六西格玛DOE试验设计概述及思路
DOE试验设计的概念及在六西格玛改进阶段的主要工作
DOE试验设计的概念及在六西格玛改进阶段的主要工作一、什么是试验设计DOE试验设计（Design Of Experiment，DOE），也称为实验设计，是以概率论和数理统计为理论基础，以最有效的方式安排试验以获得含有最大信息量的数据并据此进行分析的一项技术。
DOE自20世纪20年代问世至今，其发展大致经历了三个阶段：即早期的单因素和多因素方差分析，传统的正交试验法和近代的调优设计法；从20世纪30年代费希尔在农业生产中使用试验设计方法以来，试验设计方法已经得到了广泛的发展，统计学家们发现了很多非常有效的试验设计技术；20世纪60年代，日本统计学家田口玄一将试验设计中应用最广的正交设计表格化，深入浅出，为试验设计的更广泛使用做出了众所周知的贡献。
二、应用目的六西格玛项目团队在改进阶段的主要工作是：在识别出过程输出Y的关键影响因素X后，针对这些关键X制定出有效的改进方案。
DOE则是帮助团队产生最佳解决方案的有效工具。
许多项目在形成方案时面临的一个重要问题是：哪些影响因素X显著地影响者过程输出Y，怎样去改变这些X或者这些X取什么值时将会使Y达到最佳值。
而DOE 可以帮助团队更好地回答这些问题。
按照DOE的设计，有计划地安排试验并获取数据，之后通过详尽的数据分析，获得所需的信息，从而获得最佳的改进方案。
如前所述，DOE所要达到的目的是分析出“哪些X显著地影响着Y，这些X取什么值时将会使Y达到最佳值”。
在分析阶段，也使用了达到类似目的的统计方法，那么DOE与这些方法间有什么区别呢？需要说明的是，在A阶段，分析主要依赖于未改变当前过程条件下所获得的数据，特别是历史数据。
因此，可以视分析阶段为一种“波动”的收集数据和分析的过程。
而充分地调查过程的现状，可以给我们提供过程影响因素的大量信息，团队不应该放弃这些数据的运用。
而在改进阶段，可能要考虑全新的方案，可以考虑打破目前过程条件的限制，尝试关键x的新取值，因而有可能使Y获得更佳值。
DOE--6sigma
１实验设计(Design of Experiment ，DOE)1. 前言研究统计分析而不谈实验设计就如只谈品管方法而不谈品质问题，这是本末倒置的。
譬如工业上的品质问题受到人员、设备、材料、方法及及环境等许多因素的影响，而存在许多不可预知的的变异。
如何依据实验的设计来观测实验的结果，以统计分析来验证归纳那些因素对品质问题有显著的影响，进而寻找更好的设计方法，更好的材料，更好的生产技术来解决品质问题。
这是近代许多科学家、工程师、技术员及管理阶层一直在努力寻找的技术，至今已经有许多卓越的方法在各领域中应用而得到许多辉煌的成效。
实验设计早在1920年代 R.A.Fisher 在农业上小麦品种的遗传研究，已经使用多因素配置法对不同因素的每一水准组合进行实验，再用变异数分析来评价因素对实验问题的影响。
但是当因素与水准的数目增加时，导致实验次数也增加，因此对实验执行的效果大打折扣。
1940年代 D.J.Finney 提出多因素实验的部份实施法以期降低实验次数而又能保有实验的效果，更奠定了现代实验设计的基础。
1950年代G.Taguchi 依既有的实验设计方法，以规格化的直交表来进行直交实验设计，使得工业界使用实验设计的可行性增高，再加上其以工程观念的产品研发过程；系统设计，参数设计及公差设计等所谓的『三次设计』，进行有系统的实验设计。
1980年代这些技术经由英文出版而以『品质工程』为名推广至美国进而通行全世界的先进工业领域，纵使学术界对其技术的理论依据提出甚多疑点，但是站在工程实验设计的观点其技术仍是较为实用的方法。
以下对实验设计的专门术语及其基本理念作一解释，首先说明因果关系，此处因果即是因素与结果的关系，且因素与结果都能定性或定量，例如以产品品质特性受到人员、设备、材料、方法及及环境变动的影响，如(图1-1)所示。
若以数学关系式(1-1)表示，Y 为结果，一般称之应变量，是我们实验的观测值或品质特性。
k X X X ,,.........,21为影响结果的 k 个因素，一般称之自变量，是我们实验设计时考虑配置的因素。
韩国LG六西格玛(6sigma)黑带培训教材之DOE 实验设计案例
(+) 水平
25 330 PC+ABS Data 输入
20 25 20 25 20 25 20 25
品质协会()
14 -9/29
LG Electronics / LGENT 6σTASK TEAM
实验设计(DOE)-完全配置法例题(23 实验)
树立实验设计
品质协会()
2. Principle of Replication(反复性) 反复能够使误差项的自由度增大、误差分散也有程度地推定， 使得能提高实验结果的可靠性.恰当的误差项的DF是 6 ~ 20个. 3. Principle of Blocking Block是同质性的集团,如果判断一些要因成为问题时,把那个要因选定为Blocking因子, Blocking因子选定的话,不增加实验的次数,可以分析要因; Blocking因子不选定的话,实验结果会出现问题,不能分析原因. Randomized Block Design 4. Principle of Confounding 把没必要求的2因子交互作用或者高次的交互作用与Block交叉的方法, 检出不必要的要因与Block的效果相交落，因此能提高实验的效果.
实验设计(DOE)的目的
• 通过计划周全的实验 1. 掌握哪个要因对反应有有益的影响，找出其影响良性的程度有多大. → 检证和推定的问题 2. 掌握微小影响的要因，在所有影响当中占多少比重，测定误差多少 → 误差项推定的问题 3. 有益影响的原因具有什么条件时，掌握是否得到最佳的反应 → 最佳反应条件的问题
品质协会()
14 -6/29
LG Electronics / LGENT 6σTASK TEAM
实验设计(DOE)
实验设计(DOE)的基本原理 : 要构筑实验程度好、分析容易的实验设计的话 ,,,
统计上的实验设计(DOE)在6 Sigma的角色
李麗女前言現在6 Sigma 已成為眾所周知的㆒個有效的方法以達到產品及服務的品質優質化，其需要利用統計㆖的思維以及管理㆖和操作㆖的作業以完成基本㆖的改善。
本文以非數學的用語解釋所看到的實驗設計（DOE)的理論及技巧如何在6 Sigma ㆖展開，也概述從過去的品質改善㆖實驗設計(DOE)如何㆞被使用，以及在6 Sigma㆖的重要性角色而達到最高峰，實驗性的設計應用在過去數年以及未來其範圍的變遷令㆟重視，並將對㆒個組織機構追求卓越的品質提供 6 Sigma有利的重要性之願景。
以6 Sigma 做為㆒項品質改善動機現在已為眾所周知了，其有日漸增多的文獻說明它的理論、應用以及對品質專業的影響，當個㆟的訓練普及以及承諾於6 Sigma 有所成長時，在6 Sigma 所展開的方法論獲得重視將對它的應用產生有效用性的結果。
本文將簡單概述6 Sigma 所使用的主要工具，以引導的方式解釋在實務統計㆖的實驗設計所扮演的角色。
自從6 Sigma 的早期，實驗設計已經由品質實務者使用了數個版別了，之後經過彙總及比對，伴隨著每㆒個架構之實驗性的設計及分析，其動機及方法日受重視，可看出使用“改善”此㆒特定的形式通常是影響實驗性的設計應用之動力，此㆒重要的統計性工具，在未來於工業界及商業界的可能發展，在結論的時將加以討論。
6 Sigma及實驗設計現在因6 Sigma 之經營乃取自專案執行的形式，㆒般是以階段的方式進行，其為眾所周知的定義--度量--分析--改善--管制，或DMAIC。
㆒般而言，在專案定義的李麗女TAGUCHI的實驗為了解決問題及達到最佳化而需要實驗的技術是沒有㆞理㆖的界限，值得注意的是，當Box 和他的合作者在推動實驗設計此分析性的領域及Shainin 推展他的實務之演繹法的同時，在 Genichi Taguchi的影響㆘，日本也有新發展產生。
Taguchi 的品質方法在文獻㆖(12-16)多有討論到，因它與操作工程師及設計工程師的互動結果，導致他持有數項觀點與主流的統計學家的實驗設計有所不同：1.實驗設計太重要所以要留給統計學家研究：因此，工程師本身必須要能夠使用它以改善品質。
六西格玛试验设计之调优运算的基本概念和运算方法
六西格玛试验设计之调优运算的基本概念和运算方法六西格玛试验设计（Design of Experiments, DOE）是一种统计方法，用于优化和改进工业过程和产品的质量以及降低成本。
调优运算是六西格玛试验设计的一个基本概念，旨在通过系统化的实验和数据分析来确定和优化关键因素对结果的影响。
本文将介绍六西格玛试验设计的调优运算的基本概念和运算方法。
调优运算的基本概念包括确定关键因素、建立模型、确定最优条件和验证模型。
下面将详细介绍每个概念的内容。
1.确定关键因素：首先要确定对结果影响最为显著的关键因素。
这些因素可以是机器设备中的工作参数、产品制造过程中的因素等。
通过分析历史数据、专家意见或探索性试验等方法，选择关键因素并确定其水平范围。
2.建立模型：在确定关键因素后，需要建立数学模型来描述关键因素与结果之间的关系。
常用的模型包括线性模型、二次模型、响应面模型等。
模型的选择依据可能是实验设计类型和样本数量的限制等。
3. 确定最优条件：通过对不同条件下的试验进行数据收集和分析，确定能够达到最优结果的关键因素水平组合。
通常采用设计矩阵（design matrix）来确定试验设计，其中包括各因素的水平和重复次数。
根据试验结果，可以使用统计方法和优化算法来确定最优条件。
4.验证模型：最后，需要对确定的最优条件进行验证实验。
在验证实验中，使用最优条件下的因素水平来生成结果，并与模型预测结果进行比较。
如果实际结果与预测结果相符，说明模型是可靠的，可以用于优化和改进工业过程和产品。
调优运算的基本运算方法包括重复试验、因素水平设计、响应分析和优化算法。
1.重复试验：重复试验是为了减小试验误差，增加结果的可信度。
通过多次试验，可以获得更加稳定和可靠的数据，并检验结果的一致性。
2.因素水平设计：因素水平设计是针对关键因素的设置。
常用的设计方法有全因素设计、部分因素设计和跨越设计等。
为了确定关键因素的水平组合，可以使用拟合和调整设计矩阵。
六西格玛突破改善工具DOE实验设计培训
7、饶口令游戏
第五讲：分部试验设计
1、分部试验设计概述
2、因子与交互作用的混淆
3、分部设计的分辨率
4、折叠设计
5、PLACKETT-BURMAN 设计
6、跟进试验
7、分部试验设计案例分析与练习第六讲：RSM方法
1、爬山
2、最速上升法
3、滚珠轴承寿命试验
4、轴向点与中心点
5、优化设计的分析
6、混合水平设计
7、RSM方法案例分析与练习
第七讲：调优运算
1、调优运算的概念
2、调优运算的用途
3、调优运算实例分析
4、调优运算自主练习及结果点评第八讲：多变量分析技术
1、三类变异
2、样本量的计算
3、多变量析案例分析
4、多变量分析自主练习及结果点评
5、现场提问与答疑。
六西格玛培训之实验设计(DOE)使用的基本步骤
六西格玛培训之实验设计（DOE）使用的基本步骤一、实验设计的使用实验设计(design of experiments, DOE)用于检验和优化过程、产品、服务或解决方案的绩效。
它主要用来帮助了解不同条件下产品或过程的行为。
DOE最独特之处就在于它能够使你通过实验来计划和控制变量，与按照“经验观察”方式仅仅收集和观察现实世界中的事物是截然不同的。
在六西格玛组织中，DOE有着非常广泛的应用，天行健管理公司分析了它能帮助企业解决以下问题:①评估顾客声音系统，在不烦扰顾客的情况下寻找产生有效反馈的最佳方法组合；②评估诸因素以将引起某一问题或缺陷的“重要”根本原因分离出来；③试行或检验可能的解决方案组合，以寻求最佳改进策略；④评价产品或服务的设计以确认潜在的问题并从开始就减少存在的缺陷。
尽管DOE用于事物要比用于人更容易，但在服务环境下进行实验设计仍是可能的。
可是，这些实验设计趋向是“现实世界”的试验，在这些试验中，变量在实际过程中加以控制，然后将其结果进行比较。
二、实验设计的基本步骤1、确认要评价的因素你希望从实验中了解些什么?对过程或产品的可能影响是什么?在选择因素时要切记:试验更多因素不仅会带来获取额外数据的利益，也会增加成本和复杂性，对二者进行权衡很重要。
2、界定检验因素的“水平”对速度、时间和重量等诸如此类的变量因素，试验水平的数量可以无限多。
因此，你不仅要选择所要采用的数值，而且还要确定希望试验多少不同的水平。
在离散型数据情况下，试验水平可能是两选一的。
3、建立一个实验组合排列在实验设计中，通常希望避免采用每一变量都单独试验的“每次一个因素”(one-factor-at-a-time, OFAT)的办法。
通常是试验一系列因素水平组合以得到对所有因素都具代表性的数据。
这些可能的组合或排列可以由统计软件工具产生或查表得到，借助它们可以帮你避免对每一可能的组合都进行试验。
4、在规定的条件下进行实验关键是要避免其他一些未被检验的因素影响结果。
六西格玛之改善DOE计划阶段
六西格玛之改善DOE计划阶段介绍在六西格玛改善方法中，DOE（Design of Experiments）是一种重要的工具。
DOE能够帮助企业系统地设计和分析试验，以找出影响目标变量的因素，并优化这些影响因素的设置。
本文将介绍六西格玛中DOE计划阶段的基本概念和步骤。
DOED计划阶段的目标DOE计划阶段的主要目标是设计并选择适当的试验方案，以确定哪些因素对目标变量有影响，并确定这些因素的最佳设置。
在这个阶段，需要明确以下几个方面的内容：1.定义目标变量：确定需要优化的指标或目标变量，通常是企业的关键性能指标。
2.确定影响因素：识别和列举可能会影响目标变量的因素，并对这些因素进行分类。
3.设计试验方案：使用适当的设计方法，确定需要进行的试验的数量、顺序和参数设定。
4.收集数据：在试验中收集相关数据，记录每个试验点的因素设置和对应的目标变量的结果。
5.分析数据：使用统计方法和分析工具对试验数据进行分析，以确定各个因素对目标变量的影响大小。
DOED计划阶段的步骤下面将详细介绍DOE计划阶段的每个步骤：1. 定义目标变量在DOE计划阶段的开始，首先需要明确需要优化的目标变量。
这个目标变量通常是企业的关键绩效指标，如生产效率、产品质量或客户满意度等。
这个目标变量应该能够直接反映企业的问题或挑战，以及需要优化的方向。
2. 确定影响因素在明确了目标变量后，需要识别和列举可能会影响目标变量的因素。
这些因素可以分为两类：•可控因素：可以通过调整和优化来影响目标变量的因素。
例如，生产温度、原料配比等。
•不可控因素：无法直接控制或调整的因素，但可能会对目标变量产生影响。
例如，环境温度、原材料质量等。
对于每个因素，还应该确定其变化范围和可调节程度，以便在试验中进行调整和测试。
3. 设计试验方案在确定了影响因素后，需要设计试验方案来确定各个因素的最佳设置。
试验方案应该满足下面几个原则：•考虑交互作用：在试验设计中，需要考虑不同因素之间的交互作用，以避免忽略可能存在的相互影响。
实验设计(DOE)ppt课件
2、 DOE实验计划 在进行DOE实验之前，要充分考虑Y=f（x1、x2……xn)因变量Y和自变量x的关系。确
定实验因子的人数，据此可确定实验因子表进行实验，一般实验计划包括如下内容。 1) 确定实验目的：要有一个明确的实验目的，以此才能达到需 要的目标。 2) 确定实验因子：要分析影响因变量变化的因子个数，进行全因子的DOE实验。 3) 确定实验因子水平：不同的实验因子水平会影响实验结果。 4) 选定DOE实验表格：根据因子数和因子水平确定DOE实验表格。 5) 安排实验时间：根据DOE进行次数确定实验时间。考虑过程的连续性，尽量安排在同
其优点在于能从很多试验条件中选出代表性强的少数次条件，并能通过对少数次试验 条件的分析，找出较好的生产条件即最优或较优的试验方案。
• 正交试验设计法最早由日本质量管理专家田口玄一提出际标准型（田口型）正交试 验法。
•
针对田口型正交试验设计法计算复查的问题（方差分析），中国数学家张里千教
授发明的中国型正交试验设计法，由于应用计算简便的极差分析法，非常适合工业企
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
20
全因子和分部DOE 1. 确定问题 2. 建立实验目标 3. 选拔因变量和自变量关系Y=f(x1,x2…..xn) 4. 选择因子水平 5. 选择实验表格,全因子DOE每一个因子或水平都要进行实验,分部DOE相对于全因子
23
因素有可能按数量表示，如温度、时间、压力等称为定 量描述的因素。但也有不能用数量表示而只能定性描述的， 如材料的品种、产品的型号、工艺流程的类别等，称为定 性描述的因素。在试验过程中有些因素所处的状态是可以 控制或调节的，如加热温度、溶化温度、切削速度等，这 样的因素称为可控因素。反之，别外一些因素所处的状态 是不能控制或调节的，如未装空调的生产环境的温度、湿 度等，称为不可控因素或干扰因素。在正交试验设计应用 过程中，如无特殊规定，因素一般是指可控因素。在试验 过程中只考察一个因素对试验结果（考核指标）影响的试 验，称为单因素试验。若同时考察两个以上因素，则称为 多因素试验。单因素试验设计一般可应用优选法进行，而 多因素试验设计必须应用正交试验设计法解决。
六西格玛doe实验设计培训
部分因子实验 在23全因子实验法的基本设计上追加2个因子. 因子数 : 5 实验数= 8次 D=AB E=AC 即ABD=1 ACE=1 BDCE=1 , BD=CE
-1，1
1，1
-1，1
时 间 1，1
-1，-1
1，1
湿度 温度
实验次数= 23 +3 2为水准数，3为因子数，3为中心点数量
追定
为了改善的大概 方向
(线形效果)
主效果和局部 交互作用
所有的主效果 和交互作用 可估计弯曲
输出变量的预测
模型 (曲率效果)
因全阶乘因子实验，实验次数过多，实验较复杂
通常使用2k 两水平全因子实验法（增加中心点后近似可代替3水平因子实验），实验次数大幅减少
2因子实验
未编码
温度
200 300 250 250 200 250 300
中心点 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
部分因子实验例题 2. Minitab路径： 统计-DOE-因子-分析因子设计 选择输出变量数据列，图形选项勾选正态和4合1图
从两个图中可以看出，显著因子为B D BD E DE五个 （Catalyst Temp Conc三个因子及Catalyst*Temp Conc*Temp两个交互项）
部分因子间关系
所有 因子之间的关系
X与Y的二次关系 X的最优点
分析
改善的粗略方向 (线形效果)
最重要的因素
主效果和局部 交互作用
6σ内训系列-DOE简介
比较 高 中 中 低
稳健设计 中 低 高 低/高
F 1 2 2 1 1 2 2 1 G 1 2 2 1 2 1 1 2
2
7
2 x2 x2 x2 x2 x2 x2 128次
Taguchi Orthogonal Array Design
A B C D E 1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 2 2 2 1 1 1 2 1 2 1 2 1 2 1 2 1 2 2 1 2 1
Y
X
X
X
没有交互作用 (平行的状态)
有一点交互作用
有很大的交互作用
品质 ·创新 ·专注 ·双赢
DOE方案选择
试验设计方案（类别）选择流程
确定试验目标 Y 需要进行试验吗？ 开始
N 选定自变量 （因素）
结束
因素数大于7吗？
N
试验精度 要求高吗？
N
Y 进行因子DOE 全因子/分部因子
进行筛选DOE
正交代码
主效应 交互作用
品质 ·创新 ·专注 ·双赢
DOE的基本概念
随机化－Randomization
随机化是在试验研究中重新分配试验材料和安排试验顺序的一种试验设计技巧。
随机化的目的是消除和减
随机化的结果是保证某一 次试验既不受前面的试验 的影响，也不影响后面的 试验，或者说试验是独立 的。 随机化不能减少试验误差 即噪音，但可以减小不可 控因子引起的影响
3.每次的试验成本
品质 ·创新 ·专注 ·双赢
DOE的类型的选择
据不同的因素类，我们可以按以下分类：
试验类型 目标 1.寻找最有利于输出的因素水平 2.建立可评估所有交互影响的数学模型 1.寻找最有利于输出的因素水平 2.建立可评估部分交互影响的数学模型 从大量因素中发现少数关键因素（不评估因素的交互作用） 1.优化 2.建立非线性影响存大时的数学模型 1.优化 典型可控因素 数 4因素以内
六西格玛管理之试验设计(DOE)的基本步骤
六西格玛管理之试验设计（DOE）的基本步骤六西格玛管理的企业在从传统的六西格玛改进DMAIC向六西格玛设计DFSS的进化过程中，越来越重视试验设计。
六西格玛试验设计认为试验的计划与实施应该包含计划、实施及分析三阶段。
一、计划阶段1、阐述目标所有团队成员都要投入讨论，明确目标及要求。
究竟是为了筛选因子还是为了找寻关系式?最终要达到什么要求?2、选择响应变量在一个试验中若有多种响应，则要选择起关键作用的。
能用连续型指标做度量的响应变量远比只有二元响应(成、败)的响应变量好得多。
3、选择因子及水平用流程图及因果图或鱼骨图先列出所有可能对响应变量有影响的因子清单，然后根据数据和各方面的知识进行细致分析作初步筛选。
不能确定该删除者就应该保留。
对于水平的选择也要仔细处理，一般来说，各水平的设置应足够分散，这样效应才能检测出来，但也不要太分散以至将各种其他的物理机械因素都包括进来，这会使统计建模和预测变得困难。
4、选择试验计划根据试验目的，选择正确的试验类型，确定区组状况、试验次数，并按随机化原则安排好试验顺序及试验单元的分配，排好计划矩阵(planning ma-trix)。
二、实施阶段严格按计划矩阵的安排进行试验，除了记录响应变量的数据外，还要详细记录试验过程的所有状况，包括环境(气温、室温、湿度、电压等)、材料、操作员等。
试验中的任何非正常数据也应子以记录，以便后来分析使用。
三、分析阶段对数据的分析方法应与所应用的设计类型相适应。
分析中应包括拟合选定模型、残差诊断、评估模型的适用性并设法改进模型等。
当模型最终选定后，要对此模型所给出的结果作必要的分析、解释及推断，从而提出重要因子的最佳设置及响应变量的预测。
当认定结果已经基本达到目标后，给出验证试验(confirmation run)的预测值，并做验证试验以验证最佳设置是否真的有效。
文章来源：/liuxigemasheji/404.html。
DOE试验设计(初阶)课程
–
试验方法粗糙，因为在试验其中一个因子时，其他因子保持不变，这样得出的结 论可能和实际不符；而且试验的结果我们只知道每个参数的主效应情况，参数与
参数之间的影响一无所知！
DOE的目的
• • • • 确定哪些x对y的影响最大； 确定应把有影响的x设定在什么水平，以使y达到或尽可能靠近希望值； 确定应把有影响的x设定在什么水平，以使y的分散度（或方差）尽可能减小； 确定应把有影响的x设定在什么水平，以使不可控x(噪音因子)对y的影响尽可能减小；
1.方差分析 a. 模型是否有效； b.有无失拟； C.有无弯曲
a. 模型总效果 （H0：模型无效 H1：模型有效） 所以“主效应”和“2因子交互作用”中至少一项P值<0.05，才能说明模型有效； b. 失拟现象 （H0：无失拟 H1：有失拟 ） P值>0.05,则表明无法拒绝原假设 c. 弯曲现象 （H0：无弯曲 H1：有弯曲 ）
5
10
15
20
25
试验顺序
DOE的基本术语-2
处理：是指试验中不同因子的不同水平的一个组合 一个全因子试验中中处理组合的个数通常是等于各因子水平数的乘积； 处理1： 时间=5秒，温度=1000度 处理2： 时间=10秒，温度=1500度 重复(Repetition ): 一个处理要是与多个单元（揭示短期有效性） 再现(replication): 在一个时间序列上重复做整个试验（揭示长期有效性）
• • • 重复和再现主要是为试验系统中的自然散布提供估计 在同一试验中可以两个都使用 在试验中两个都直接与样品数相关
压力: 温度:
130
第1次再现
第2次再现
+1+1+1+1 -1 -1 -1 -1 +1+1+1+1 -1 -1- 1-1 +1+1+1+1 -1-1-1-1 +1+1-1 -1 +1+1-1-1 +1+1- 1 -1 +1+1-1-1 +1+1 -1 -1 +1+1-1-1
六西格玛DOE试验设计概述及思路解读
六西格玛DOE试验设计概述及思路一、六西格玛试验设计概述在六西格玛改进阶段经常采用正交试验设计(正交DOE方法合理经济地寻求设计优化方案,以确定显著影响产品性能的关键设计参数,在过程开发方面可以实现提高产量,减少波动,缩短开发时间以及降低总成本。
一家专门作西装裤的服装公司,想要比较四种不同布料:麻纱、棉质、丝质和毛料做出来的西装裤,哪一种布料的西装裤最耐穿?于是,每种布料做10条西装裤,提供给40位志愿试穿的人各穿6个月,试穿期间每周4天,然后再拿回来比较裤子破损的情形。
但这里有一个问题是,即使同一种布料作的裤子,给不同人试穿,其破损的程度都不尽相同,何况不同种布料作的呢?换句话说,我们如何分辨哪些破损是由于人为的因素?哪些是因为布料本身的耐磨?还是一些其他因素的影响?这类比较试验在日常生活中到处可见,如几种不同的感冒药,哪个疗效最佳?几种不同的教学方式,哪种教学效果最好?通常每作完一次试验,都会有一些数据,这些数据经过分析后会得到一些结论,如在六西格玛管理中,通过界定、测量和分析阶段我们已经收集了一定量的数据,并对这些数据作了一定的考察,发现了一些对响应变量(指标有重要影响的少量因子。
那么这些结论究竟有多少可信度?我们是否可以放心的引用它?这类试验,若事前没有经过周详的考虑与设计,即使作完试验,所得的结果可能与事实有极大的偏差。
分析试验设计的目的需要包含下列几点:①确定潜在的少数变量x是否对响应变量y有影响;②确定这些有影响的变量x值在什么范围内使响应变量y几乎围绕目标值波动;③确定x的值以改变响应变量分布的均值,并减少其波动;④确定具有影响的x值使其不可控变量的影响最小,即使响应变量对外部环境的变化是稳健的。
试验设计的方法于20年代由英国学者R. A. Fisher所创,他开发出并首次应用方差分析的方法作为试验设计中主要的统计分析工具,其整个过程可以用一张方差分析表表示。
试验设计的方法有很多,常用的正交试验设计,数据分析的方法用方差分析法。
- 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)。
六西格玛DOE试验设计概述及思路
一、六西格玛试验设计概述
在六西格玛改进阶段经常采用正交试验设计(正交DOE)方法合理经济地寻求设计优化方案，以确定显著影响产品性能的关键设计参数，在过程开发方面可以实现提高产量，减少波动，缩短开发时间以及降低总成本。
一家专门作西装裤的服装公司，想要比较四种不同布料:麻纱、棉质、丝质和毛料做出来的西装裤，哪一种布料的西装裤最耐穿?于是，每种布料做10条西装裤，提供给40位志愿试穿的人各穿6个月，试穿期间每周4天，然后再拿回来比较裤子破损的情形。
但这里有一个问题是，即使同一种布料作的裤子，给不同人试穿，其破损的程度都不尽相同，何况不同种布料作的呢?换句话说，我们如何分辨哪些破损是由于人为的因素?哪些是因为布料本身的耐磨?还是一些其他因素的影响?
这类比较试验在日常生活中到处可见，如几种不同的感冒药，哪个疗效最佳?几种不同的教学方式，哪种教学效果最好?通常每作完一次试验，都会有一些数据，这些数据经过分析后会得到一些结论，如在六西格玛管理中，通过界定、测量和分析阶段我们已经收集了一定量的数据，并对这些数据作了一定的考察，发现了一些对响应变量(指标)有重要影响的少量因子。
那么这些结论究竟有多少可信度?我们是否可以放心的引用它?这类试验，若事前没有经过周详的考虑与设计，即使作完试验，所得的结果可能与事实有极大的偏差。
分析试验设计的目的需要包含下列几点:
①确定潜在的少数变量x是否对响应变量y有影响；
②确定这些有影响的变量x值在什么范围内使响应变量y几乎围绕目标值波动；
③确定x的值以改变响应变量分布的均值，并减少其波动；
④确定具有影响的x值使其不可控变量的影响最小，即使响应变量对外部环境的变化是稳健的。
试验设计的方法于20年代由英国学者R. A. Fisher所创，他开发出并首次应用方差分析的方法作为试验设计中主要的统计分析工具，其整个过程可以用一张方差分析表表示。
试验设计的方法有很多，常用的正交试验设计，数据分析的方法用方差分析法。
在试验设计中，所用到因子、水平、指标等概念与方差分析中概念相同，不再重复。
二、6 Sigma试验设计的思路
试验设计是一个试验策划的过程，通过试验，能收集到合适的数据。
希望通过最少的试验次数获得必要的技术信息，而且用合适的统计方法来分析收集到的数据。
如果我们希望从数据中得到有用的结论，则试验设计的统计方法是必要的。
因此，任何试验设计方法都包含两方面的内容:试验设计和对收集到的数据进行统计分析。
它们是紧密相连的，因为统计分析方法依赖于所采用的设计方案。
①试验问题的提出
明确的提出问题有助于理解所要解决隐含问题的现象。
②对目前状况的理解
为试验问题收集尽可能多的相关历史数据是很有必要的，这有助于理解现在的状况，可以从文献或者涉及的各个方面收集信息，如工程、质量保证、制造、市场、操作人员等等。
③响应变量的选择
选择合适的响应变量，还要考虑响应变量是如何度量的，这种度量的精度应得到保证。
④因子及其水平的选择
试验者必须选择影响响应变量的关键变量x(因子),x的选择可以使用项目分析阶段的技术。
应用于试验中因子的值(水平)必须仔细选择。
通常选用两个或三个水平，最多不宜超过五个水平是比较合适的。
水平的范围在试验者感兴趣的区域内应该尽可能的大。
⑤试验设计的选择
这一步是试验设计流程的核心。
试验者通过考虑因子的数目、水平多少、所有可能的水平组合、试验成本以及可利用的时间等，来选择合适的试验设计。
⑥实施试验
这是一个实际收集数据的过程。
试验者应该注意尽可能的使试验环境保持一致。
另外，精确地测量试验结果，获得高质量数据也应加以注意。
⑦数据分析
应采用诸如方差分析和参数估计等统计方法。
目的就是通过数据分析，找到前面提出的试验问题的所有可能的信息。
⑧分析结果及其结论
分析完数据后，试验者就必须对他的统计结果做工程解释，估计它们对提出的试验问题的实际含义，并为提出的问题给出结论。
⑨验证试验
在把结果提交给他人和在采取实际行动之前，试验者需要实施一个确认试验来评估试验结论的再现性。
⑩后续管理
试验者将结果提交给他人并采取一些必要的保证措施。
为了支持由试验得出的这个改进，需要紧跟着行动，例如操作条件的标准化和检查表与控制图的使用等，来评估试验的后续影响。
通常，由于试验问题没有彻底解决，建议进行进一步的试验。
试验通常是一个反复的过程，一次试验只能解决问题的一部分，希望后续的试验能处理未解决的问题。
来源：天行健咨询。