📚 课程目录第1章 DOE概述

1. DOE概述：什么是DOE？它在工业界的核心价值与三大原则

大家好，欢迎来到《独立完成DOE设计全流程实战》的第一章。

咱们开门见山。DOE，全称是Design of Experiments，中文叫试验设计。说白了，它是一套系统化安排试验、分析数据、找出关键因子并优化响应的方法论。

你可能会问：“做实验谁不会？不就是改一个参数，看一个结果吗？”嗯，我刚入行时也这么想。直到有一次，我在一条生产线上调了整整两周的参数，产品合格率纹丝不动……后来用DOE重新规划，只做了12次试验，就把问题根源揪出来了。从那以后，我再也不敢小看它。

DOE的核心思想很简单：同时改变多个输入因子，用最少的试验次数，获取最多的信息。

传统做法是“单因子轮换法”——固定其他因子，一次只变一个。这方法有两个致命缺陷：

DOE则不同。它通过正交性和平衡性，让每个因子的主效应和交互效应都能被独立估计出来。你想想看，这就像同时转动多个旋钮，但你能分清每个旋钮各自起了多大作用——这才是真正的“科学实验”。

一句话总结：DOE = 用最少的试验，做最聪明的推断。

我在半导体、汽车零部件、化工行业都待过。说实话，DOE在这些地方不是“锦上添花”，而是“雪中送炭”。它的核心价值，我归纳为四点：

说白了，DOE就是帮你用数据说话，而不是凭感觉拍脑袋。我经常跟工程师们说：“你花一周做DOE，可能省下后面三个月的返工时间。”这笔账，怎么算都划算。

DOE能成立，靠的是三条铁律。这三条原则，是R.A. Fisher老爷子在上世纪20年代提出的，到今天依然是DOE的基石。我每次做DOE前，都会拿这三条来检查自己的方案——踩过坑才知道它们有多重要。

定义：试验的进行顺序、试样的分配，必须随机决定，不能有主观偏好。

为什么需要？因为试验环境里存在 nuisance factor（干扰因子）——比如温度波动、操作员疲劳、原材料批次差异。如果不随机化，这些干扰因子会跟你的试验因子“混在一起”，让你分不清到底是因子变了，还是环境变了。

我曾经踩过的坑：有一次做热处理试验，我按“温度从低到高”的顺序做。结果发现低温组数据特别稳定，高温组波动很大。后来一查，高温组都是在下午做的——车间温度升高了5度！这就是典型的“时间效应”污染了试验结果。从那以后，我每次都用随机数表或软件生成试验顺序。

怎么做？用Minitab、JMP或简单的随机数生成器，给每个试验号分配一个随机顺序。别偷懒，手动排序是大忌。

定义：在相同的因子水平组合下，进行多次独立的试验。

注意：重复 ≠ 重复测量。重复测量是在同一次试验里测多次数据，那只能评估测量误差。重复是重新做一次完整的试验，包括重新设置参数、重新装夹试样。

为什么需要？因为任何试验都有随机误差。没有重复，你就没法估计误差的大小，也就没法判断因子效应到底是“真显著”还是“随机波动”。

我的建议：至少做2~3次重复。如果试验成本太高，可以考虑“部分重复”或“中心点重复”。但千万别做0重复——那叫“一次试验”，不叫“试验设计”。

定义：把试验分成若干个“区组”，在每个区组内，干扰因子保持恒定，从而消除它们对试验结果的影响。

什么时候用？当你明知道某些干扰因子无法控制，但可以分组时。比如：

怎么做？把“批次”或“操作员”作为区组变量，在每个区组内完成所有试验组合。这样，区组间的差异就被“隔离”掉了，不会污染你对因子效应的估计。

举个例子：我有4个试验组合，原材料有2个批次。那我就把批次1作为一个区组，做完4个试验；批次2作为另一个区组，再做一遍4个试验。这样，批次差异就被区组吸收了，因子效应不受影响。

  三大原则的关系：

  随机化 → 防止未知干扰因子污染结果

  重复 → 提供误差估计，判断显著性

  区组化 → 消除已知干扰因子的影响

  三者缺一不可，共同构成DOE的“铁三角”。

下面这张SVG图，把本章的核心内容串了起来。你可以把它当作DOE的“知识地图”，后面每学一章，都可以回来对照一下。

这一章，我们聊了三个核心问题：

记住：DOE不是“做实验”，而是“设计实验”。好的设计，能让你的数据说话；不好的设计，只会让你在噪声里打转。