。
介绍DOE软件工具中各种选项和参数的意义及 设置方法，例如实验设计类型、因子和水平设 置等。
DOE软件工具的应用案例
通过实际案例介绍如何使用DOE软件工具进行实验 设计和数据分析。
通过案例展示DOE软件工具在工业生产、新产品研 发等领域的应用。
DOE基本原则
随机化原则
试验设计应遵循随机化原则，以避 免潜在的人为偏见和系统误差。
重复性原则
为提高试验结果的可靠性和精确度 ，应尽可能遵循重复性原则，即在 相同条件下多次进行试验。
对照原则
通过设置对照组，可以更好地评估 试验组中目标变量与影响因素之间 的关系。
简约性原则
在满足试验目的的前提下，应尽可 能采用简约的试验设计，以降低试 验成本和时间。
设计实验方案
采用正交表进行实验设计，选择了三因素三水平的正交 表，设计了九组实验方案，每组方案重复五次。
实施实验并收集数据
按照设计的实验方案进行实验，并收集了三十组实验数 据。
分析数据并得出结论
对收集的实验数据进行统计分析，发现生产温度对产品 质量影响最大，其次是生产压力，最后是生产时间
06
DOE软件工具介绍与操作指南
试验设计的基本原则
试验设计需要遵循随机化、重复性和对照等基本原则。
试验设计在生产中的应用
试验设计可以应用于生产过程中，通过优化生产工艺和参数，提高产品质量和生产效率。
试验设计在研发中的应用
试验设计可以应用于产品研发过程中，通过科学筛选和优化设计方案，降低产品成本和提高性能。
DOE与六西格玛的关系
DOE的基本概念
设计实验方案
采用正交表进行实验设计，选择了三因素三水平的正交表 ，设计了九组实验方案，每组方案重复三次。
DOE(实验设计)基础课程培训课件
重复是除正常试验次数外在相同输入因子水平组合下独立安 排一次或多次试验（注意不是同一试验下的重复测量），为了 保证独立性，需要将重复试验的多次试验次数进行随机化。
试验设计中重要的重复的理由有两点：
1）对过程的根本变差有一个估计；
2）提高主效应和交互效应的精度。
可能的区组包括不同原材料，操作者， 机器，批次，区组效应可以集中任何 系统效应并从感兴趣的因子效应中分
1
实际值
100
150
200
中心点
Company Logo
正交代码：
● 正交代码方程式： 实际值-（最大值+最小值）/2
● 代码值 = （最大值-最小值）/2
● 记：
A = 实际值
C = 代码值
m = (最大值 + 最小值）/2
d = (最大值 - 最小值）/2
● 则：
A-m
c=
或 A = m + cd
d
Company Logo
正交代码的优点
连续变量正交代码的好处：
每个因子两水平编码即设计因子试验的方法，2K设计的分析 和解释将被应用于任何因子，不管它的类型、范围和量纲。 通过对因子水平进行-1和+1编码，模型中所有因子“份量” 相同，“大小”相同。所有因子都没有量纲，因子效应可直 接比较。 在一系列代码组成的模型中，模型的均值（截距）就是响应 的均值并且在设计“空当”的中心。 正交代码去除了主效应估计于交互效应 估计之间的相关性 。
什么问题？
2）因子和水平数，调查和 分析范围
3）每次的试验成本
试验设计方案（类别）选择流程：
YES
确定试验目标 选定自变量（因素）
需要进行 试验吗？
DOE培训教材经典版 ppt课件
-1
A +1
-1
+1 A +1
B=+1 B=-1
B=+1 B=-1
B=-1 B=+1
22
如何选择和确定因Βιβλιοθήκη 及水平如何正确的选择因子及水平，完全依赖于工程 师的经验以及他对过程的理解。
在头脑风暴/鱼骨图分析的基础上，选择所有 主要的因子，而放弃哪些显然不重要的因素。
因子水平取值应尽可能地分散，但不要过于分 散，以便对分析造成不利影响。
Design of Experiments
2021/3/26
DOE培训教材经典版 ppt课件
1
著名DOE专家乔治·博克斯说：
“如果能使我们的工程师开始学习运行一个简 单的实验，将会极大地刺激他们的胃口。哪怕 这是他们唯一掌握的数据驱动的方法，也将极 大提升实验的效率、创新的速率以及整个国家 的竞争力。”
21
-- A因子 +
-- B因子 +
-- C因子 +
术语：主效应与交互作用
交互作用： 两种或以
无交互作用 +1
-1
上的因素共
-1
同对输出响 有交互作用
应值的影响。
+1
-1
反向 作用
-1 +1
-1 因2021子/3/2A6 与B的交互作用示意图 DOE培训教材经典版 ppt课件
-1
+1
-1
A +1 +1
30
“3σ”与“6σ”的统计定义
3σ质量 66800 ppm
CP = 1 CPK = 0.5
2021/3/26
DOE培训教材经典版 ppt课件
A +1
-1
+1 A +1
B=+1 B=-1
B=+1 B=-1
B=-1 B=+1
22
如何选择和确定因Βιβλιοθήκη 及水平如何正确的选择因子及水平，完全依赖于工程 师的经验以及他对过程的理解。
在头脑风暴/鱼骨图分析的基础上，选择所有 主要的因子，而放弃哪些显然不重要的因素。
因子水平取值应尽可能地分散，但不要过于分 散，以便对分析造成不利影响。
Design of Experiments
2021/3/26
DOE培训教材经典版 ppt课件
1
著名DOE专家乔治·博克斯说：
“如果能使我们的工程师开始学习运行一个简 单的实验，将会极大地刺激他们的胃口。哪怕 这是他们唯一掌握的数据驱动的方法，也将极 大提升实验的效率、创新的速率以及整个国家 的竞争力。”
21
-- A因子 +
-- B因子 +
-- C因子 +
术语：主效应与交互作用
交互作用： 两种或以
无交互作用 +1
-1
上的因素共
-1
同对输出响 有交互作用
应值的影响。
+1
-1
反向 作用
-1 +1
-1 因2021子/3/2A6 与B的交互作用示意图 DOE培训教材经典版 ppt课件
-1
+1
-1
A +1 +1
30
“3σ”与“6σ”的统计定义
3σ质量 66800 ppm
CP = 1 CPK = 0.5
2021/3/26
DOE培训教材经典版 ppt课件
实验设计(DOE)方法培训教案PPT课件
.
14
根据具体要求选择DOE实验方法
• DOE实验方法流程如图(二)所示
实验设计的基本策略
• 1、确定问题
• 为解决何种问题，需要进行的何种实验，应做到心中有数， 有的放矢。
• 2、建立实验目标
• 实验要达到何种目的，要达到怎样的指标，应从实际出发， 根据当时当地的实情，确定实验目标，不要夸大其辞，矫 揉造作。
复运行的结果计算出平均值（Y） 6. 按标准计算软件或EXCEL进行计算
.
19
7. 作出实验因子的影响及关系图
8. 进行方差分析，用以决定实验因子是否重要，用P值进 行衡量（P〈0.05)
9. 对方差分析结果进行评价,以确定因子对实验的影响程度
10. 选择重要因子(通常不超过4个)而进行全因子DOE实验,以 确定实验的最终结果
.
25
3、考核指标 考核指标是在试验设计中，根据试验目的而选定的用来
衡量试验效果的量值（指标）。 考核指标可以是定量的，也可以是定性的。定量指标如
硬度、强度、寿命、成本、几何尺寸、各种特性等。定量 指标根据试验结果的预期要求，又可分为望目值、望小值、 望大值三种类型。定性指标不是按数而是按质区分，如质 量的好与坏，天气的晴与阴，指标可以用加权的方法 量化为不同等级。
.
10
36) 材料的影响 37) 机器设备的影响 38) 测试设备的影响 39) 领导者的支持 40) 制造者支持 41) 工程部门的支持 42) 优化后的合格率 43) 配合度 44) 测量精密 45) 随机抽样 46) 块的区分 47) 决定区分程度 48) 假设构造
49) 测量方法 50) 管理者支持 51) 将实验结果图表化 52) 确定主要因子 53) 计算出各因子影响大小 54) 作出相关因子影响图 55) 连续样本 56) 从样本收集到样本测量的时
DOE(试验设计)培训课件
实验过程规范与安全保障
遵循伦理规范，保障受试者权益、减少风险。
试验设计中的技术性问题
实验设计不严谨
采用对照试验、随机化等方法，减少偏倚。
检测与分析方法选择不当
根据研究目的选择合适的检测方法，并对结果进行综合分析。
试验设计中的其他问题
研究结果可重复性差
重视实验操作细节，确保实验结果可重复验证。
研究结果推广问题
简便性原则
试验设计应尽可能简单
试验设计应尽可能采用简单的试验方法和装置，以便减少误差和干扰因素。
试验设计应考虑实际应用情况
试验设计应考虑实际应用中的可行性和便利性，以便研究成果能够在实际中得到 广泛应用。
随机性原则
试验设计应采用随机抽样方法
采用随机抽样的方法可以避免选择性偏误，使得样本更具代 表性。
案例二：水稻品种筛选试验设计
目的
01
筛选出适应本地生长环境的水稻品种，提高水稻产量和质量。
试验方法
02
采用随机区组设计，将不同品种的水稻种植在相同的环境下，
观察其生长情况、产量和品质等方面的表现。
结果分析
03
通过方差分析和多重比较，得出不同品种水稻的优劣顺序，选
择适合当地种植的品种。
案例三：产品可靠性加速寿命试验设计
试验设计的目的是为了解决产品、工艺、材料等开发过程中 存在的各种问题，通过优化试验方案和评价指标，提高试验 的效率和质量，从而获得最佳的试验结果。
试验设计的发展历程
01
早期的试验设计方法可以追溯到17世纪，当时科学家们开始采用随机抽样和统 计分析等方法来研究农业、医学等领域的问题。
02
20世纪初，费歇尔等统计学家开始发展出一套完整的试验设计理论和方法，包 括随机化、重复性、因素分析、方差分析等。
遵循伦理规范，保障受试者权益、减少风险。
试验设计中的技术性问题
实验设计不严谨
采用对照试验、随机化等方法，减少偏倚。
检测与分析方法选择不当
根据研究目的选择合适的检测方法，并对结果进行综合分析。
试验设计中的其他问题
研究结果可重复性差
重视实验操作细节，确保实验结果可重复验证。
研究结果推广问题
简便性原则
试验设计应尽可能简单
试验设计应尽可能采用简单的试验方法和装置，以便减少误差和干扰因素。
试验设计应考虑实际应用情况
试验设计应考虑实际应用中的可行性和便利性，以便研究成果能够在实际中得到 广泛应用。
随机性原则
试验设计应采用随机抽样方法
采用随机抽样的方法可以避免选择性偏误，使得样本更具代 表性。
案例二：水稻品种筛选试验设计
目的
01
筛选出适应本地生长环境的水稻品种，提高水稻产量和质量。
试验方法
02
采用随机区组设计，将不同品种的水稻种植在相同的环境下，
观察其生长情况、产量和品质等方面的表现。
结果分析
03
通过方差分析和多重比较，得出不同品种水稻的优劣顺序，选
择适合当地种植的品种。
案例三：产品可靠性加速寿命试验设计
试验设计的目的是为了解决产品、工艺、材料等开发过程中 存在的各种问题，通过优化试验方案和评价指标，提高试验 的效率和质量，从而获得最佳的试验结果。
试验设计的发展历程
01
早期的试验设计方法可以追溯到17世纪，当时科学家们开始采用随机抽样和统 计分析等方法来研究农业、医学等领域的问题。
02
20世纪初，费歇尔等统计学家开始发展出一套完整的试验设计理论和方法，包 括随机化、重复性、因素分析、方差分析等。
实验设计DOE全因子设计实验(2K设计)
7
1.3. 全因子设计、部分因子设计以及2K设计
红色：仅用作筛选设计，PB； 黄色：可选，但分辨度低于绿色； 绿色：优先使用。
8
1.4. 全因子设计
什么是全因子设计？
全因子实验设计是指所有因子及水平的所有组合都要至少要进行 一次试验。 将k个因子的二水平试验记作2 试验。 当k=4时，试验次数m= 24 =16次 当k=5时，试验次数m= 25 =32次 当k=7时，试验次数m= 27 =128次 ……
14
1.4. 全因子设计 - 2k设计 – 分析判定
在实施全因子设计和部分因子设计（又称析因设计）实验结果分析中，Minitan 给出回归分析和方差分析结论，生成供我们分析的信息 — 工程师要学会解释这些数 据并作出正确的决策。 包括6项分析指标：
➢ 总效果 [※ H1：模型有效 P＜0.05 ] ➢ 弯曲 [※ H0：无弯曲 P＞0.05 ] ➢ 失拟 [※ H0：无失拟 P＞0.05 ] ➢ 拟合相关系数 R-Sq （调整）及 R-Sq（adj）（预测的）越接近1好； 二者之差越小越好 ➢ 标准差S分析 越小越好 ➢ 因子效应显著性 ✓ P 值判定 [ ※ H1： P＜0.05 ] ✓ 图形判定 （正态效应图/帕累托效应图）、残差四合一图
系统自动生成水平代码值（-1 ，0， 1）
好处：有连续变量和无量纲特点，有利于统计 分析和建立回归方程
真实值 代码值
பைடு நூலகம்
低水平L 100 -1
中心值 150 0
高水平H 200 +1
中心值M = （L+H）/2 半间距D = （H - L）/2 真实值 = M + D*代码值
13
1.4. 全因子设计 - 2k设计 – 建模
1.3. 全因子设计、部分因子设计以及2K设计
红色：仅用作筛选设计，PB； 黄色：可选，但分辨度低于绿色； 绿色：优先使用。
8
1.4. 全因子设计
什么是全因子设计？
全因子实验设计是指所有因子及水平的所有组合都要至少要进行 一次试验。 将k个因子的二水平试验记作2 试验。 当k=4时，试验次数m= 24 =16次 当k=5时，试验次数m= 25 =32次 当k=7时，试验次数m= 27 =128次 ……
14
1.4. 全因子设计 - 2k设计 – 分析判定
在实施全因子设计和部分因子设计（又称析因设计）实验结果分析中，Minitan 给出回归分析和方差分析结论，生成供我们分析的信息 — 工程师要学会解释这些数 据并作出正确的决策。 包括6项分析指标：
➢ 总效果 [※ H1：模型有效 P＜0.05 ] ➢ 弯曲 [※ H0：无弯曲 P＞0.05 ] ➢ 失拟 [※ H0：无失拟 P＞0.05 ] ➢ 拟合相关系数 R-Sq （调整）及 R-Sq（adj）（预测的）越接近1好； 二者之差越小越好 ➢ 标准差S分析 越小越好 ➢ 因子效应显著性 ✓ P 值判定 [ ※ H1： P＜0.05 ] ✓ 图形判定 （正态效应图/帕累托效应图）、残差四合一图
系统自动生成水平代码值（-1 ，0， 1）
好处：有连续变量和无量纲特点，有利于统计 分析和建立回归方程
真实值 代码值
பைடு நூலகம்
低水平L 100 -1
中心值 150 0
高水平H 200 +1
中心值M = （L+H）/2 半间距D = （H - L）/2 真实值 = M + D*代码值
13
1.4. 全因子设计 - 2k设计 – 建模
实验设计DOE全因子设计实验(2K设计)培训课件讲义
子
次数
次数
数
1
2次
3次
2
4次
9次
3
8次
27次
4
16次
81次
5
32次
243次
6
64次
729次
7
128次
2187次
8
256次
……
9
512次
……
10
1024次
……
4水平试验 次数
4次 16次 64次 256次 1024次 …… …… …… …… ……
6
1.3. 全因子设计、部分因子设计以及2K设计
由于资源限制，如：成本/时间等，需要减少试验次数，对以下问题是否可行要做 出选择：
系统自动生成水平代码值（-1 ，0， 1）
好处：有连续变量和无量纲特点，有利于统计 分析和建立回归方程
真实值 代码值
低水平L 100 -1
中心值 150 0
高水平H 200 +1
中心值M = （L+H）/2 半间距D = （H - L）/2 真实值 = M + D*代码值
13
1.4. 全因子设计 - 2k设计 – 建模
14
1.4. 全因子设计 - 2k设计 – 分析判定
在实施全因子设计和部分因子设计（又称析因设计）实验结果分析中，Minitan 给出回归分析和方差分析结论，生成供我们分析的信息 — 工程师要学会解释这些数 据并作出正确的决策。 包括6项分析指标：
➢ 总效果 [※ H1：模型有效 P＜0.05 ] ➢ 弯曲 [※ H0：无弯曲 P＞0.05 ] ➢ 失拟 [※ H0：无失拟 P＞0.05 ] ➢ 拟合相关系数 R-Sq （调整）及 R-Sq（adj）（预测的）越接近1好； 二者之差越小越好 ➢ 标准差S分析 越小越好 ➢ 因子效应显著性 ✓ P 值判定 [ ※ H1： P＜0.05 ] ✓ 图形判定 （正态效应图/帕累托效应图）、残差四合一图
实验设计DOE必备基础知识理解培训课件讲义
正交实验 RSM
正交实验， 方差分析 稳健设计
混料设计
1947
1950
1958
印度的劳博 英国统计
士（Rao，D,R） 学家乔
发明并建议 治·博克斯
使用正交表 规划具有数 个参数的实 验计划
（George Box）
发展了响 应曲面方 法（RSM）
二战后， 日本质量 管理大师 田口玄一 研究开发 出“田口 品质工程 方法”， 简称田口 方法（稳 健性设计）
作用
区分主效果
效果
主效果和 部分交互作用
所有主效果和交 互作用 (线性效果）
低
现在工序 知识状态
组分/工艺条件
的优化
高
设计或工序 参数优化
反应变量的 预测模型 (曲线效果）
Mintab 中的 DOE工具（2019）
在Mintab 中的 主菜单“协助”的下拉菜单中有DOE选项，当使用二水平因子实 验时（包括筛选和优化），可以直接点开始用，是一份“DOE作业指导”，非常方便。
30
2. 响应（Response):
可控因子是输入变量，通过技术设定解决
xc1 xc2 xc…
r1 r2 资源 …
rn
过程
Y1
产品
Y2 … Yn
xuc1 xuc2 Xuc…
非可控因子是影响变量，可以通过投资或管理活 动转化为可控因子或减弱其影响
Yn=f(xc1,.., xuc1,.., xn)
Y=f(xn)
1 、变量研究 2、变量的优化设置 3、建立可靠公差
DOE实验设计的意义:
工艺研发 （Process Development)
工艺改善 （ Process Improvement)
DOE(试验设计)培训课件
正交设计
利用正交表安排多因素多水平的 试验，寻找最优组合。
均匀设计
在一定范围内均匀选取试验点， 进行多因素多水平的试验，寻找 最优组合。
03
试验设计的应用
试验设计在产品研发中的应用
80%
确定产品性能指标
通过试验设计，确定产品的性能 指标，确保产品能够满足用户需 求。
100%
优化产品设计
试验设计可以帮助优化产品设计 ，提高产品的性能、可靠性和安 全性。
DOE的重要性
• 试验设计在生产或制造过程中具有非常重要的意义。通过试验设计，可以有效地确定影响产品或过程的关键因素，提高产品质量和生效率 。此外，试验设计还可以帮助企业优化资源配置，降低生产成本，提高市场竞争力。
DOE的发展历程
试验设计作为一种科学方法，最初起源于20世纪20年代的农业科 学研究。随着工业革命的推进，试验设计逐渐被应用于工业制造 领域。在20世纪60年代，美国通用电气公司成功应用试验设计方 法优化了其生产过程，取得了显著的经济效益。此后，试验设计 逐渐受到全球各行各业的关注和应用。
DOE（试验设计）培训课件
汇报人:
2023-12-05
目
CONTENCT
录
• DOE简介 • DOE基本原理 • 试验设计的应用 • DOE案例分析 • DOE实践建议 • 相关工具介绍
01
DOE简介
什么是DOE
• DOE（Design of Experiments）是试验设计的英文缩写，它是一种系统性的方法，用于确定和优化在生产或制造过程中影 响关键输出的因素。试验设计通过合理地选择试验因子和水平，以及科学地安排试验顺序，来揭示影响关键输出的因素， 并为优化关键输出提供依据。
DOE分析步骤和2水平2因子实验设计的讲座2
图4解释: 残差对于自变量的散点图如果有弯曲， 首先看图2（残差对于响应变量拟合值的）正常，如果 它正常，而图4不正常，则说明需增加X 的高次项或其它项
8
太钢矿业公司六西格玛管理黑带培训教材
精确地解释DOE
4、判断模型是否需要改进 1）全部因子不显著---本身进入DOE的因子不正确、因子主
观性太强、因子本身没找全、因子筛选过简单、因子水平 范围太窄
2）遗漏了关键因子—重新进入DOE查找因子
3）没有对因子进行剥离---在各项效应系数分析中不显著的 主效应和交互效应应剥离，注意：如果一个高阶项显著则 此高阶项中所包含的低阶项也应被包含在模型中
9
太钢矿业公司六西格玛管理黑带培训教材
精确地解释DOE
4）模型本身有高次项但没加上
5）主效果都不显著交互显著---弯曲、失拟、S等值有问题， 原因可能是交互影响掩盖了主效果或本身主效果不显著
Menu: Stat>DOE>Factorial Plots
26
太钢矿业公司六西格玛管理黑带培训教材
步骤8：交互作用图
Mean
备注：
Interaction Plot (data means) for Yield
55 50
在有些实验中，我们发现对 catalyzer -1 1
45
于其他因子的不同水平，一
但 AB 交互作用是最大的因素， 然后才是压力和温度
图中无标识显示统计显著性
23
太钢矿业公司六西格玛管理黑带培训教材
步骤8：主效果图
Menu: Stat>DOE>Factorial Plots
24
太钢矿业公司六西格玛管理黑带培训教材
步骤8：主效果图
8
太钢矿业公司六西格玛管理黑带培训教材
精确地解释DOE
4、判断模型是否需要改进 1）全部因子不显著---本身进入DOE的因子不正确、因子主
观性太强、因子本身没找全、因子筛选过简单、因子水平 范围太窄
2）遗漏了关键因子—重新进入DOE查找因子
3）没有对因子进行剥离---在各项效应系数分析中不显著的 主效应和交互效应应剥离，注意：如果一个高阶项显著则 此高阶项中所包含的低阶项也应被包含在模型中
9
太钢矿业公司六西格玛管理黑带培训教材
精确地解释DOE
4）模型本身有高次项但没加上
5）主效果都不显著交互显著---弯曲、失拟、S等值有问题， 原因可能是交互影响掩盖了主效果或本身主效果不显著
Menu: Stat>DOE>Factorial Plots
26
太钢矿业公司六西格玛管理黑带培训教材
步骤8：交互作用图
Mean
备注：
Interaction Plot (data means) for Yield
55 50
在有些实验中，我们发现对 catalyzer -1 1
45
于其他因子的不同水平，一
但 AB 交互作用是最大的因素， 然后才是压力和温度
图中无标识显示统计显著性
23
太钢矿业公司六西格玛管理黑带培训教材
步骤8：主效果图
Menu: Stat>DOE>Factorial Plots
24
太钢矿业公司六西格玛管理黑带培训教材
步骤8：主效果图
DOE分析步骤及水平因子实验设计讲座
复制分析
Pareto Chart of the Standardized Effects
(response is Yield, Alpha = .05) 2.78
在柏拉图中我们可以看到说明有
F actor N am e
A
cataly zer
B
co n sis te n ce
显著效果的直线在其右侧
AB
Consistence 1
浓度 1
32 38
Consistence 2 浓度2
54
24
Catalyze 1 Catalyze 2
Conc 1
34
40
Conc 2
50
22
31
太钢矿业公司六西格玛管理黑带培训教材
复制分析
现在我们可以评估统计显著性
32
太钢矿业公司六西格玛管理黑带培训教材
Term Percent
55 50
在有些实验中，我们发现对 catalyzer -1 1
45
于其他因子的不同水平，一
40
个因子的水平间的主效果并
35
不相同。在这种情况下因子
30
间具有交互作用。
25
20
-1
1
cons is t e nce
这里，浓度与催化剂之间存在着影响良率的明显的交互作用回想柏拉图的显示。
27
太钢矿业公司六西格玛管理黑带培训教材
Menu: Stat>DOE>Analyze Factorial Design
22
太钢矿业公司六西格玛管理黑带培训教材
步骤7：柏拉图/正态图
Pareto Chart of the Effects (response is Yield, Alpha = .10)
DOE (试验设计)培训ppt课件
3、衡量6 Sigma的度量指标 A：质量合格率（QUALITY YIELD） B：百万分之一 PPM C：每百万中的缺陷 DPM D：每百万机会中的缺陷 DPMO
4、6 Sigma的团队：绿带（Green Belts）、黑带（Black Belts） 、大黑 带（Master Black Belts ）、倡导者 （CHAMPIONS）、执行官 （EXECUTIVE LEADER），团体从 小到大各司其职。
一：前期
1、成立小组:张三、李四、王五、赵六
附会议纪要).
2：分析（鱼骨图分析）
小组人员：张三、李四、王五、赵六。
工序：油压。
时间：2005、9、19。
制作：张三。
3：总结
经过小组的分析，认为影响产品尺 寸偏长的主要原因为：“油压硫化 时间”，“油压机台压力”设置偏 高。分析小组决定进行DOE试验确 定最佳的机台参数。
A：30年代，SHEWHART（休哈特）引入统 计过程图（COTROL CHART）
B：50年代，DEMING（戴明）对“新”管理 哲学的贡献
C：70年代，TAGUCHI（田口玄一）引入质 量工程
D：90年代，世界市场的出现和6 Sigma--ROBERT GALVIN请MIKEL HARRY创建摩托 罗拉的6 Sigma的研究院，后在亚利桑那洲创 建6 Sigma学院
是否依为 试验因素
如是试验因素
如非试验因素
策
可靠性 设计
略
中心复 和设计
试验水 如何固定其为常 平设置 量,在何种水平上.
备注:◎有重大影响,容易改变; ○有中等影响,相对容易改变;
△影响很小,很难改变.
“实践是检验真理的唯一标准”这句名言， 也许可以很好诠释“实验设计”。实验设计是 在大量的事实基础之上，以事实说话。记住一 种品管永恒不变的管理方式“以事实为基础的 管理方式”。
DOE(试验设计)培训课件
试验设计的特点包括：系统性、有目的性、有组织性、有计 划性、有经济性、有交流性等。
试验设计的发展历程
试验设计方法的发展历程包括：传统试验设计、近代试验 设计、现代试验设计等阶段。
试验设计方法的应用和发展，经历了从简单到复杂、从单 一到多元化的发展过程，逐渐形成了较为完善的理论体系 和应用实践。
试验设计的应用范围
根据专业知识和经验进行选择
选择试验设计方法需要具备一定的专业知识和经验，应根据实际情况和专业知识进行选择。
提高试验设计效率的建议
要点一
预先制定详细的试验 计划
在试验开始前，应制定详细的试验计 划，包括试验的目的、方案、材料、 时间、人员等，以便提高试验效率。
要点二
采用自动化和智能化 设备
积极采用自动化和智能化设备，减少 人工操作和误差，提高试验效率和质 量。
02
试验设计基本原则与步骤
试验设计的基本原则
科学性
以科学理论为指导，客观地、全面 地、系统地进行试验设计。
对比性
通过对比试验，突出试验组与对照 组的差异，便于数据的分析和解释 。
可重复性
在相同条件下，可以多次重复试验 ，以方便在 其他类似场景中应用。
优点
能够有效地控制嵌套因素的影响， 提高试验的精度和可靠性。
缺点
嵌套设计的难度较大，需要专业知 识和经验。
04
试验设计案例分析
案例一：水泥强度试验设计
目的
确定不同水泥品种、粒度、水 灰比等对水泥强度的影响，寻
找最优配比。
试验设计
采用正交试验设计方法，选取9个 因素，每个因素选取3个水平，共 进行3^9次试验。
问题与解答
学员提问
鼓励学员主动提出问题，针对学员提出的问题进行解答，并对重点问题进行 强调和补充说明。
《doe因子设计》PPT课件
2k因子設計？
2=兩水準 k=k個因子
22因子設計實例介紹-蛋糕烘烤實驗
目的:經由改變建議的溫度和時間，去找出最佳 的烘焙條件。
建議溫度及時間: 30 minutes at 350 oF 雜訊因子: (1)操作人員(2)烤箱形式 (3)配料形
式(4)每個烤箱的烘烤數目。 設計考量: (1)固定烤箱烘烤(2)相同的配料形式
Y3
c+ac
a-(1)+ab-b
b-ab-(1)-a+bc+abc-c-ac=4nB
(4nB)^2/N=SSB
Y4
bc+abc
ac-c+abc-bc
ab-b-a+(1)+abc-bc-ac+c=4nAB (4nAB)^2/N=SSAB
Y5
a-(1)
(b+ab)-((1)+a)
c+ac+bc+abc-(1)-a-b-ab=4nC
23因子設計Yate’s演算法
實例練習：
一家生產汽水廠工程師，為研究充填機的製程穩定度，發現其中可
控制因子有 3 個(A)碳酸化百分比，(B) 充填機的操作壓力，(C)每分鐘
生產的瓶數或線速。每個因子選擇兩個水準，每個處理組合重複進行兩
次，其參數與實驗結果如下表所示：
碳酸化百 分比
10％
14％
操作壓力 25 psi
線速 200 -3 -1 0 1
線速 250 -1 0 2 1
操作壓力 30 psi
線速 200 -1 0 2 3
線速 250 1 1 6 5
23因子設計Yate’s演算法
處理 如何決定順序?
2=兩水準 k=k個因子
22因子設計實例介紹-蛋糕烘烤實驗
目的:經由改變建議的溫度和時間，去找出最佳 的烘焙條件。
建議溫度及時間: 30 minutes at 350 oF 雜訊因子: (1)操作人員(2)烤箱形式 (3)配料形
式(4)每個烤箱的烘烤數目。 設計考量: (1)固定烤箱烘烤(2)相同的配料形式
Y3
c+ac
a-(1)+ab-b
b-ab-(1)-a+bc+abc-c-ac=4nB
(4nB)^2/N=SSB
Y4
bc+abc
ac-c+abc-bc
ab-b-a+(1)+abc-bc-ac+c=4nAB (4nAB)^2/N=SSAB
Y5
a-(1)
(b+ab)-((1)+a)
c+ac+bc+abc-(1)-a-b-ab=4nC
23因子設計Yate’s演算法
實例練習：
一家生產汽水廠工程師，為研究充填機的製程穩定度，發現其中可
控制因子有 3 個(A)碳酸化百分比，(B) 充填機的操作壓力，(C)每分鐘
生產的瓶數或線速。每個因子選擇兩個水準，每個處理組合重複進行兩
次，其參數與實驗結果如下表所示：
碳酸化百 分比
10％
14％
操作壓力 25 psi
線速 200 -3 -1 0 1
線速 250 -1 0 2 1
操作壓力 30 psi
線速 200 -1 0 2 3
線速 250 1 1 6 5
23因子設計Yate’s演算法
處理 如何決定順序?
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1. 选用更少的因子水平，即2水平 (2K) ，而不是3水平或更多水平？ 2. 在保证可信度的情况下，能否减少试验次数，仅做部分实验呢？即便是2k设计, 如：对6因子2水平，26=64，是否可以做32次实验，甚至16次试验？ 以上考虑均可行，但有其缺点：2K仅仅体现了线性趋势，而不像3水平或更多水平 可以体现曲线趋势，在Mintab中导入中心点做弥补；减少试验次数降低了实验结果可信 度（减少了对高阶交互作用的观察），但在一定范围内是可以接受的，Mintab给出了分 辨度，使用部分因子实验时，同样需要遵循正交/均衡/可比的原则。
成本高，当因子数超过5个 时，由于经济性/时间等限 制，而变得不可行。
➢ 由于试验次数减少，不 能保证对因子交互作用 有清楚的识别和观察。
➢ 由于试验次数减少，产 生了主因子及其因子间 交互作用间的混杂（有 时叫混淆），互为别名。
8
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
1.3. 部分因子设计和全因子设计关系
异同点
优点
缺点
全因子设 计
部分因子 设计
是在某一水平下的全因子 试验。
对每一个因子及不同阶数
的因子交互作用都能清晰 的识别和观察（包括了三 阶及以上的交互作用，已 经没有多少物理意义）。
➢ 在Mintab中，部分因 ➢ 试验次数少，省钱/省
子设计仅用在2k 设计
组分与Y的关系
寻找因子的 最佳条件组合 设定因子的 最佳条件
5
作用
区分主效应
效果
主效应和
低
部分交互作用
所有主效应和 交互作用
现在工序 知识状态
(线性效果）
高 组分/工艺条件 的优化
设计或工序 参数优化
反应变量的 预测模型 (曲线效果）
1.3. 部分因子设计和全因子设计关系
由于资源限制，如：成本/时间等，需要减少试验次数，对以下问题是否可行要做 出选择：
DOE课程 4
部分因子设计
（2K全因子设计的部分试验 包括2水裂区设计 ）
课程安排
1.DOE基础知识 2. 部分因子设计案例研究 （2k全因子部分试验） 3. 2水平裂区设计
2
DOE基础知识
3
1.1 DOE基础知识回顾
1.2. 应用领域、目的、特点
DOE种类
筛选设计
- Plackett-Burman - “定义筛选”法
17
1.5. 部分因子设计
什么是部分因子设计？
部分因子实验设计是使用了全因子实验设计中的一部试验运行的一次实验。但该部分试 验必须保持正交/均衡/可比。 将k个因子的二水平试验记作2K 试验，K是因子数。 当k=4时，全因试验次数m= 24 =16次，部分因子试验 8次（III） 当k=5时，全因试验次数m= 25 =32次，部分因子试验16次（V），8次(III) 当k=6时，全因试验次数m= 26 =64次，部分因子试验 32次（VI），16次（IV）， 8次 (III) ……
15
1.4. 部分因子设计— 混杂 分辨度
R Ⅲ级
Ⅳ级
分辨度的含义
各主效应间没有混杂，但某些主效应可能与某些二阶交互 效应相混杂 各主效应间没有混杂，各主效应与二阶交互效应间也没有 混杂，但主效应可能与某些三阶交互效应相混杂，某些二 阶交互效应可能与其它二阶交互效应相混杂
Ⅴ级
某些主效应可能与某些四阶交互效应相混杂，但不会与三 阶或更低阶交互效应相混杂；某些二阶交互效应可能与三 阶交互效应相混杂，但各二阶交互效应之间没有混杂
16
1.4. 部分因子设计— 混杂 分辨度
选择设计类型的一般准则：
➢ 分辨率≥Ⅳ —— 部分设计 ➢ 分辨率＜Ⅳ —— 全因子设计
½设计必然有混杂，但必须满足 一定的分辨能力！
3因子时， 仅能使用 全因子设 计
《因子个数-试验次数-分辨率 关系表》
因子数
试验
次数
黄区—
选用
红区 — 禁用， 或只作筛选设计
6
1.3. 部分因子设计和全因子设计关系
全因子设计试验次数
因
2水平试验
3水平试验
子
次数
次数
数
1
2次
3次
2
4次
9次
3
8次
27次
4
16次
81次
5
32次
243次
6
64次
729次
7
128次
2187次
8
256次
……
9
512次
……
10
1024次
……
4水平试验 次数
4次 16次 64次 256次 1024次 …… …… …… …… ……
部分因子设计
- 2k - 2水平裂区
全因子设计
- 2k - 多水平
混料设计
- 单纯质点 - 单纯格点 - 极端顶点
田口设计
响应曲面设计
- 中心复合 - Box-Hehnken
适用因子数
主要目的
6个以上 选别重要因子
4~10 选别重要因子
1~5 因子与Y的关系
2~10 2~20 2~10
2~13
2~3
时。
(最经济方式）中；
➢ 可以适用更多因子
➢ 部分因子设计是2k全因
4~10. （3个因子以下
子设计的一部分试验，
直接使用全因子设计；
是1/2,1/4，1/8（1/n） 当因子数达到8个时，
等；
全因子设计在经济性上
➢ 该部分试验的选取要保
变得非常不可行）。
持试验的正交/可比/均
匀。
➢ 导入了分辨度。
7
全因子设计适用的因字数：1~ 5 (2k设计), 当因子数超过5个， 6,7,8，…， 按最经济的设计方式 2k设计考虑，试验数量往往也是难 以接受的，怎么办？
使用全因子试验总游程数量的 一部分来实施试验。如：27=128次， 使用128的1/2（64次），或1/4 （32次），通过研究，是可行的。
9
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
10
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
11
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
试验次数减少 一半；方法是 对3阶ABC使 用一个水平； 三阶以上的交 互作用物理意 义不大。
12
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
13
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理 部分因子设计— 混杂 分辨度
分辨度：系一组试验能区分复杂因果关 系能力的指标。
红色：仅用作筛选设计，PB； 黄色：筛选，或析因分析可选，但分辨度低于绿色； 绿色：可析因分析，优先使用。
成本高，当因子数超过5个 时，由于经济性/时间等限 制，而变得不可行。
➢ 由于试验次数减少，不 能保证对因子交互作用 有清楚的识别和观察。
➢ 由于试验次数减少，产 生了主因子及其因子间 交互作用间的混杂（有 时叫混淆），互为别名。
8
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
1.3. 部分因子设计和全因子设计关系
异同点
优点
缺点
全因子设 计
部分因子 设计
是在某一水平下的全因子 试验。
对每一个因子及不同阶数
的因子交互作用都能清晰 的识别和观察（包括了三 阶及以上的交互作用，已 经没有多少物理意义）。
➢ 在Mintab中，部分因 ➢ 试验次数少，省钱/省
子设计仅用在2k 设计
组分与Y的关系
寻找因子的 最佳条件组合 设定因子的 最佳条件
5
作用
区分主效应
效果
主效应和
低
部分交互作用
所有主效应和 交互作用
现在工序 知识状态
(线性效果）
高 组分/工艺条件 的优化
设计或工序 参数优化
反应变量的 预测模型 (曲线效果）
1.3. 部分因子设计和全因子设计关系
由于资源限制，如：成本/时间等，需要减少试验次数，对以下问题是否可行要做 出选择：
DOE课程 4
部分因子设计
（2K全因子设计的部分试验 包括2水裂区设计 ）
课程安排
1.DOE基础知识 2. 部分因子设计案例研究 （2k全因子部分试验） 3. 2水平裂区设计
2
DOE基础知识
3
1.1 DOE基础知识回顾
1.2. 应用领域、目的、特点
DOE种类
筛选设计
- Plackett-Burman - “定义筛选”法
17
1.5. 部分因子设计
什么是部分因子设计？
部分因子实验设计是使用了全因子实验设计中的一部试验运行的一次实验。但该部分试 验必须保持正交/均衡/可比。 将k个因子的二水平试验记作2K 试验，K是因子数。 当k=4时，全因试验次数m= 24 =16次，部分因子试验 8次（III） 当k=5时，全因试验次数m= 25 =32次，部分因子试验16次（V），8次(III) 当k=6时，全因试验次数m= 26 =64次，部分因子试验 32次（VI），16次（IV）， 8次 (III) ……
15
1.4. 部分因子设计— 混杂 分辨度
R Ⅲ级
Ⅳ级
分辨度的含义
各主效应间没有混杂，但某些主效应可能与某些二阶交互 效应相混杂 各主效应间没有混杂，各主效应与二阶交互效应间也没有 混杂，但主效应可能与某些三阶交互效应相混杂，某些二 阶交互效应可能与其它二阶交互效应相混杂
Ⅴ级
某些主效应可能与某些四阶交互效应相混杂，但不会与三 阶或更低阶交互效应相混杂；某些二阶交互效应可能与三 阶交互效应相混杂，但各二阶交互效应之间没有混杂
16
1.4. 部分因子设计— 混杂 分辨度
选择设计类型的一般准则：
➢ 分辨率≥Ⅳ —— 部分设计 ➢ 分辨率＜Ⅳ —— 全因子设计
½设计必然有混杂，但必须满足 一定的分辨能力！
3因子时， 仅能使用 全因子设 计
《因子个数-试验次数-分辨率 关系表》
因子数
试验
次数
黄区—
选用
红区 — 禁用， 或只作筛选设计
6
1.3. 部分因子设计和全因子设计关系
全因子设计试验次数
因
2水平试验
3水平试验
子
次数
次数
数
1
2次
3次
2
4次
9次
3
8次
27次
4
16次
81次
5
32次
243次
6
64次
729次
7
128次
2187次
8
256次
……
9
512次
……
10
1024次
……
4水平试验 次数
4次 16次 64次 256次 1024次 …… …… …… …… ……
部分因子设计
- 2k - 2水平裂区
全因子设计
- 2k - 多水平
混料设计
- 单纯质点 - 单纯格点 - 极端顶点
田口设计
响应曲面设计
- 中心复合 - Box-Hehnken
适用因子数
主要目的
6个以上 选别重要因子
4~10 选别重要因子
1~5 因子与Y的关系
2~10 2~20 2~10
2~13
2~3
时。
(最经济方式）中；
➢ 可以适用更多因子
➢ 部分因子设计是2k全因
4~10. （3个因子以下
子设计的一部分试验，
直接使用全因子设计；
是1/2,1/4，1/8（1/n） 当因子数达到8个时，
等；
全因子设计在经济性上
➢ 该部分试验的选取要保
变得非常不可行）。
持试验的正交/可比/均
匀。
➢ 导入了分辨度。
7
全因子设计适用的因字数：1~ 5 (2k设计), 当因子数超过5个， 6,7,8，…， 按最经济的设计方式 2k设计考虑，试验数量往往也是难 以接受的，怎么办？
使用全因子试验总游程数量的 一部分来实施试验。如：27=128次， 使用128的1/2（64次），或1/4 （32次），通过研究，是可行的。
9
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
10
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
11
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
试验次数减少 一半；方法是 对3阶ABC使 用一个水平； 三阶以上的交 互作用物理意 义不大。
12
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理解》 第17个术语回顾：
13
1.4. 部分因子设计— 混杂
《DOE课程1 DOE必备基础知识理 部分因子设计— 混杂 分辨度
分辨度：系一组试验能区分复杂因果关 系能力的指标。
红色：仅用作筛选设计，PB； 黄色：筛选，或析因分析可选，但分辨度低于绿色； 绿色：可析因分析，优先使用。