如何用DOE实验设计方法优化质量因子配置.pdfVIP

如何用 DOE 实验设计方法优化质量因子配置 经过筛选试验的精简和全因子试验的描述，很多人会满足已经取得的成绩，但也有一些精益求精的人会提 出这样的问题：现有的最佳因子水平组合一定是所有因子设置中最理想的选择吗？如果不是，又应当如何找 出最优化的因子设置？确实，以往的 DOE 侧重于分析哪些因子是重要的，到底有多重要以及它们之间是否会 相互影响，却没有刻意去从整体中寻觅最佳的因子设置。为了解决这个问题，需要引入 DOE中另一种新方法 ——响应曲面方法（Response Surface Methodology, 即 RSM），这也是我们本期 DOE 系列介绍的主题。在 这里，笔者仍将借助目前业界公认的高端六西格玛统计分析软件 JMP来为大家展现响应曲面方法的实现和应 用，顺便提及，JMP6 是迄今业界唯一的中英文双语版六西格玛软件，来自全球顶尖的统计学软件集团 SAS。 在实际工作中，常常需要研究响应变量 究竟如何依赖于自变量 X 的，进而能找到自变量的设置使得响应 变量得到最佳值。当自变量的个数较少（通常不超过 4 个），则响应曲面方法是最值得推荐的方法，适合于 要求响应变量望大（即越大越好）、望小（即越小越好）和望目（即越接近目标值越好）等各种常见情形。 通常来说，DOE 的核心技术可分为试验计划和数据分析两大类，响应曲面方法也不例外。在数据分析方 面，它和以前介绍的方法没有什么本质的不同，但在试验计划方面，则有显著的改进。响应曲面方法的试验 计划主要有中心复合设计和 Box-Behnken 设计两种形式，具体用图形说明如 下。 图一是以三维空间立方体的形式展示了一个三个因子的中心复合设计的试验计划示意图，在以下的叙述 中给出的坐标都已将各因子代码化。整个试验由下面三部分试验点构成。 1. 立方体点（Cube Point），用蓝色点表示。各点坐标皆为 1 或-1， 这是全因子试验相同的部分。 2. 中心点 (Center Point)，用绿色点表示。各点的三维坐标皆为 0。 3. 轴点(Axial （旋转性指数）外，其余维度的自变量坐标皆为 0。αPoint)，用黄色点表示。除了一维自变 量坐标为± 在三个因子情况下，共有 6 个轴点。 试验计划的另一种形式就是 Box-Behnken 设计。这种设计的特点是将因子各试验点取在立方体每条边的中点 上。 图二同样以三维空间立方体的形式展示了一个三个因子的 Box-Behnken 设计的试验计划示意图。整个试 验由下面两部分试验点构成。 1. 边中心点（Side Center Point），用白色点表示。除了一维自变量坐标为 0 外，其余维度的自变量坐标 皆为±1。 在三个因子情况下，共 12 个边中心点。 2. 中心点 (Center Point)，用黑色点表示。各点的三维坐标皆为 0。 由以上两个示意图可以清晰地发现，响应曲面方法有规律、有目的地在试验计划中增添了有限次数的各 因子的中心试验点和拓展试验点，这为研究曲率的变化趋势、最优区域的确定等提供了极大的便利。 关于响应曲面方法在数据分析方面的特点，由于其和一般的因子设计 DOE 非常类似，此处就不做赘述。主要 还是通过一个工业案例来一并介绍响应曲面方法的实际应用。 场景 : 如何通过催化剂（Catalyst）和稳定剂（ Stabilizer）配置比例的具体设定，才能获得某化学 试剂的最低不纯度（Impurities%）？ 因子 低水平（-1 ） 高水平（+1 ） 催化剂% （Catalyst ） 0.586 3.414 稳定剂% （Stabilizer） 0.586 3.414 显然，此时的工程师已经不满足于从仅有的四次全因子组合中选择最优的选项，而是希望在一个更广阔 的可行性空间里充分挖掘过程的潜能，寻觅到一个最理想或是最接近理想值的配置比例。当然，实现这一目 的的同时还要兼顾试验的经济成本和时间次数等。 这时候，将传统的因子设计方法