DoE试验设计赫赫有名，在质量控制的整个过程中，扮演了非常重要的角色，它是我们产品质量提高、工艺流程改善的重要保证。
人类熟练于，使用长时间学习的经验，获得智慧的这种生活技术。不过仅仅依赖经验，在面对新的事态时，会产生失误、延缓发展。不仅仅依靠经验，追求新的经验，推进发展性的现象，这就是“实验”。
真实世界的各种复杂现象，比如细胞的培养过程、蛋白的纯化过程，都是由一个个特定的过程或者系统组成，而实验可以用来发现特定过程或者系统的某些事情，或者说来确定过程或者系统的性能。
一般，我们可以将过程或系统视为操作、机器、方法、人以及其他资源的一种组合，把某些输入变量转变为一个或多个可观测的响应变量的输出。其中某些输入变量是可控的，某些输入变量可能是不可控的。
输入变量也称为因子，一般用x表示，输出变量也称为响应，一般用y表示。实验的目的则是：
（1）确定哪些因子（x）对响应（y）的最有影响；
（2）确定有影响的因子（x）的取值在何处时可以使得响应（y）接近目标值；
（3）确定有影响的因子（x）的取值在何处时可使得响应（y）的变异性最小；
（4）确定有影响的因子（x）的取值在何处时可使得不可控变量的效应最小。
实验设计，就是研究正确的设计实验计划和分析实验数据的理论和方法，通过改变过程的输入因子，观察其相应的输出响应的变化，从而获取关于该过程的知识，确定各个因子的重要性以及各因子是如何影响响应，并获得最优化过程，从而达到解决上述四个问题的目的。
在没有实验设计之前，科学家是如何解决上述问题的呢？最佳猜测法很显然，在做实验之前，我们会先确定我们一些我们认为比较重要的，或者比较感兴趣的因子，那实验怎么做？一种最直接的方法就是选择这些因子的任意组合，测试它们，观察发生了什么（响应），然后基于观测的结果，推断某个因子可能更加的重要，在下一轮的实验中则改变这个因子，其他因子不变。
这种方法可以无限的持续下去，这种实验方法称为最佳猜测法。对于有经验的研究者来说，这种方法可能会比较有效，但是对于一个新手来说，这种方法则是一种非常低效率的方法，而且有时候，结果取决于运气。
如果最初的最佳猜测并没有产生预期的效果，那么研究者就不得不做另一种因子的组合来开启最佳猜测。还有，如果研究者最初的最佳猜测获得了一个可接受的结果，虽然不是最优办法，但仍可能试图阻止实验。
一次一因子法（OFAT）
这种方法包括对每个因子选择初始点，然后在保持其他因子的初始选择点不变的条件下，让每一个因子在其所允许的范围内连续变动。当所有的实验都做完之后，就可以做出每个因子的效应图，对因子效应的解释就比较直观。
OFAT法的主要缺点在于，没有考虑因子之间可能存在交互作用，除此之外， OFAT法能否获得最优的选择很大的依赖于初始选择点的位置，这也是OFAT法的效率不够高的原因。
析因实验法如果说OFAT法的缺点是没有考虑因子之间的交互作用，而如果需要研究这种因子之间交互作用的话，很自然能想到的一种方法是把所有因子的所有水平组合都研究至少一次不就可以了吗。的确如此，这就是最早的析因实验法的核心。
析因实验是处理多个因子的一种正确的做法，在析因实验法中，所有的因子都是同时在改变的。析因实验法标志着DoE时代的开始。
析因实验法是由英国的Ronald A.Fisher爵士提出，至今还不到100年的时间，尽管最初是为了解决农业实验的问题，但是现在已经广泛应用于各行各业。而Fisher也被公认为DoE的创始人。Fisher在开创了析因实验的同时，还提出了方差分析，P值的原理，某种意义来说，Fisher也是现代统计学的革新者。
Ronald A.Fisher随着时代的发展，尤其是工业革命，互联网革命的到来，析因实验法也发展了很多，以析因设计为基础，提出了更多更先进、更有效率、更能解决实际问题的实验方法，比如部分析因实验、响应曲面实验、稳健参数设计、混料设计等等。他们在不同的领域，解决不同的问题上发挥着各自的作用，而所有的这些，我们统称为实验设计（DoE）。
DOE为什么难推行？在我们学习了DOE试验设计工具，也觉得它是非常好的方法，打算在您的工作中开始使用的时候，也还会碰到很多障碍，而这些障碍常常让DOE的应用又回到了原点。所以克服下面的这些障碍也至关重要。
障碍1：相关部门不配合工作。
很多人认为DOE是研发部门，甚至是个别改善工程师自己的工作。我不会DOE，所以我不想参与DOE的任何工作，这是很多一线员工的真实想法。只有调动他们的积极性，指导他们去完成一次次的试验，收集数据，然后工程师进行数据分析，得出改进报告等。
DOE的项目负责人除了懂DOE技术外，也需要有工作凝聚力和权限，能够制定清晰的工作计划，发动研发、生产、品质等各部门的相关员工积极加入。
另外，DOE技术非常需要领导层的支持。很多公司的科研和生产设备是在一起的，在做试验时，无疑会打乱、影响生产节奏，这就需要生产部门的配合，而这种配合，有时是一线员工无法决定的。领导层对DOE 改进工作的支持，是他们勇于试验，从而做出成绩的基础。
障碍2：DOE工程师个性妥协不坚持。
很多公司的DOE工作是员工本职工作以外，额外增加的工作，因此在进行过程中难免会遇到一些障碍。这些都需要工程师不断地去清晰各部门需要配合的具体工作内容，跟踪并促进工作进度。
有的DOE项目工程师靠自己的努力就可以顺利完成，更多的项目则需要工程师能够像个项目经理一样，除了自己坚持完成自己的工作之外，协调、沟通、利用各种借力打力的方法让试验顺利完成，任何的懒惰、不承担，都会让DOE停下来，半途而废。
障碍3：工程师们脱离现场。
试验的过程看似参数、方案都已经制定完美了，但在真实工作场合还是会有各种意外的输入影响着试验的结果。工程师们简单把试验委派给基层员工，他们通常只负责按照要求完成试验，试验过程中很多看似微不足道的因素并不在他们考虑、收集的范围之内。而“现场”常常是蕴含了最多奥秘的地方。关注现场，是解决问题必不可少的环节，切忌高高在上，纸上谈兵。
有个公司，他们的产品质量一直非常稳定，可是最近突然出现了问题，据操作人员认为所有的操作都和过去完全一样，没有变化。面对堆积的订单，波动的质量，公司上下都焦灼起来。技术经理和老总开始一起蹲现场。他们一遍遍地重复流程，观察各个过程，各个细节，像个侦探一样，然后又一遍遍地检验结果，终于在现场找到了答案。而影响工艺稳定性的是一个非常小的操作习惯，小到他们从来没有认为这个重要，所以都没有在作业指导书中进行明确规定。
举这个小例子，就是告诉工程师，影响试验结果的因素很多，除了你列出的因子和你认为影响较小的因子，现场也许也会有更多的因素存在。你可以有各种理由无法在试验现场，但是这样可能错过发现“秘密”的机会。所以，一定要创造机会和现场亲密接触。
障碍4：要解决的问题或目标太大。
比方说，要降低XX产品的不良率。大的问题，影响的因子众多，试验难度大、部门配合难度大、分析难度大，所以对应的，周期要求特别长。而这种长时间等待，很容易让人半途而废，不了了之。
障碍5：不敢实践。
很多人把积极性放在了不断学习、掌握DOE技术的理论知识阶段。而DOE又是个博大的工具。他们不断地学习，和别人就DOE的某个假设、某个公式讨论，就MINITAB 、JMP软件的某个菜单讨论，就是没有真实的操练。绝知此事要躬行！实践才是DOE工具的目的。
当然，在DOE工具实际应用的过程中，可能会碰到更复杂的问题或阻碍，但是DOE是一个降低成本，改善问题的工具。心中深信这一点，并不断地克服各种阻碍，质量改进之路会越走越宽。
DOE推行的步骤试验设计DOE方法是基于统计学的一个质量管理工具，其原理对于没有数理统计基础的人来说，比较难以理解掌握；试验设计DOE方法在使用过程中，有大量复杂运算，出错几率较高。
DOE应用过程中的各种步骤、方法按部就班，逐步完成。DOE的运算部分有了MINITAB软件的帮助，更是变得超出想象的便捷。
一、试验设计的三个基本原理
实验设计的3个基本原理为重复、随机化以及区组化。
重复，意思是基本试验的重复进行。重复有两条重要的性质，即随机化和区组化。
随机化，是指试验材料的分配和试验的各个试验进行次序都是随机地确定。统计方法要求观察值（或误差）是独立分布的随机变量。随机化通常能使这一假定有效。把试验进行适当的随机化亦有助于“均 匀”可能出现的外来因素的效应。
区组化是用来提高试验的精确度的一种方法。一个区组就是试验材料的一个部分，相比于试验材料全体它们本身的性质应该更为类似。区组化牵涉到在每个区组内部 对感兴趣的试验条件进行比较。
二、试验设计的七个步骤
第一步 确定目标
我们通过控制图、故障模式分析、失效分析、因果分析、能力分析等工具的运用，或者是直接实际工作的反映，会得出一些关键的问题点。
对于运用试验设计解决的问题，我们首先要定义好试验的目的，也就是解决一个什么样的问题，问题给我们带来了什么样的危害，是否有足够的理由支持试验设计方法的运作。
对于生产型企业，试验设计的进行可能会打乱原有的生产稳定次序，所以确定试验目的和试验必要性是首要的任务。
我们还必须定义试验的指标和接受的规格，这样我们的试验才有方向和检验试验成功的度量指标。
指标和规格是试验目的的延伸和具体化，也就是对问题解决的着眼点，指标的达成就能够意味着问题的解决。
第二步 剖析流程
关注流程，是我们应该具备的习惯，就像我们的很多企业做水平对比一样，经常会有一个误区，就是只将关注点放在利益点上，而忽略了对流程特色的对比，试验设计的展开同样必须建立在流程的深层剖析基础之上。
任何一个问题的产生，都有它的原因，事物的好坏、参数的适宜、特性的欠缺等等都有这个特点，而诸多原因一般就存在于产生问题的流程当中。
过短的流程可能会抛弃掉显著的原因，过长的流程必将导致资源的浪费。
我们又很多的方式来展开流程，但有一点必须做到，那就是尽可能详尽的列出可能地因素，详尽的因素来自于对每个步骤的详细分解，确认其输入和输出。
对于流程的剖析和认识，就是改善人员了解问题的开始，因为并不是每个人都能掌握好我们关注的问题。这一步的输出，使我们的改善人员能够了解问题的可能因素在哪里，虽然不能确定哪个是重要的，但我们至少确定一个总的方向。
第三步 筛选因素
流程的充分分析，使我们有了非常宝贵的资料，那就是可能影响我们关注指标的因素，但是到底哪个是重要的呢？
对一些根本就不影响或微笑影响因素的全面试验分析，其实就是一种浪费，而且还可能导致试验的误差。
我们的目的是确认哪个因素的影响是显著的，我们可以使用一些低解析度的水平试验或者专门的筛选试验来完成这个任务，这时的试验成本也将最小处理。
我们可以应用一些历史数据，或者完全可靠的经验理论分析，来减少我们的试验因子。
要注意的是，只要对这些数据或分析有很小的怀疑，为了试验结果的可靠，你可以放弃。
筛选因素的结果，使得我们掌握了影响指标的主要因素，这一步尤为关键，往往我们在现实中是通过完全的经验分析得出，甚至抱着可能是的态度。
第四步 快速接近
通过筛选试验找到了关键的因素，同时筛选试验还包含一些很重要的信息，那就是主要因素对指标的影响趋势，这是我们必须充分利用的信息，它可以帮助我们快速的找到试验目的的可能区域，虽然不是很确定，但我们缩小了包围圈。
我们一般使用试验设计中的快速上升（下降）方法，它是根据筛选试验所揭示的主要因素的影响趋势来确定一些水平，进行试验，试验的目的就像我们在寻找罪犯一样的缩小嫌疑范围。
得出的一个结论就是，我们的改善最优点就在因素的最终反映的水平范围内，我们离成功更近了一步。
第五步 析因试验
我们确定了主要因素的大致取值水平，这时我们就可以进一步的度量因素的主效应、交互作用以及高阶效应。
试验是在快速接近的水平区间内选取得，所以对于最终的优化有显著的成效，析因试验主要选择各因素构造的几何体的顶点以及中心点来完成。
这样的试验构造，可以帮助我们确定对于指标的影响，是否存在高阶效应或者哪些高阶效应。
最终是通过方差分析来检定这些效应是否显著，同时对以往的筛选、快速接近试验也是一个验证，但我们不宜就在这样的试验基础上就来描述指标与诸主效应的详细关系，因为对于3个水平点的选取，试验功效会有不足的可能性。
第六步 回归试验
考虑到功效问题，我们需要进一步的安排一些试验来最终确定因素的最佳影响水平，这时的试验只是一个对析因试验的试验点的补充，也就是还可以利用析因试验的试验数据，只是为了最终能够优化我们的指标，或者说有效全面的构建因素与水平的相应曲面和等高线。
试验点一般根据回归试验的旋转性来选取，而且它的水平应该根据功效、因子数、中心点数等方面的合理设置，以确保回归模型的可靠性和有效性。
我们可以就分析和建立起因素和指标间的回归模型，而且可以通过优化的手段来确定最终的因子水平设定。
为了保险起见，我们最后在得到最佳参数水平组合后进行一些验证试验来检查我们的结果。
第七步 稳健设计
现实中还存在一类这样的因素，它对指标影响同样的显著，但是它很难通过人为的控制来确保其影响最优，这类因素我们一般称为噪声因素，它的存在往往会使我们的试验成果功亏一篑，所以对待它的方法，除了尽量的控制之外可以选用稳健设计的方法，目的是这些因素的影响降低至最小，从而保证指标的高优性能。
例如我们的汽车行驶的路面，不可能保证都是在高级公路上，那么对于一些差的路面，我们怎样来设计出高性能呢？这时我们会选择出一些抗干扰的因素来缓解干扰因素的影响。
稳健设计通常我们会经常使用在设计和研发阶段，但有时也会随着问题的产生而暴露出来，但我们会提出一个问题了：重新选定主要因素的水平会不会带来指标的震荡和劣化。
我们可以通过EVOP等途径来重新设定以保证因素更改后的输出效果。
试验设计在工业生产和工业设计中能发挥重要的作用，提高产量，减少质量波动，提高产品质量改水准、大大缩短新产品试验周期、降低成本等。
试验设计的方法很多，根据具体的问题模型和目的我们可以选择适当地设计方法，如混合设计、曲面设计、裂区设计、田口设计、均匀设计等等。
试验设计摒弃了以往单个因子逐步调整的做法，避免了忽视交互作用等方面的问题，从而更加系统有效的解决我们所关注的指标。我们可以在很多的行业中采用渐进的方法来采用试验设计方案，而不期望于一步到位。
接下来，分享完整版《实验设计DOE方法》培训教材，欢迎收藏学习！
更多专业质量文章，请访问QualityIn质量学院官网。
,
