经典DOE回顾：全因子、部分因子与响应曲面设计
做实验设计这么多年，我越来越觉得——经典DOE就像工具箱里的扳手，不一定天天用，但真要用的时候，没有它还真不行。今天咱们就把这三把“扳手”拎出来，好好盘一盘。
一、全因子设计（Full Factorial Design）
全因子设计，说白了就是把所有因子的所有水平组合都跑一遍。比如你有3个因子，每个因子2个水平，那就是2³ = 8次实验。听起来简单粗暴，对吧？
优点很明显：
- 效应估计最干净，没有混杂
- 能捕捉到高阶交互作用
- 数据分析直观，方差分析一跑就清楚
但缺点也致命：
- 因子一多，实验次数指数爆炸。6个因子2水平就是64次，8个因子就是256次——你想想看，产线能让你停那么久吗？
- 资源消耗大，成本高
- 很多高阶交互其实没意义，白白浪费实验点
二、部分因子设计（Fractional Factorial Design）
全因子太贵，怎么办？部分因子设计就是答案。它只跑全因子实验的一个子集，通过牺牲部分高阶交互效应的信息，来换取实验次数的锐减。
举个例子：2⁵全因子要32次，但2⁵⁻²部分因子只要8次。省了四分之三的实验量，划算吧？
分辨度（Resolution）是关键：
| 分辨度 | 含义 | 典型应用 |
|---|---|---|
| III | 主效应与二阶交互混杂 | 筛选实验，因子数多 |
| IV | 主效应干净，二阶交互之间混杂 | 中等精度需求 |
| V | 主效应与二阶交互都干净 | 高精度建模 |
我曾经在一个化工项目中用过2⁶⁻²分辨度IV的设计。当时客户急着要结果，全因子64次根本来不及。16次实验跑完，主效应全出来了，二阶交互虽然有些混杂，但结合工程经验一判断，问题就锁定了。嗯，这里要注意——分辨度III的设计要特别小心，主效应都混在一起，解读时容易翻车。
三、响应曲面设计（Response Surface Design, RSM）
全因子和部分因子都是线性模型，但现实世界哪有那么多直线？因子之间往往有弯曲效应，这时候就需要响应曲面设计上场了。
RSM的核心思想： 用二次多项式模型来拟合响应曲面，找到最优操作区域。
模型形式：
Y = β₀ + Σβᵢxᵢ + Σβᵢᵢxᵢ² + ΣΣβᵢⱼxᵢxⱼ + ε两种主流设计：
- 中心复合设计（CCD）： 最常用，包含立方点、中心点和轴向点。我习惯用CCD做工艺优化，因为它可以序贯构建——先做因子实验，发现弯曲后再补轴向点。
- Box-Behnken设计（BBD）： 每个因子只有3个水平，实验次数更少，适合因子数3-7的场景。但BBD不能序贯，得一次性设计好。
- 因子数超过6时，实验次数会快速膨胀
- 对异常值敏感，一个坏点可能把曲面拉歪
- 只能处理连续因子，分类因子不好使
我记得有一次做注塑成型工艺优化，用了CCD设计，5个因子，52次实验。结果跑出来模型R²有0.97，但验证时发现预测偏差很大。后来一查，原来是中心点重复实验时，环境温度波动太大。所以啊，RSM对实验环境的一致性要求很高，别忽略了。
四、三种设计的对比与选择
| 设计类型 | 适用阶段 | 因子数 | 实验次数 | 模型复杂度 |
|---|---|---|---|---|
| 全因子 | 精确建模 | 2-5 | 2ᵏ | 线性+交互 |
| 部分因子 | 筛选 | 5-15 | 2ᵏ⁻ᵖ | 线性（有混杂） |
| 响应曲面 | 优化 | 2-6 | CCD: 2ᵏ+2k+n₀ | 二次 |
你想想看，实际项目中怎么选？我的建议是三步走：
- 先筛选： 因子多（>5）时，用分辨度III或IV的部分因子设计，快速找出关键因子
- 再建模： 关键因子少（≤5）时，用全因子或分辨度V的部分因子，建立精确线性模型
- 后优化： 发现弯曲效应时，补做RSM，找到最优区域
五、知识体系总览
下面这张图把三种经典设计的关系和适用场景串起来了，你可以对照着看：
这张图把三种设计串成了一个完整的工作流。你从左边筛选开始，逐步往右推进，最后在优化阶段收网。我个人习惯在每个阶段结束时，都做一个验证实验——别等到最后才发现方向偏了。
- 全因子：精度最高，但只适合因子少的场景
- 部分因子：效率高，但要小心混杂结构
- 响应曲面：处理弯曲效应，但实验环境要稳定
- 三种设计不是互斥的，而是递进关系
好了，经典DOE的底子就这些。说白了，这三种设计就像三把尺子——全因子是游标卡尺，精度高但量程短；部分因子是卷尺，量程大但精度一般；响应曲面是千分尺，专门测细微的弯曲变化。选哪把，得看你手头的活儿是什么。