二水平全因子doe试验设计分析.doc

试验设计 试验设计通过有目的地改变一个过程（或活动）的输入变量（因子），以观察输出变量（响应变量）的相应变化。 试验设计是识别关键输入因子的最有效方法。 试验设计是帮助我们了解输入因子和响应变量关系的最有效途径。 试验设计是建立响应变量与输入因子之间的数学关系模型的方法。 试验设计是确定优化输出并减少成本的输入设定值的途径。 试验设计是设定公差的科学方法。 响应变量：所关注的可测量的输出结果，如良率、强度等。 因子：可控的变量，通过有意义的变动，可确定其对响应变量的影响，温度、时间等。 水平：因子的取值或设定。 处理：某次实验的整套因子。 重复：指在不重新组合实验设定的情况下，连续进行实验并收集数据。 复制：意谓每个数据值在重新设定测试组合之后收集。 随机化：适当安排实验次序，使每个实施被选出的机会都相等。 实验设计步骤 陈述问题（通过实验设计解决的问题是什么） 设立目标 确定输出变量 识别输入因子（可控因子/噪声因子） 选定每个因子的水平 选择实验设计的类型 计划并为实施实验做准备 实施实验并记录数据 分析数据并得出结论 10、必要时进行确认实验。 可控（控制）因子是我们在工序的正常操作时能设定维持在期望水平的因子。 噪音因子是在正常的操作期间变化的因子，而且我们不能够控制它们：或者我们宁愿不控制它们，因为这么做会很昂贵。 全因子实验：组合所有因子和每个所有水平的实验 一个因子的主效果定义为一个因子在多水平下的变化导致输出变量的平均变化。参考下表，其中两个因子，浓度与催化剂。输出变量是良率。 主效果图能够判定出因子对输出变量影响的大小。 主效果图的斜率越大反应出因子对输出变量的影响越大，但不能说明该因子是对输出变量的显著因子。 点击统计—因子—创建因子设计，在因子数自选框内选上因子数得到下图： 点设置，进入到下图： 二水平因子实验重复和复制和随机化 方程中：Y=36.75-5.75*Cat+0.75*Con-8.75* Cat*Con的变量是代码（+、-）的取值，因此效应是系数的两倍。在做具体的预测时，需要将最体值按照水平的关系进行切换。 全因子实验生成过程，标准顺序 因子实验的分析步骤： 分析影响显著项（柏拉图、概率图、P值） 筛选不重要项重新分析（注意去除主因子时确保没有对应交互作用项显著） 可以去高阶项，例如：三因子交互项，四因子交互项等。 影响大小效果图形化 可以看看主因子效应图，交互作用效应图等。 R-SQ（adj）分析，模型拟合程度分析 看调整后的R-SQ值 残差分析（4个条件） 写出方程 利用方方程进行分析或进一步优化。 关于中心点时,与上述的内容会有不同,具体如下: 部分因子试验 看这些点离线的远近，点越显著，则效应越明显 红色线是参考线，如果柱子是超过了参考红线，则说明效应显著 主效应、交互作用效应值，可以看出交互作用的效应比较大 残差的标准偏差 （在DOE里面叫做流程的随机偏差），由于没有复制，没有办法估计流程的随机偏差，所以这里没有随机偏差 催化剂主效应图斜率比较大，说明催化剂对结果的影响比较大 交互作用图内，两条线相交说明催化剂和浓度这两个因子有交互作用。 从立方体图中可以看出，催化剂低水平、浓度高水平时，效果最好。 在角点的仿行数内输入重复次数。 重复一次，其实验次数增加了一倍，每个水平做二次实验 复一次，其实验次数增加了一倍，每个水平做二次实验 根据系数（此处的系数是效应的二倍，原因是该试验是编码时的结果）可以写出方程: Y=36.75-5.75*Cat+0.75*Con-8.75* Cat*Con 复一次，其实验次数增加了一倍，每个水平做二次实验 每个水平做二次实验后，系数标准误，T值和P值都可以看到，P值小于0.05的项因子显著。 可看残差分析图,残差是否正态,是否随着拟合值变化而变化,残差是否随着时间的变化而变化,残差是否随着变量的变化而变化. 调整R-SQ值大于0.7,关系强烈. 弯曲项对应的P值小于0.05,说明模型弯曲是显著的.需要用响应曲面法对实验进行分析。 可以通过主效应图来看中心点与两水平线的距离是否明显。如果明显，则可以采用曲面响应进行分析，如果P值大于0.05,则可以根据各因子的P值进行分析. 中心点对应的P值小于0.05,说明模型弯曲是显著的。因此，分析出来的其它因子对应的P值大小没有意义。中心点的作用主要是检验模型弯曲是否显著，另外可以评估流程中的随机偏差，中心点一般复制4-6次。 K表示因子数, P表示部分度 R表示分辩率 全因子实验 部分因子实验 红色为警告,表示实验比较危险; 黄色为预警,表示实验有风险,交互作用比较大时,危险比较大; 绿色表顺畅,实验比较安全. 中心点数用来比较高低水平之间的水平 角点的仿行数表示复制次数. 区组数表示模块数，一般都有一个区组，