企业有效实施试验设计（DOE）的正确步骤

企业如何有效实施实验设计？为什么实验设计难以推广？或者，我们需要克服什么困难才能让像实验设计这样的好工具为大家所知和使用？

说到实验设计(DOE)，很多人会说太难学了，没有比较深厚的统计基础是学不会的。我们公司实验很少，不需要实验设计。设计(DOE)方法是一种基于统计学的质量管理工具，其原理对于没有数理统计的人来说很难理解和掌握。在使用设计DOE方法的过程中，有很多复杂的操作，出错概率很高。

但是，以上都不是目前的问题。设计(DOE)应用中的各种步骤和方法是一步一步完成的。在MINITAB软件的帮助下，DOE的操作部分变得比预期的更加方便。

设计的正确实施步骤:

第一步:确定实验设计的目标

通过控制图、故障分析、因果分析、故障分析、能力分析等工具的应用，或者直接实际工作的反映，可以发现一些关键问题，反映出某些指标或参数不能满足需求，但对于这类问题，一些简单的方法可能根本无法解决，此时可能会想到实验设计。对于实验设计要解决的问题，首先要明确试验的目的，即解决了什么样的问题，问题造成了什么样的危害，是否有足够的理由支持实验设计方法的运行，实验设计必然要耗费更多的资源来进行，而对于制造企业来说，实施实验设计会扰乱原有稳定的生产秩序，因此确定试验的目的和必要性是首要任务。随着测试目标的确定，还需要定义测试指标和接受的规范，这样测试才能有方向和测量指标来检查测试的成功。这里的指标和规范是测试目的的延伸和具体化，也就是解决问题的重点，指标的达成可以意味着问题的解决。

第二步:分析实验设计的过程

注重过程，就应该有习惯，就像很多企业做层次比较一样，往往存在一个误区，那就是只关注利益，而忽略过程特征的比较，开发实验设计也必须建立在对过程的深度分析之上。每个问题都有它的原因。事物有好有坏，参数便宜，特征缺乏，产生问题的过程中普遍存在很多原因。过程的定义非常关键。太短的流程可能会丢弃明显的原因，太长的流程肯定会导致资源浪费。开发流程的方法有很多，但必须做一件事，那就是尽可能详细地列出可能的因素。详细的因素来自于对每一步的详细分解和对其输入输出的确认。事实上，对过程的分析和理解是提高人们对问题认识的开始，因为不是每个人都能掌握我们所关注的问题。这一步的输出使企业的改进人员能够知道问题的可能因素在哪里。虽然不确定哪个重要，但至少确定了一个大方向。

第三步:筛选实验设计的因素

对过程的充分分析提供了有价值的信息，即可能影响关注指标的因素，但哪一个重要？对一些根本不重要或很小的因素进行全面的实验分析，其实是一种浪费，也可能导致实验误差。因此，有必要筛选可能的因素。此时无需确认相互作用、高阶效应等问题，以确认哪些因素具有显着影响。一些低分辨率的两级测试或特殊的筛选测试可以用来完成这项任务，测试成本将被最小化。此外，为了完成这项任务，可以应用一些历史数据或完全可靠的经验理论分析来减少测试因素。当然，需要注意的是，只要对这些数据或分析没有什么疑问，我们就可以放弃对测试结果可靠性的质疑。由于筛选因素，我们掌握了影响指标的主要因素。这一步尤为关键，现实中往往是通过完整的实证分析得出的，甚至带有“也许”的态度。

第四步:快速进场测试设计

通过筛选试验，找到关键因素，筛选试验中还包含一些非常重要的信息，即主要因素对指标的影响趋势，这是必须充分利用的信息。它可以快速找到测试目的的可能区域，虽然不是很确定，并且减少了包围圈。此时一般采用实验设计中的快速上升(下降)法。根据筛选试验揭示的主要因素的影响趋势来确定一些水平并进行试验。测试的目的是缩小嫌疑人的范围，就像我们寻找罪犯一样。一个结论是，企业改善的最佳优势在于因素最终体现的水平区间，离成功更近一步。

第五步:因子测试

在筛选测试中，没有强调因素之间相互作用的影响，而是给出了主要影响因素，快速逼近的方法使我们能够确定主要因素的近似值水平，进而可以进一步衡量因素的主要效应、相互作用和高阶效应。这些测试是在快速接近的水平范围内选择和获得的，因此它们对最终优化有显着的影响。阶乘实验主要通过选择由各种因子构造的几何体的顶点和中心点来完成。这种实验结构可以确定指标的影响，是否存在相互作用或那些相互作用，是否存在高阶效应或哪些高阶效应。最后的测试是通过方差分析验证这些影响是否显着。同时，也是对以往筛选和快速逼近试验的验证，但不宜在此类实验的基础上描述指标与主要效应之间的详细关系，因为对于三个水平点的选取，

第六步:回归测试

在析因实验中，确定了各因素和指标之间的主要影响项目，但考虑到功效，还需要进一步安排一些实验，最终确定因素的最佳影响水平。此时的实验只是对阶乘实验实验点的补充，即阶乘实验的实验数据也可以使用，只是为了优化我们的指标，或者有效全面地构建因子和水平的对应曲线和轮廓，我们增加一些实验点来完成这个任务。测试点一般根据回归测试的轮换进行选择，其水平应根据疗效、因素个数、中心点个数等合理设置。，以保证回归模型的可靠性和有效性。在完成这些实验后，我们可以分析并建立因子和指标之间的回归模型，并通过优化的方式确定最终的因子水平设置。当然，为了安全起见，我们最终会在获得参数级别的最佳组合后进行一些验证测试来检查结果。

第七步:稳健设计

测试设计的目的是通过设置一些可以控制的关键因素来控制指标，因为指标是不能直接控制的，测试设计提供了这种可能性和方式。但现实中仍有一类此类因素对指数的影响同样显着，但难以通过人工控制保证其最优影响。这类因素一般称为噪声因素，它的存在往往会使测试结果功亏一篑。因此，除了尽可能地控制之外，我们还可以选择稳健设计的方法来尽量减少这些因素的影响，从而保证指标的高性能。其实这些因素都是常见的。比如，不可能保证汽车行驶的道路都是高等级公路。那么如何才能为一些差的道路设计出高性能的道路呢？此时会选择一些抗干扰因素来缓解干扰因素的影响，这是稳健设计的意图和途径。通常在设计和R&D阶段经常使用，但有时会随着问题的出现而暴露出来。但提出了一个问题，主要因素水平的重新选择是否会带来指标的震荡和恶化是完全可能的，可以通过EVOP等手段进行重置，保证因素发生变化后的产出效果。

当然，在DOE工具的实际应用中，可能会遇到更复杂的问题或障碍，但DOE是降低成本、改善问题的工具。深信这一点，不断克服各种障碍，质量提升的道路会越走越宽。