DOE分析步骤及2水平2因子实验设计讲座.ppt

2k因子实验设计简介;如何创建一个2k试验设计;精确地解释DOE;3）检查曲率的P值：加了中心点后出现一个曲率的P值，如果P ＞0.05,说明无弯曲， 数据文件：试验设计例3 4）观察R2和R2调整， R2是方程拟合的总效果的贡献系数 如果两者差距非常大，说明模型不是最优，就做因子剥离，如果剥离也不能减小太多的差距，意味着还有漏掉的因子 R2=SS(Model)/SS(Total)=1- SS(Error)/SS(Total) 如果在方程中增加一个自变量， R2 会相应增加一些，因而不能很好评价模型的好坏，R2调整扣除了方程中所包含的项数的影响系数，可以更好地反映模型的好坏。;5）观察S值 所有观察值和理论值之是都有误差，S是对应于残差误差行的平均离差平方和的开方，因此S值越小越好。 6）观察Press值和R2预测 Press值：有一些杠杆点，每删掉一个杠杆点后得到的误差平方和的平均值，如果当某一个点影响大的时侯， Press要比未删以前有误差平方和大，但如果大的不多，则说明异常少。 换成 Press R2预测：将R2=1- SS(Error)/SS(Total），如果R2预测比R2小的不多，则说明模型可接受。 ;7) 评估各项效应的显著性 数据文件：试验设计例3 解释：在Pareto图中，是用T检验所获得的作为纵坐标，按照绝对值大小排列起来，根据选定的显著性水平α，给出t值的临界值，绝对值超过临界值的效应被选中。 在正态效应图：遵循“效应稀疏原则 ”，假定大多数因子只会有极少数因子效应是显著的，因此远离直线的点是显著的，下方为负效应，上方为正效应。 ;精确地解释DOE;图3解释: 在正态概率图中观察是否服从正态分布有弯曲趋势，如果非正态则找原因是否漏因子数据收集有问题;4、判断模型是否需要改进 1）全部因子不显著---本身进入DOE的因子不正确、因子主观性太强、因子本身没找全、因子筛选过简单、因子水平范围太窄 2）遗漏了关键因子—重新进入DOE查找因子 3）没有对因子进行剥离---在各项效应系数分析中不显著的主效应和交互效应应剥离，注意：如果一个高阶项显著则此高阶项中所包含的低阶项也应被包含在模型中;4）模型本身有高次项但没加上 5）主效果都不显著交互显著---弯曲、失拟、S等值有问题，原因可能是交互影响掩盖了主效果或本身主效果不显著 6）残差图中----残差对拟合值有有“漏斗型：或“喇叭型”将Y 进行娈换 或对自变量诊断图中有弯曲加是自变量或直接进行RSM ;5、模型优化检测 路径：统计＞DOE ＞分析因子设计＞图形＞“标准化” ＞存储 如果标准化的残差绝对值大于2，则说明模型不够优化;6、观察主效果、交互图、立方图、等高线图、曲面图 路径：统计＞DOE ＞因子＞因子图 路径：统计＞DOE ＞因子＞等高线图/曲面图 解释：1、在主效应图中回归线较陡，主效应显著，较平不显著 2、在交互图中两两因子效应线不平行，二者交互作用就显著。 3、立方图中可以看出取值高的因子水平设定 4、等高线图和曲面图能找到最优区域 ;7、实现最优化 ;8、进行验证实验 1）如果距目标尚远，则考虑安排新一轮试验，通常在本次DOE最优附近设置水平 2）如果目标达成，则做预测 ; 2k因子实验;步骤1： 识别问题;步骤2：确定因子与水平;步骤3：记录结果;步骤3：记录结果;步骤4：分析数据;步骤5：理解结果;步骤6：制作图表;步骤7：柏拉图/正态图;步骤8：主效果图; 备注: 一个因子的主效果是由于改变该因子的水平而导致输出变量的平均变化。;步骤8：交互作用图;备注： 在有些实验中，我们发现对于其他因子的不同水平，一个因子的水平间的主效果并不相同。在这种情况下因子间具有交互作用。; 2k 因子实验简介;重复 和复制;　优点 重复有助于改善信噪比，尤其是当量仪的检测能力很低时 – 它能使我们计算样本以及分析方差。 复制就更有用 – 它能使我们估计影响实验的总变异。例如：设定差异，我们因此可以估计变量效果的误差。;复制分析;复制分析; 在柏拉图中我们可以看到说明有显著效果的直线在其右侧;复制分析;随机化; 2k因子实验简介;Y = f(X);Y = f(X);Y = f(X);Y = f(X);Y = f(X); 中心点; 中心点;生成2K中心点试验;Design可以使用Minitab. 请选StatDOECreate Factorial DesignDesign; StdOrde