多因子实验设计魅力.pdfVIP

多因子DOE 的魅力 （DOE 系列之三） 通过前两期的介绍，我们已经初步认识到了DOE 的强大功效。但也有的读者可能会不 以为然：因为在此前的两个案例中因子的数量太少（只有3 个），而实际需要解决的问题中 涉及的因子数量可能很多（比如6 个以上）。因此，部分读者可能会得出一个结论：DOE 只 适合少数因子的问题分析，至于处理多因子问题时，就显得无能为力了。 这个结论显然有失偏颇，其实DOE 的一大特点就是可以处理包含高达50 个（并不限于 50 个）因子的复杂问题，本期的主要内容就是向读者介绍多因子DOE 的方法。 从理论上讲，上一期的DOE 案例实质上采用的是完全析因设计（Full Factorial Design ）， 这类方法在因子数量较少的时候实施起来比较方便。但是正如表-1 所示，当实验中的因子数 量逐步增加时，实验次数将呈指数级增加，庞大的实验规模不仅意味着巨额的实验成本，也 意味着实施DOE 的可行性越来越小。 表-1 完全析因设计的局限性 为了缓解这个矛盾，我们可以选择另一种经典的实验设计方法——筛选设计 （Screen Design ），即部分析因设计，来替代完全析因设计。顾名思义，部分析因设计源于完全析因 设计，是与其对应的完全析因设计中的一部分。但究竟是哪一部分，是否可以随机选取？我 们举一个简单的例子来说明。 表-2 显示的是一个完全析因设计的计划表，A 、B 和C 表示三个因子，+1 和-1 表示因 子的两个不同水平，AB 、AC 和BC 表示二阶交互作用，ABC 表示三阶交互作用，总共需要 进行8 次不同水平组合实验来完成1 次完全析因设计的实验计划。 表-2 3 因子的完全析因设计计划表 以上这个实验计划适用于3 个或以下因子，可支持8 次实验运行的DOE 。如果想增加 第4 个因子D ，但依然只能支持8 次实验运行时，我们应该怎么办呢？原来表-2 中的计划 表有8 行7 列，任意两列间是相互正交的。我们希望增加一列来安排因子D ，而且希望此列 仍然能与前面各列保持正交。但数学上可以证明，“找出一个既与前7 列不同，又与前3 列 正交的列”是不可能的。换句话说，D 列必须与第4、5、6、7 列中的某列完全相同。完全相 同意味着这两列的效应会被“混杂” （Confounded)，即获得计算所得的分析结果后，分不清两 种效应各是多少。权衡之下，我们认为取D=ABC 是最好的安排，因为通常主因子作用与三 阶交互作用混杂的可能性最小。 根据上述决策，将D 列取值设定与ABC 列相同，并将其前移至第4 列，可以得到表-3 所列的计划表。 表-3 4 因子的部分析因设计计划表 聪明的读者一定会猜到还可以使用表-2 继续构建出第5、第6 乃至第7 个因子，但实验 的规模依然保留在8 次。当然，同等规模的实验中所涉及的因子数量越多时，产生“混杂”的 概率也会越大，后期分析结果的精确程度也会有所降低。这就是实验成本与分析精度这对矛 盾的平衡，也是“部分析因设计”产生的基本原理。 除了经典的部分析因设计外，JMP 研发人员还于2011 年开创性地提出了一种新型实验 设计方法——确定性筛选设计(Definitive Screening Design) ，它不仅能够在实验规模和因子 筛选间取得良好的平衡，还兼具一些相对于传统析因设计的差异化优点，其整体设计方案如 表-4 所示。确定性筛选设计是一种小型设计，它对每个连续因子取3 水平，同时也支持分类 因子，对于m 个因子，当m 为偶数时，标准实验次数为2m+1 ，当m 为奇数时，标准实验 次数为2m+3 ，比如6 因子的确定性筛选设计的标准实验次数仅为13 次。 表-4 因子数为偶数的确定性筛选设计方案示意 确定性筛选设计主要用于甄别影响响应的关键因子，相对于传统的析因设计，它具有以 下优点：  通过将各个连续因子设定在3 水平，它可以识别所有强非线性效应因子，而无论是 完全析因设计，还是部分析因设计，都无法做到这点；  它可以避免二阶(含) 以下的任何效应之间的完全混杂，但在近似实验规模的部分析 因设计中都会出现完全混杂；  进一