简介一份面向品质管理及工艺优化人员的DOE基础知识PPT课件系统讲解实验计划法的核心概念、常用术语、实验类型与实施顺序并重点介绍完全要因实验的设计步骤和EVOP调优试验设计。内容涵盖因子、水准、处理组合、主效应、交互作用等关键要点同时结合Minitab软件演示创建析因设计、生成主效应图、交互作用图和立方图等操作实例适合需要入门实验设计DOE并希望掌握Minitab基本操作的工程师、质量专员及学生使用。课件共1个PPTX文件约646KB轻量易读。目前已有1048人学习。通过学习可建立起DOE的整体框架理解如何通过系统化实验确认关键X的影响、识别交互作用并利用Minitab完成从实验设计到数据分析的完整流程。1. 为什么 DOE 不是一次改一个变量Minitab 把它变成了菜单操作一台注塑机尺寸超差工程师最先想到的是“一次只改一个变量”模温升高 20℃ 试 5 片没用再换保压压力又试 5 片。真正的问题往往是温度和压力的交互作用——温度不同压力的影响方向可能反转——而一次一因子试验永远看不到这一层。DOE试验设计Design of Experiments用最少试验次数同时估计多个主效应和交互效应Minitab 则把整套流程做成菜单创建试验计划、随机化顺序、拟合模型、方差分析与响应优化都在图形界面里完成。这篇文章从 DOE 的关键参数讲到 Minitab 的菜单选项和输出表适合工艺、质量、设备工程师也适合被叫去“给数据做个 DOE”的 IT 数据分析师。2. DOE 的关键参数先想清楚因子、水平、编码与分辨度2.1 因子、水平与编码值先在表格里把试验空间写明白DOE 里的“因子”是你在试验中主动改变的条件。温度、压力、保压时间属于连续因子设备编号、原料供应商属于类别因子。“水平”是因子取几个值两水平设计每个因子取低值和高值两个点三水平设计在高低之外再加中间值。初学者最容易犯的错是水平选得不对太宽试验容易跑飞甚至做不出合格样品太窄效应被噪声淹没方差分析出不了显著项。工程上一般取现有工艺参数的上下限附近并保证两个水平都能稳定产出可测量的产品。为什么要把真实值编码成 -1 和 1因为温度和压力单位不同数值差几个数量级直接用原始值做回归压力系数的绝对值会比温度大得多但那只是单位尺度的差异不是效应强弱的差异。Minitab 默认把设计矩阵存成 -1、0、1 的编码值编码后回归系数可以直接比较数值大小来排出因子影响力顺序。0 代表中心点它不参与效应估计专门用来检验模型是否存在弯曲后面 5.2 节会用到。因子低水平(-1)高水平(1)中心点(0)类型模温 Temp180℃200℃190℃连续保压压力 Pressure60 MPa80 MPa70 MPa连续保压时间 HoldTime4 s8 s6 s连续这张表对应后文所有例子的因子设置三个连续因子全部两水平加一个中心点。做计划之前先把这张表填好比急着打开 Minitab 更重要因为水平范围决定了试验的可行域后面所有统计推断都建立在这个范围之上。2.2 主效应与交互效应为什么一次一因子会漏掉关键信息不含交互项的模型长这样y β0 β1x1 β2x2 ε。β1 的含义是x1 从 -1 变到 1 且 x2 保持不变时y 的平均变化量的一半。注意是“一半”因为 x1 从 -1 到 1 走了两个编码单位而 β1 是每个编码单位的变化率。Minitab 输出表里的“效应”Effect 等于 2β1Pareto 图上画的也是这个值和 Coef 列是两套表示读表时别混。加上交互项后模型变成 y β0 β1x1 β2x2 β12x1x2 ε。β12 显著说明 x2 的效应不是恒定的它会随 x1 所处水平而改变。回到注塑机的例子模温在低水平时加大保压压力可能让尺寸变大模温在高水平时加大保压压力反而让尺寸变小。一次一因子试验看到的结果是“压力改了没变化”实际上压力很有效只是它的效果被温度遮住了。这就是为什么要用 DOE 而不是 OFATOne-Factor-At-a-Time。2.3 全因子、部分因子与响应曲面设计怎么选因子数在 4 个以内全因子设计最稳试验次数是 2^k能估计所有主效应和全部交互项。5 个因子还做全因子需要 32 次基础试验很多产线给不起这个时间于是用部分因子设计 2^(k-p)。部分因子用别名alias换取次数分辨度 III 的主效应与两因子交互混杂IV 分辨度下两因子交互彼此混杂但与主效应干净V 以上才把两因子交互和主效应完全分开。工程上最少用 IV能做到 V 更稳。设计类型试验次数适用场景主要限制全因子 2^k2^k 中心点因子数 ≤ 4需要完整交互信息因子多时次数膨胀部分因子 2^(k-p)2^(k-p) 中心点因子 5~7先筛选关键因子效应混杂要查分辨度响应曲面CCD2^k 轴点 中心点已定位关键因子后寻找最优区成本高放在第二阶段选择逻辑并不复杂先判断要回答“哪些因子显著”还是“最优参数在哪”。前者用因子设计后者用响应曲面。怀疑工艺有弯曲比如响应随温度先升后降线性模型描述不了就直接考虑中心复合设计CCD别在全因子上反复加中心点硬凑。2.4 动手前先生成随机化试验计划试验计划不是把 8 个组合按顺序跑完。车间温度、模具状态会随时间漂移如果前几次全在上午跑低水平、后几次在下午跑高水平因子效应就和时间漂移混在一起分不清。随机化就是把这种系统漂移打散成随机误差。下面这段 Python 生成三因子两水平全因子的随机化顺序并在其中混入两个中心点from itertools import product import random factors [Temp, Pressure, HoldTime] levels [-1, 1] # 2^3 全因子组合 2 个中心点 runs list(product(levels, repeatlen(factors))) center_points [(0, 0, 0)] * 2 all_runs runs center_points # 固定随机种子保证试验计划可复现 random.seed(20240601) random.shuffle(all_runs) for idx, combo in enumerate(all_runs, start1): print(fRun {idx:2d}: Temp{combo[0]:d}, fPressure{combo[1]:d}, HoldTime{combo[2]:d})itertools.product 按顺序展开笛卡尔积得到全部 8 个因子组合random.seed 固定随机种子让同一个种子在任何机器上都能重现完全相同的试验顺序这在补做试验和审计时很有用center_points 混入列表后一起 shuffle而不是追加在末尾因为中心点放在最后同样会引入时间偏倚。Minitab 的 Create Factorial Design 会自动完成这套工作不需要手写但理解展开逻辑能帮你检查它生成的 Worksheet 有没有漏组合、有没有把中心点全部排在队尾。3. Minitab 全因子设计实操路径从创建设计到拟合模型3.1 创建 Factorial Design 时每个按钮在决定什么打开 Minitab菜单路径是 Stat DOE Factorial Create Factorial Design中文版常见翻译是“统计 DOE 因子 创建因子设计”。Design Type 默认就是 2-level factorialNumber of factors 填 3。点开 Designs 按钮可以看到候选列表全因子 8 次、1/2 部分因子 4 次等。这里选全因子并把 Number of center points 设为 3。中心点不参与效应估计但能提供纯误差估计和弯曲检验后面 5.2 节会解释怎么看。继续点 Factors 按钮给每个因子命名并填入低水平和高水平的真实值。Minimtab 会为每个因子生成编码值后续回归分析全部基于 -1/0/1而不是原始单位所以这步填错整个分析都会跟着错。Options 按钮里有两个容易被忽略的选项Randomize 控制是否随机化试验顺序默认勾选不要关掉随机种子Random seed由 Minitab 自动生成记下这个数将来复现试验计划或排查异常时都要用到。Replicates 默认是 1即每个组合只跑一次想估计纯误差可以改成 2并勾选 Same replicates for each combination。全部填完后点 OKMinitab 会在新工作表中生成三列编码因子以及 StdOrder、RunOrder 两列顺序信息。把这张表连同响应列一起打印到现场按 RunOrder 执行。这里有个实际操作要点工作表里 C1~C3 是因子编码值不是真实工艺值现场执行时要换算回温度、压力的实际设定别把 -1 当成工艺参数直接用。提示Minitab 官网提供限期试用版完成本文涉及的全部 DOE 流程绰绰有余。统计软件不建议使用来路不明的非官方安装包计算过程一旦出错从结果表面很难察觉。3.2 拟合模型与 ANOVA 表逐行解读试验做完把响应列 Y 填进工作表。菜单 Stat DOE Factorial Analyze Factorial DesignTerms 面板默认把主效应和所有交互项放进模型。三因子全因子设计包含 3 个主效应、3 个两因子交互和 1 个三因子交互共 7 项。三因子交互在物理上通常很难解释如果样本量有限可以在 Terms 里删掉它把它的自由度併入误差项。Graphs 面板勾选 Four in one四合一残差图和 Pareto 图后面诊断要用。点 OK 后输出中最先看方差分析表。每一行的含义和判断要点如下表项含义判断要点Source变异来源主效应、交互、误差看 Model 行是否显著DF自由度总自由度 总试验次数 - 1Adj SS / Adj MS校正后平方和与均方F MS该项/ MS误差F该项均方与误差均方的比值F 越大越显著P显著性概率P 0.05 认为效应显著P 0.05 只是“效应不等于零”的统计学证据不代表影响大。效应大小看 Coef 列编码系数的绝对值越大效应越强。Pareto 图把各效应的标准化值按大小画成条形图超过参考线的项显著正态效应图里偏离直线的点对应显著效应。这三张图是同一件事的三种视角如果互相矛盾先回去查数据录入有没有错行而不是急着换统计方法。3.3 简化模型要遵守层级原则用 Python 验算 Coef拿到显著项后把不显著的项从 Terms 里删掉重新拟合这叫简化模型。重新打开 Analyze Factorial DesignTerms 里只保留显著项再次运行。这里必须遵守层级原则只要模型里有 A*BA 和 B 的主效应就必须保留即使它们单独看不显著。原因是交互效应的解释依赖主效应存在强行删掉主效应会让编码系数失去可比性。Minitab 的 Stepwise 可以自动挑项但默认设置不一定完全符合 DOE 的层级约定建议手动核对。如果对 Minitab 输出的 Coef 有怀疑可以用下面的 Python 脚本按编码数据手算一遍。主效应就是某个因子在高水平下的响应均值减掉低水平下的响应均值交互效应用最小二乘回归直接拟合和 Minitab 的编码系数一一对应import numpy as np from itertools import product # 与 Minitab 工作表完全相同的 8 次试验编码矩阵 X np.array(list(product([-1, 1], repeat3)), dtypefloat) y np.array([82.3, 85.1, 79.8, 86.2, 84.0, 86.8, 80.9, 87.5]) cols { 1: np.ones(8), A: X[:, 0], B: X[:, 1], C: X[:, 2], AB: X[:, 0] * X[:, 1], AC: X[:, 0] * X[:, 2], BC: X[:, 1] * X[:, 2], ABC: X[:, 0] * X[:, 1] * X[:, 2], } X_design np.column_stack(list(cols.values())) beta, *_ np.linalg.lstsq(X_design, y, rcondNone) for name, coef in zip(cols.keys(), beta): print(f{name:3} coef {coef:8.4f})np.linalg.lstsq 对 8×8 的满秩矩阵求精确解得到的 beta 就是各编码系数。把这份输出和 Minitab 的 Coefficients 表放在一起比数值一致说明数据、模型和操作都没有问题不一致九成是因子列没有按编码存储或者响应列错位。还要注意Minitab 输出的 Effect 等于 2 倍的编码系数Pareto 图横轴用的是 Effect验算时不要拿 Coef 去对轴的刻度。4. 模型诊断与响应优化DOE 结果不是看 p 值就结束4.1 残差四合一图先看形状再看统计量拟合完模型P 值也显著先别急着下结论。统计显著只说明平均效应存在模型质量取决于残差。Minitab 的四合一残差图包含四张子图正态概率图、残差对拟合值、直方图、残差对顺序。重点看三个现象。第一个残差随拟合值增大呈喇叭口发散说明方差非齐性回归系数的标准误会失真P 值不可靠。第二个残差对顺序呈现上升或周期性趋势说明存在时间漂移随机化不彻底或遗漏了未控制的因子要回去查试验过程记录而不是继续解读系数。第三个正态概率图呈 S 型说明残差分布偏态考虑对响应做变换。Minitab 在 Analyze Factorial Design 的 Options 面板里提供了 Box-Cox 变换勾选后会自动选择最优 lambda 并重新拟合。注意 Box-Cox 是对响应变量 y 做变换不是对因子 x。变换之后效应解释从“y 的均值变化”变成“变换后 y 的均值变化”工程解释难度会增加所以只在残差问题明显时才使用。4.2 R-Sq、R-Sq(adj) 与 PRESS 的组合判断R-Sq 高不表示模型好。每增加一个模型项R-Sq 只会上升哪怕这项毫无意义所以要看 R-Sq(adj)它按模型项数做了惩罚。更严格的是 PRESSPrediction Sum of Squares把每次试验轮流当作预测点用其余 n-1 次拟合后再预测该点累加预测误差平方得到。Minitab 根据 PRESS 给出预测 R-Sq预测 R-Sq 与 R-Sq(adj) 差距超过 20% 时基本可以判断模型里混进了只对当前数据有效的噪声项。指标看什么不达标的处理R-Sq模型整体拟合比例与 R-Sq(adj) 差距大时删项R-Sq(adj)惩罚项数后的拟合与预测 R-Sq 差距大时继续删PRESS逐次预测误差平方和数值远大于 SSE 时模型不宜预测S残差标准误和产品公差放一起才有意义S 是残差标准误可以粗略理解为预测误差的标尺必须放在业务上下文里判断S 是 0.05规格限 ±0.5模型足够好S 是 0.5规格限 ±0.3统计上再显著也控制不住产品。R-Sq 只是模型内部指标预测能力要看 PRESS 和 S。4.3 用响应优化器找最优组合并用残差诊断验证优化是 DOE 的落点。菜单 Stat DOE Factorial Response Optimizer左侧选响应变量右侧设目标望大、望小、望目。Lower/Upper 定义可接受边界Weight 控制该项在优化中的相对权重Importance 控制多个响应冲突时的优先级。Minitab 计算出每个因子的最优编码值并给出联合满意度 Composite Desirability。联合满意度接近 1 只说明统计上很接近目标还要看预测区间宽度区间太宽即使最优组合成立产品质量波动也可能超限。单个响应变量拟合完模型后用 Python 做一次残差诊断和 Minitab 的四合一图互相验证import pandas as pd import statsmodels.formula.api as smf df pd.DataFrame({ A: [-1, 1, -1, 1, -1, 1, -1, 1], B: [-1, -1, 1, 1, -1, -1, 1, 1], C: [-1, -1, -1, -1, 1, 1, 1, 1], Y: [82.3, 85.1, 79.8, 86.2, 84.0, 86.8, 80.9, 87.5], }) model smf.ols(Y ~ A * B * C, datadf).fit() infl model.get_influence() print(pd.DataFrame({ s_resid: infl.resid_studentized_internal, cooks_d: infl.cooks_distance[0], }))smf.ols 的公式 A * B * C 自动展开全部主效应和交互项残差用 get_influence 提取。s_resid 是学生化残差对应 Minitab 残差表里的“标准化残差”cooks_d 是 Cook 距离超过 4/n这里 4/8 0.5的点需要回现场复核试验记录。这套输出和 Minitab 的残差表对得上说明诊断可信对不上说明有一边的数据录入或模型设定出了问题。5. 验证 DOE 结果是否可信的三个硬检查5.1 编码系数换算回真实值Minitab 给出的预测方程全部建立在编码值上。要把真实工艺值代入方程必须做逆变换x (X - X_center) / ((X_high - X_low) / 2)。以模温为例低水平 180℃、高水平 200℃中心值 190℃半极差 10℃那么 195℃ 对应的编码值是 (195 - 190) / 10 0.5。直接用真实温度代入回归方程会得到完全错误的预测结果这个坑在把 DOE 结果转成现场作业标准时最常见。5.2 检查中心点的弯曲检验创建设计时加了中心点拟合后 ANOVA 表里会多出一行 Curvature。这行的 P 值小于 0.05说明响应在试验范围内存在明显弯曲线性模型已经不够用需要补做响应曲面设计而不是继续解释线性模型的系数。很多人在简化模型时顺手把 Curvature 项删掉这是把模型拟合问题和模型假设问题混在一起了。弯曲显著时中心点是在提醒你试验区域选得离最优区太近或太远下一步应该扩展为 CCD。5.3 核对随机化与过程记录最后一个检查不看统计输出看试验过程记录。残差对顺序图如果出现趋势说明执行时没有严格按 RunOrder 做或者漏记了某个随时间变化的因素。对照这几项做一次快速审计检查项通过标准试验顺序实际执行顺序与 RunOrder 一致原料与机台批号、机台、操作员均有记录异常点复核Cook 距离超限的点能对应到现场备注中心点分布中心点没有全部集中在一端DOE 的数学部分可以由软件代劳但试验是否真的按设计执行只有现场记录能证明。把每次试验的批号、时间、机台和操作员完整写下来比任何一道统计菜单都能更早发现一次失败的 DOE。本文还有配套的精品资源点击获取 DOE试验设计实战：用Minitab从因子分析到交互效应
简介一份面向品质管理及工艺优化人员的DOE基础知识PPT课件系统讲解实验计划法的核心概念、常用术语、实验类型与实施顺序并重点介绍完全要因实验的设计步骤和EVOP调优试验设计。内容涵盖因子、水准、处理组合、主效应、交互作用等关键要点同时结合Minitab软件演示创建析因设计、生成主效应图、交互作用图和立方图等操作实例适合需要入门实验设计DOE并希望掌握Minitab基本操作的工程师、质量专员及学生使用。课件共1个PPTX文件约646KB轻量易读。目前已有1048人学习。通过学习可建立起DOE的整体框架理解如何通过系统化实验确认关键X的影响、识别交互作用并利用Minitab完成从实验设计到数据分析的完整流程。1. 为什么 DOE 不是一次改一个变量Minitab 把它变成了菜单操作一台注塑机尺寸超差工程师最先想到的是“一次只改一个变量”模温升高 20℃ 试 5 片没用再换保压压力又试 5 片。真正的问题往往是温度和压力的交互作用——温度不同压力的影响方向可能反转——而一次一因子试验永远看不到这一层。DOE试验设计Design of Experiments用最少试验次数同时估计多个主效应和交互效应Minitab 则把整套流程做成菜单创建试验计划、随机化顺序、拟合模型、方差分析与响应优化都在图形界面里完成。这篇文章从 DOE 的关键参数讲到 Minitab 的菜单选项和输出表适合工艺、质量、设备工程师也适合被叫去“给数据做个 DOE”的 IT 数据分析师。2. DOE 的关键参数先想清楚因子、水平、编码与分辨度2.1 因子、水平与编码值先在表格里把试验空间写明白DOE 里的“因子”是你在试验中主动改变的条件。温度、压力、保压时间属于连续因子设备编号、原料供应商属于类别因子。“水平”是因子取几个值两水平设计每个因子取低值和高值两个点三水平设计在高低之外再加中间值。初学者最容易犯的错是水平选得不对太宽试验容易跑飞甚至做不出合格样品太窄效应被噪声淹没方差分析出不了显著项。工程上一般取现有工艺参数的上下限附近并保证两个水平都能稳定产出可测量的产品。为什么要把真实值编码成 -1 和 1因为温度和压力单位不同数值差几个数量级直接用原始值做回归压力系数的绝对值会比温度大得多但那只是单位尺度的差异不是效应强弱的差异。Minitab 默认把设计矩阵存成 -1、0、1 的编码值编码后回归系数可以直接比较数值大小来排出因子影响力顺序。0 代表中心点它不参与效应估计专门用来检验模型是否存在弯曲后面 5.2 节会用到。因子低水平(-1)高水平(1)中心点(0)类型模温 Temp180℃200℃190℃连续保压压力 Pressure60 MPa80 MPa70 MPa连续保压时间 HoldTime4 s8 s6 s连续这张表对应后文所有例子的因子设置三个连续因子全部两水平加一个中心点。做计划之前先把这张表填好比急着打开 Minitab 更重要因为水平范围决定了试验的可行域后面所有统计推断都建立在这个范围之上。2.2 主效应与交互效应为什么一次一因子会漏掉关键信息不含交互项的模型长这样y β0 β1x1 β2x2 ε。β1 的含义是x1 从 -1 变到 1 且 x2 保持不变时y 的平均变化量的一半。注意是“一半”因为 x1 从 -1 到 1 走了两个编码单位而 β1 是每个编码单位的变化率。Minitab 输出表里的“效应”Effect 等于 2β1Pareto 图上画的也是这个值和 Coef 列是两套表示读表时别混。加上交互项后模型变成 y β0 β1x1 β2x2 β12x1x2 ε。β12 显著说明 x2 的效应不是恒定的它会随 x1 所处水平而改变。回到注塑机的例子模温在低水平时加大保压压力可能让尺寸变大模温在高水平时加大保压压力反而让尺寸变小。一次一因子试验看到的结果是“压力改了没变化”实际上压力很有效只是它的效果被温度遮住了。这就是为什么要用 DOE 而不是 OFATOne-Factor-At-a-Time。2.3 全因子、部分因子与响应曲面设计怎么选因子数在 4 个以内全因子设计最稳试验次数是 2^k能估计所有主效应和全部交互项。5 个因子还做全因子需要 32 次基础试验很多产线给不起这个时间于是用部分因子设计 2^(k-p)。部分因子用别名alias换取次数分辨度 III 的主效应与两因子交互混杂IV 分辨度下两因子交互彼此混杂但与主效应干净V 以上才把两因子交互和主效应完全分开。工程上最少用 IV能做到 V 更稳。设计类型试验次数适用场景主要限制全因子 2^k2^k 中心点因子数 ≤ 4需要完整交互信息因子多时次数膨胀部分因子 2^(k-p)2^(k-p) 中心点因子 5~7先筛选关键因子效应混杂要查分辨度响应曲面CCD2^k 轴点 中心点已定位关键因子后寻找最优区成本高放在第二阶段选择逻辑并不复杂先判断要回答“哪些因子显著”还是“最优参数在哪”。前者用因子设计后者用响应曲面。怀疑工艺有弯曲比如响应随温度先升后降线性模型描述不了就直接考虑中心复合设计CCD别在全因子上反复加中心点硬凑。2.4 动手前先生成随机化试验计划试验计划不是把 8 个组合按顺序跑完。车间温度、模具状态会随时间漂移如果前几次全在上午跑低水平、后几次在下午跑高水平因子效应就和时间漂移混在一起分不清。随机化就是把这种系统漂移打散成随机误差。下面这段 Python 生成三因子两水平全因子的随机化顺序并在其中混入两个中心点from itertools import product import random factors [Temp, Pressure, HoldTime] levels [-1, 1] # 2^3 全因子组合 2 个中心点 runs list(product(levels, repeatlen(factors))) center_points [(0, 0, 0)] * 2 all_runs runs center_points # 固定随机种子保证试验计划可复现 random.seed(20240601) random.shuffle(all_runs) for idx, combo in enumerate(all_runs, start1): print(fRun {idx:2d}: Temp{combo[0]:d}, fPressure{combo[1]:d}, HoldTime{combo[2]:d})itertools.product 按顺序展开笛卡尔积得到全部 8 个因子组合random.seed 固定随机种子让同一个种子在任何机器上都能重现完全相同的试验顺序这在补做试验和审计时很有用center_points 混入列表后一起 shuffle而不是追加在末尾因为中心点放在最后同样会引入时间偏倚。Minitab 的 Create Factorial Design 会自动完成这套工作不需要手写但理解展开逻辑能帮你检查它生成的 Worksheet 有没有漏组合、有没有把中心点全部排在队尾。3. Minitab 全因子设计实操路径从创建设计到拟合模型3.1 创建 Factorial Design 时每个按钮在决定什么打开 Minitab菜单路径是 Stat DOE Factorial Create Factorial Design中文版常见翻译是“统计 DOE 因子 创建因子设计”。Design Type 默认就是 2-level factorialNumber of factors 填 3。点开 Designs 按钮可以看到候选列表全因子 8 次、1/2 部分因子 4 次等。这里选全因子并把 Number of center points 设为 3。中心点不参与效应估计但能提供纯误差估计和弯曲检验后面 5.2 节会解释怎么看。继续点 Factors 按钮给每个因子命名并填入低水平和高水平的真实值。Minimtab 会为每个因子生成编码值后续回归分析全部基于 -1/0/1而不是原始单位所以这步填错整个分析都会跟着错。Options 按钮里有两个容易被忽略的选项Randomize 控制是否随机化试验顺序默认勾选不要关掉随机种子Random seed由 Minitab 自动生成记下这个数将来复现试验计划或排查异常时都要用到。Replicates 默认是 1即每个组合只跑一次想估计纯误差可以改成 2并勾选 Same replicates for each combination。全部填完后点 OKMinitab 会在新工作表中生成三列编码因子以及 StdOrder、RunOrder 两列顺序信息。把这张表连同响应列一起打印到现场按 RunOrder 执行。这里有个实际操作要点工作表里 C1~C3 是因子编码值不是真实工艺值现场执行时要换算回温度、压力的实际设定别把 -1 当成工艺参数直接用。提示Minitab 官网提供限期试用版完成本文涉及的全部 DOE 流程绰绰有余。统计软件不建议使用来路不明的非官方安装包计算过程一旦出错从结果表面很难察觉。3.2 拟合模型与 ANOVA 表逐行解读试验做完把响应列 Y 填进工作表。菜单 Stat DOE Factorial Analyze Factorial DesignTerms 面板默认把主效应和所有交互项放进模型。三因子全因子设计包含 3 个主效应、3 个两因子交互和 1 个三因子交互共 7 项。三因子交互在物理上通常很难解释如果样本量有限可以在 Terms 里删掉它把它的自由度併入误差项。Graphs 面板勾选 Four in one四合一残差图和 Pareto 图后面诊断要用。点 OK 后输出中最先看方差分析表。每一行的含义和判断要点如下表项含义判断要点Source变异来源主效应、交互、误差看 Model 行是否显著DF自由度总自由度 总试验次数 - 1Adj SS / Adj MS校正后平方和与均方F MS该项/ MS误差F该项均方与误差均方的比值F 越大越显著P显著性概率P 0.05 认为效应显著P 0.05 只是“效应不等于零”的统计学证据不代表影响大。效应大小看 Coef 列编码系数的绝对值越大效应越强。Pareto 图把各效应的标准化值按大小画成条形图超过参考线的项显著正态效应图里偏离直线的点对应显著效应。这三张图是同一件事的三种视角如果互相矛盾先回去查数据录入有没有错行而不是急着换统计方法。3.3 简化模型要遵守层级原则用 Python 验算 Coef拿到显著项后把不显著的项从 Terms 里删掉重新拟合这叫简化模型。重新打开 Analyze Factorial DesignTerms 里只保留显著项再次运行。这里必须遵守层级原则只要模型里有 A*BA 和 B 的主效应就必须保留即使它们单独看不显著。原因是交互效应的解释依赖主效应存在强行删掉主效应会让编码系数失去可比性。Minitab 的 Stepwise 可以自动挑项但默认设置不一定完全符合 DOE 的层级约定建议手动核对。如果对 Minitab 输出的 Coef 有怀疑可以用下面的 Python 脚本按编码数据手算一遍。主效应就是某个因子在高水平下的响应均值减掉低水平下的响应均值交互效应用最小二乘回归直接拟合和 Minitab 的编码系数一一对应import numpy as np from itertools import product # 与 Minitab 工作表完全相同的 8 次试验编码矩阵 X np.array(list(product([-1, 1], repeat3)), dtypefloat) y np.array([82.3, 85.1, 79.8, 86.2, 84.0, 86.8, 80.9, 87.5]) cols { 1: np.ones(8), A: X[:, 0], B: X[:, 1], C: X[:, 2], AB: X[:, 0] * X[:, 1], AC: X[:, 0] * X[:, 2], BC: X[:, 1] * X[:, 2], ABC: X[:, 0] * X[:, 1] * X[:, 2], } X_design np.column_stack(list(cols.values())) beta, *_ np.linalg.lstsq(X_design, y, rcondNone) for name, coef in zip(cols.keys(), beta): print(f{name:3} coef {coef:8.4f})np.linalg.lstsq 对 8×8 的满秩矩阵求精确解得到的 beta 就是各编码系数。把这份输出和 Minitab 的 Coefficients 表放在一起比数值一致说明数据、模型和操作都没有问题不一致九成是因子列没有按编码存储或者响应列错位。还要注意Minitab 输出的 Effect 等于 2 倍的编码系数Pareto 图横轴用的是 Effect验算时不要拿 Coef 去对轴的刻度。4. 模型诊断与响应优化DOE 结果不是看 p 值就结束4.1 残差四合一图先看形状再看统计量拟合完模型P 值也显著先别急着下结论。统计显著只说明平均效应存在模型质量取决于残差。Minitab 的四合一残差图包含四张子图正态概率图、残差对拟合值、直方图、残差对顺序。重点看三个现象。第一个残差随拟合值增大呈喇叭口发散说明方差非齐性回归系数的标准误会失真P 值不可靠。第二个残差对顺序呈现上升或周期性趋势说明存在时间漂移随机化不彻底或遗漏了未控制的因子要回去查试验过程记录而不是继续解读系数。第三个正态概率图呈 S 型说明残差分布偏态考虑对响应做变换。Minitab 在 Analyze Factorial Design 的 Options 面板里提供了 Box-Cox 变换勾选后会自动选择最优 lambda 并重新拟合。注意 Box-Cox 是对响应变量 y 做变换不是对因子 x。变换之后效应解释从“y 的均值变化”变成“变换后 y 的均值变化”工程解释难度会增加所以只在残差问题明显时才使用。4.2 R-Sq、R-Sq(adj) 与 PRESS 的组合判断R-Sq 高不表示模型好。每增加一个模型项R-Sq 只会上升哪怕这项毫无意义所以要看 R-Sq(adj)它按模型项数做了惩罚。更严格的是 PRESSPrediction Sum of Squares把每次试验轮流当作预测点用其余 n-1 次拟合后再预测该点累加预测误差平方得到。Minitab 根据 PRESS 给出预测 R-Sq预测 R-Sq 与 R-Sq(adj) 差距超过 20% 时基本可以判断模型里混进了只对当前数据有效的噪声项。指标看什么不达标的处理R-Sq模型整体拟合比例与 R-Sq(adj) 差距大时删项R-Sq(adj)惩罚项数后的拟合与预测 R-Sq 差距大时继续删PRESS逐次预测误差平方和数值远大于 SSE 时模型不宜预测S残差标准误和产品公差放一起才有意义S 是残差标准误可以粗略理解为预测误差的标尺必须放在业务上下文里判断S 是 0.05规格限 ±0.5模型足够好S 是 0.5规格限 ±0.3统计上再显著也控制不住产品。R-Sq 只是模型内部指标预测能力要看 PRESS 和 S。4.3 用响应优化器找最优组合并用残差诊断验证优化是 DOE 的落点。菜单 Stat DOE Factorial Response Optimizer左侧选响应变量右侧设目标望大、望小、望目。Lower/Upper 定义可接受边界Weight 控制该项在优化中的相对权重Importance 控制多个响应冲突时的优先级。Minitab 计算出每个因子的最优编码值并给出联合满意度 Composite Desirability。联合满意度接近 1 只说明统计上很接近目标还要看预测区间宽度区间太宽即使最优组合成立产品质量波动也可能超限。单个响应变量拟合完模型后用 Python 做一次残差诊断和 Minitab 的四合一图互相验证import pandas as pd import statsmodels.formula.api as smf df pd.DataFrame({ A: [-1, 1, -1, 1, -1, 1, -1, 1], B: [-1, -1, 1, 1, -1, -1, 1, 1], C: [-1, -1, -1, -1, 1, 1, 1, 1], Y: [82.3, 85.1, 79.8, 86.2, 84.0, 86.8, 80.9, 87.5], }) model smf.ols(Y ~ A * B * C, datadf).fit() infl model.get_influence() print(pd.DataFrame({ s_resid: infl.resid_studentized_internal, cooks_d: infl.cooks_distance[0], }))smf.ols 的公式 A * B * C 自动展开全部主效应和交互项残差用 get_influence 提取。s_resid 是学生化残差对应 Minitab 残差表里的“标准化残差”cooks_d 是 Cook 距离超过 4/n这里 4/8 0.5的点需要回现场复核试验记录。这套输出和 Minitab 的残差表对得上说明诊断可信对不上说明有一边的数据录入或模型设定出了问题。5. 验证 DOE 结果是否可信的三个硬检查5.1 编码系数换算回真实值Minitab 给出的预测方程全部建立在编码值上。要把真实工艺值代入方程必须做逆变换x (X - X_center) / ((X_high - X_low) / 2)。以模温为例低水平 180℃、高水平 200℃中心值 190℃半极差 10℃那么 195℃ 对应的编码值是 (195 - 190) / 10 0.5。直接用真实温度代入回归方程会得到完全错误的预测结果这个坑在把 DOE 结果转成现场作业标准时最常见。5.2 检查中心点的弯曲检验创建设计时加了中心点拟合后 ANOVA 表里会多出一行 Curvature。这行的 P 值小于 0.05说明响应在试验范围内存在明显弯曲线性模型已经不够用需要补做响应曲面设计而不是继续解释线性模型的系数。很多人在简化模型时顺手把 Curvature 项删掉这是把模型拟合问题和模型假设问题混在一起了。弯曲显著时中心点是在提醒你试验区域选得离最优区太近或太远下一步应该扩展为 CCD。5.3 核对随机化与过程记录最后一个检查不看统计输出看试验过程记录。残差对顺序图如果出现趋势说明执行时没有严格按 RunOrder 做或者漏记了某个随时间变化的因素。对照这几项做一次快速审计检查项通过标准试验顺序实际执行顺序与 RunOrder 一致原料与机台批号、机台、操作员均有记录异常点复核Cook 距离超限的点能对应到现场备注中心点分布中心点没有全部集中在一端DOE 的数学部分可以由软件代劳但试验是否真的按设计执行只有现场记录能证明。把每次试验的批号、时间、机台和操作员完整写下来比任何一道统计菜单都能更早发现一次失败的 DOE。本文还有配套的精品资源点击获取