📚 课程目录第4章实验设计（DOE）在反应优化中的实战应用

4. 实验设计（DOE）在反应优化中的实战应用

在反应工艺优化中，单因素轮换法（OFAT）是最常见的做法：固定其他条件，只改变一个因素，找到“最优点”后再换下一个因素。这种方法的问题在于，它无法识别因素之间的交互效应，而且当因素较多时实验次数急剧增加。实验设计（DOE）通过系统性地同时改变多个因素，用较少的实验次数获得因素主效应、交互效应和响应曲面的信息，是反应优化从“经验试错”走向“统计可信”的关键工具。

本节以一个典型的两步液相反应体系为例展开：目标产物收率受温度、催化剂用量、反应时间和溶剂配比四个因素影响。我们将依次完成筛选实验（析因设计）、响应曲面建模（中心复合设计）和方差分析（ANOVA），并给出因素主效应与交互效应的判读方法。以下所有数值均为教学示例，用于说明计算与判读逻辑，不代表真实实验结果。

一、从筛选到优化：DOE 的三段式路线

反应优化的 DOE 通常分三段推进。第一段是筛选：因素多、水平少，用部分析因或 Plackett-Burman 设计快速剔除不显著因素。第二段是建模：对保留下来的关键因素，用响应曲面设计（中心复合设计 CCD 或 Box-Behnken 设计）拟合二次模型，找到最优区域。第三段是验证：在预测最优点做重复实验，确认模型预测与实际一致，并评估工艺稳健性。

本例中，四个因素先做 2^4-1 部分析因筛选（8 次实验加 3 次中心点），结果显示温度（A）和催化剂用量（B）主效应显著，时间（C）边缘显著，溶剂配比（D）不显著。于是保留 A、B、C 三个因素进入 CCD 响应曲面阶段。这一“先筛后优”的顺序非常重要：若一开始就对四个因素做全 CCD，实验次数会从 15 次左右增加到 30 次以上，而其中相当一部分消耗在不显著因素上。

二、析因设计：主效应与交互效应的计算

以筛选阶段的 2^4-1 部分析因为例，每个因素取低（−1）和高（+1）两个水平。温度取 60 ℃ 与 80 ℃，催化剂用量取 0.5% 与 1.5%，时间取 2 h 与 4 h，溶剂配比取 3:1 与 1:1。部分析因的生成关系为 D = ABC，即溶剂配比水平由前三个因素的乘积决定，这样可以用 8 次实验估计四个主效应（代价是部分二阶交互与主效应混杂，这正是筛选阶段可接受的取舍）。

主效应定义为该因素从低水平到高水平时响应的平均变化量。以温度为例，把所有温度处于高水平的实验收率取平均，减去所有温度处于低水平的实验收率平均值，即得 A 的主效应。交互效应 A×B 则通过“温度对收率的影响在催化剂高、低水平下是否一致”来度量：若在低催化剂下升温带来 +4 个百分点，在高催化剂下升温带来 +12 个百分点，则说明两者存在正交互，此时单独讨论“最佳温度”是没有意义的，必须成对确定。

方差分析把总平方和分解为主效应、交互效应和残差三部分，用 F 检验判断各效应是否显著。示例中 A 的 F 值为 28.4、B 为 15.7、A×B 为 6.9，对应 P 值分别为 0.006、0.017、0.048，均在 0.05 以下；C 的 P 值为 0.09，边缘显著；D 的 P 值为 0.62，不显著。同时应关注模型的 R²（示例为 0.94）和调整 R²（0.89），若两者差距过大，提示模型包含过多不显著项或存在异常点。

三、响应曲面：从“显著”到“最优”

筛选只回答“哪些因素重要”，不回答“最优点在哪里”。当因素存在弯曲效应（例如温度过高导致副反应加剧，收率出现峰值）时，两水平析因无法捕捉曲率，必须引入中心点和轴点构成 CCD。本例保留 A、B、C 三因素，取 8 个角点、6 个轴点（±1.682）和 5 个中心点，共 19 次实验，中心点重复用于估计纯误差。

拟合的二次模型形式为：

Y = β0 + β1A + β2B + β3C
  + β12AB + β13AC + β23BC
  + β11A² + β22B² + β33C² + ε

示例拟合结果中，A² 与 B² 项显著（P 分别为 0.003 和 0.011），说明温度和催化剂用量均存在明显曲率，收率随二者呈先升后降的抛物线关系；A×B 交互项 P=0.021 仍显著，而含 C 的交互项均不显著。此时应绘制 A–B 的等高线图和三维响应曲面图：等高线呈椭圆形且长轴倾斜，倾斜方向即交互效应的几何体现——沿“升温同时降催化剂”的方向移动，收率下降较慢，说明两者在一定程度上可以互相补偿。

通过求解模型对 A、B、C 的偏导为零，得到示例最优点：温度 71 ℃、催化剂 1.05%、时间 3.2 h，预测收率 91.3%。需要注意，最优点必须落在实验设计的实验域内；若求解结果跑到设计范围之外，属于外推，模型可信度大幅下降，应扩展设计范围重新实验，而不是直接采信预测值。

四、验证与判读：让结论可交付

得到最优点后，在該点做 3 次重复实验。示例实测收率分别为 90.6%、91.0%、90.2%，均值 90.6%，与预测值 91.3% 偏差 0.7 个百分点，在 3% 的判定阈值内，可认为模型可信。同时应检查三次重复的极差（示例 0.8 个百分点），若重复间波动过大，说明存在未受控因素（如搅拌速率、投料顺序、杂质波动），此时应先做测量系统与操作重复性排查，再谈工艺优化。

判读要点：主效应显著只说明该因素“有影响”，交互效应显著才说明“影响方式随另一因素而变”。当交互显著时，最优条件必须以因素组合的形式给出，不能写成“温度越接近 71 ℃ 越好”这类单因素结论。

常见误区：①用 OFAT 数据事后拼凑 ANOVA，各因素水平组合不均衡，效应估计有偏；②中心点只做 1 次，纯误差无法估计，F 检验失去分母；③把不显著因素强行保留进模型，导致调整 R² 下降、预测区间变宽；④最优点落在设计域外仍直接放大生产。

把上述过程固化为可复用的实验记录，是工艺验证阶段的重要交付物。一份完整的 DOE 记录至少应包含：因素与水平表（含编码值 −1/0/+1 与实际值）、实验顺序与随机化说明、每次实验的响应值、ANOVA 表（平方和、自由度、均方、F、P）、模型方程与 R²、最优点及验证实验结果。随机化常被忽视：若按因素水平顺序依次实验，设备预热、原料批次等时间相关漂移会与因素效应混杂，因此实验顺序应由随机数表或软件生成，并在记录中保留原始顺序。

最后需要强调，DOE 的结论是统计结论，其可信度依赖于实验域、噪声水平和模型假设。在反应工艺优化中，它最适合回答“在什么条件下收率最高、哪些因素值得精细控制、工艺窗口有多宽”这三类问题；而对于机理不明的副反应路径，DOE 只能给出相关性证据，仍需结合在线分析（如 FTIR、在线 GC）与动力学实验加以解释。将 DOE 与机理认识结合，才能把优化结果转化为可放大、可验证的工艺参数。