Minitab实验设计操作

实验的统计分析第4步：确定最佳条件
选择菜单”统计>DOE>因子>因子图…”作出以下图形： 立方图
实验的统计分析第4步：确定最佳条件
平均值 的立方图（数据平均值）
27.8375 9
18.0875
压力
39.3875 6 180 温度
24.5375
220
Байду номын сангаас
为了得到更高的强度，因子的最佳设置是： •温度：180 •压力：6
模型中各项因子的系数。
实验的统计分析第4步：寻找最佳设置
选择菜单统计>DOE>因子>因子图…作出实验的立方图
反应完全度 的立方图（数据平均值）
47.0 80.0
64.5 180
94.0
温度
55.5
66.0 6 原材料浓度
53.0 140 1 催化剂浓度
62.0 3 2
在实验的区域中，提高流程反应度的最佳设置是： 温度: 180 催化剂浓度: 2 原材料浓度: 3
数据平均值 温度 34 32 30 压力
平均值 交互作用图
数据平均值 40
温度 180 220
35
平均值
28 26 24 22 20 180 220 6 9
平均值
30
25
20
6 压力
9
直观分析的结论：
温度比压力相对更重要，而它们的交互作用并不显著；
为了得到更高的表面强度，温度应该设在180℃，而压力设在6。
X2
均值 主效应图
数据平均值
X2
信噪比 的平均值
-10 -11 X3 -7 -8 -9 -10 -11 1 2
信噪: 望目(-10*Log10(s**2))
最大化SN比： X1:水平2 X3:水平1
均值 的平均值
1
2
1
2
调整调节因子至目标值： X2:水平1
利用Minitab建立控制图
打开Minitab 文件 PCB.mtw 选择“统计>控制图>属性控制图>P…”
第31页
设置对话框
如下图设置对话框
第32页
利用Minitab建立SPC
打开Minitab 文件 hole diameter.mtw 选择“统计>控制图>子组的变量控制图 >Xbar-R…”
第33页
利用Minitab计算控制限（供参考）
如下图设置对话框
第34页
实验的统计分析第1步：选择模型
效应的 Pa r et o 图
（响应为 反应完全度，Alpha = 4.82
A B AB BC C CE D
因子 A B C D E 名称 催化剂浓度 温度 原材料浓度 进给速度 搅拌速度
.05)
项
AD AE AC CD BD DE BE E
0
5
10 效应
15
20
Lenth 的 PSE = 1.875
模型中各项因子的系数。
实验的统计分析第3步：各种统计量分析
统计工具就以下的实验数学模型进行分析：
y 常量 a 区组 b 温度 c 压力 d （温度 压力） 残差
结论：
• 温度的“P” ≤0.05，温度是重要 的； • 压力的“P” ≤0.05，温度是重要 的 • （温度×压力）的“P” >0.05， 温度和压力的交互作用不重要的
搅拌速度 进给速度
2
140 搅拌速度
180
3
6
原材料浓度
75 60 90 75 60
如何得出结论？
使用Minitab文件：部分因子（＋）.mtw
实验的直观分析
反应完全度 主效应图
数据平均值
催化剂浓度 75 70 65 60
温度 催化剂浓度
反应完全度 交互作用图
数据平均值
原材料浓度
140 180 3 6 10 15 100 120 90 75 60 90 75 60
因子项的重要性：
在这个例子中，很明显催化剂是最重要的，第二个重大的影响是温度。 当我们进行简化时，红线以下的因子和交互作用都被列入可从模型中移 去的候选项。 为了确保分析的精确性，在简化模型之前可以分析“主效应图”和“交 互作用图”
简化模型
重新打开实验分析窗口：统计>DOE>因子>分析因子实验… 在“项”中只保留重要的因子项
残差
2 0 -2 -4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 观测值顺序
模型有效吗？
实验的统计分析第3步：各种统计量分析
因子项的显著性
此模型解析了流程输出 96.84%的变异。
此模型中因子的主效应和交 互作用统计上都是显著的。
异常点，需要分析其原因。
利用Minitab中设计DOE
选择菜单“统计>DOE>因子实验>创建因子实验”并如下设置对话框:
试验中班次有两个类别：白班和夜班， 所以有两个区块。
利用Minitab中设计DOE 如下进行随机化：
利用Minitab中设计DOE
前面的设置完成，Minitab就为我们生成了实验的正交表。
利用Minitab设计部分因子实验
选择菜单统计>DOE>因子>创建因子实验…
利用Minitab设计部分因子实验
按下“设计”按钮进行如下的设置：
选择1/2部分因子实验
利用Minitab设计部分因子实验
按下“因子”按钮进行如下的 设置
利用Minitab设计部分因子实验
设置“选项”按钮对话框
利用Minitab对实验进行统计分析 遵循以下步骤对实验进行统计分析
1.选择模型 2.检查模型的有效性 3.分析各种统计量 4.确定最佳条件
实验的统计分析第1步：选择模型
选择菜单“统计>DOE>因子>分析因子设计…”如下选择模型
Minitab为实验建立了如下的数学模型
y 常量 a 区组 b 温度 c 压力 d （温度 压力） 残差
标准次序 运行次序
利用Minitab中设计DOE 在“因子”选项中设置因子名称和水平
实验的直观分析（Minitab）
利用Minitab做出实验结果的主效应图和交互作用图。 选择命令：“统计>方差分析>主效应图和交互作用图”
使用文件：全因子.mtw
实验的直观分析（Minitab）
平均值 主效应图
与拟合值
百分比
50 10 1 -2 -1 0 残差 1 2
残差
0
-1 20 25 30 拟合值 35 40
直方图
2.0 1 1.5
与顺序
频率
残差
-1.5 -1.0 -0.5 0.0 残差 0.5 1.0 1.5
1.0 0.5 0.0
0
-1 1 2 3 4 5 观测值顺序 6 7 8
残差满足以上的三个条件吗？
数据平均值
催化剂浓度 75 70 65 60
温度 60 90 催化剂浓度 60 90 75
反应完全度 交互作用图
数据平均值
原材料浓度
140 180 3 6 10 15 100 120 90 75
温度
催化剂 浓度 1 2 温度 140 180 原材料 浓度 3 6 进给 速度 10 15
平均值
55 1 进给速度 75 70 65 60 55 10 15 100 120
期望值
实验的统计分析第2步：分析模型的有效型
一个有效的实验模型其残差满足以下三个条件：
残差呈正态分布 残差和为零 残差没有明显的模式或者趋势
Minitab为我们制作了四合一残差图进行模型的有效性判定：
实验的统计分析第2步：分析模型的有效型
平均值 残差图
正态概率图
99 90 1
为了学习的方便，把“随机化”选项去掉 其他按“Ok”
信息窗口输出
实验设计的基本信息：
因子数目 运行次数 实验类型 实验分辨率 “＋”或者“－”的组合
实验的别名结构（混淆）
实验的直观分析
按照前面全因子实验的步骤做出实验结果的主效应图和交 互作用图如下：
反应完全度 主效应图
温度
催化剂 浓度 1 2 温度 140 180 原材料 浓度 3 6 进给 速度 10 15
平均值
55 1 进给速度 75 70 65 60 55 10 15 100 120
搅拌速度 进给速度
90
2
140 搅拌速度
180
3
6
原材料浓度
75 60 90 75 60
初步结论： 主效应中，催化剂浓度，温度和原材料浓度相对是重要的 交互作用中，A*B：催化剂浓度*温度，B*C：温度*原材料浓度 是重要的。
实验的统计分析第3步：各种统计量分析
统计工具就以下的实验数学模型进行分析：
y 常量 a 区组 b 温度 c 压力 d （温度 压力） 残差
流程中各因子的显著性。
R2，决定系数，说明了模型中 的因子对结果影响的大小。 此模型中因子的主效应和交互作 用的显著性。
其他按“确定”
实验的统计分析第2步：分析模型的有效型
反应完全度 残差图
正态概率图
99 90 4
与拟合值
百分比
50 10 1 -5.0 -2.5 0.0 残差 2.5 5.0
残差
2 0 -2 -4 50 60 70 拟合值 80 90
直方图
4 4 3
与顺序
频率
2 1 0 -4 -2 0 残差 2 4
田口实验分析
如下图设置Minitab对话框
使用文件：田口实验.mtw
分析实验
如下图设置Minitab对话框
信息窗口输出
因子显著性的判断：田口博士的一半一半原则（把大约一半的因 子作为重要因子，另外一半视为不重要因子）
因子水平的选择
信噪比 主效应图
数据平均值
X1 -7 -8 -9
48 46 44 42 40 1 X3 48 46 44 42 40 1 2 2 1 2 X1