1. 课程导论

化工配方研发的本质，是在一个多因素、多响应的复杂空间中寻找"够好且稳健"的配比与工艺组合。无论是涂料、胶黏剂、清洗剂、润滑脂还是高分子复合材料，研发人员每天面对的问题都不是"某个原料加多少"，而是"在哪些因素上做变化、每个因素取几个水平、用哪些指标判断好坏、这些指标之间如何权衡"。因素水平与响应指标的选择，正是把模糊的研发目标转化为可执行实验方案的第一道关口，也是决定后续实验工作量、数据质量和结论可靠性的关键环节。

从方法论上看，配方研发可以抽象为一条"因素—水平—试验—响应—决策"的链路：先确定哪些变量真正影响性能（因素），再为每个因素设定考察范围与取值（水平），通过合理的试验安排获得响应数据，最后依据响应指标做出配比决策。这条链路中，最容易被低估的恰恰是最前端的因素与指标选择。因素选错，后续再精细的优化也只是在错误的方向上收敛；指标选偏，实验数据再漂亮也无法支撑真实的产品判断。因此，本课程把"选对因素、定好水平、配对指标"作为贯穿始终的主线。

上图把这条链路与三类高频误区放在同一视图中：误区并不发生在"分析"环节，而是沿着红色虚线回溯到因素、水平、响应三个前端节点。这提示我们，配方研发中大量"优化无效"的根因，往往在实验开始之前就已埋下。

为什么因素与指标选择具有"前置放大"效应

因素与水平的选择直接决定试验规模。以三因素三水平全因子试验为例，需要 3³=27 组；若因素增至六个，全因子将达 729 组，实际研发中几乎不可行。而采用正交表 L9(3⁴) 只需 9 组即可估计四个三水平因素的主效应。这意味着：因素筛选做得好，可以用极少的试验获得关键信息；因素筛选做得差，则要么试验量失控，要么遗漏真正重要的变量。响应指标的选择同样具有放大效应——指标定义不清，会导致同一配方在不同批次、不同评价人之间结论不一致，使数据无法累积。

以一个溶剂型丙烯酸胶黏剂配方为例（以下参数为教学示例，非实测数据）：候选因素包括树脂牌号、增黏树脂用量、交联剂用量、涂布厚度、烘干温度、烘干时间。若不加筛选直接做六因素试验，工作量巨大。合理的做法是先依据机理与经验把"树脂牌号"作为分类变量单独比较，把"涂布厚度"固定为工艺常量，将真正连续可调且预期影响显著的增黏树脂用量（如 5～25 份）、交联剂用量（0.2～1.5 份）、烘干温度（80～120 ℃）作为三个因素，各取三水平，用 L9 正交表安排 9 组试验。响应指标则同时记录初黏力（望大）、180°剥离强度（望大）和持黏时间（望大），并附加"外观是否均匀、有无凝胶"作为合格性判据。这样一次试验即可初步判断各因素主效应方向，为后续响应面优化缩小范围。

响应指标要区分"性能指标"与"约束指标"

配方研发中常见的错误是把所有可测的量都当作优化目标。更合理的做法是把响应分为两类：一类是希望越大越好或越接近目标值越好的性能指标，如附着力、拉伸强度、耐候性；另一类是必须满足上下限的约束指标，如黏度需在施工窗口内、VOC 含量需低于法规限值、固化时间需短于产线节拍、原料成本需低于目标价。约束指标不参与"优化"，而是作为可行域的边界，用来剔除不合格配方。把这两类指标混在一起做加权打分，往往会把"勉强合格但性能突出"与"性能平庸但全面达标"的配方排成同一名次，掩盖真实决策依据。

本课程的整体学习路径

基于上述认识，本课程按"先建立判断力，再掌握工具，最后形成闭环"的顺序展开。第一部分聚焦因素识别与筛选，讲清如何从配方组分和工艺参数中区分关键变量与噪声变量，如何用部分因子设计、Plackett-Burman 设计做筛选试验。第二部分聚焦水平设定，讨论范围确定、水平间距、编码变换以及可行域约束的处理。第三部分聚焦响应指标，讲清指标分类、测量系统一致性、多响应权衡与综合评分方法。第四部分进入试验安排与数据分析，覆盖正交设计、响应面设计、主效应与交互作用的判读。最后一部分通过完整案例，把因素、水平、指标、试验、决策串成可复现的研发闭环，并讨论稳健性验证与放大到中试时的注意事项。

需要强调的是，本课程不追求把统计方法讲成数学课，而是始终围绕"这个选择在配方研发中意味着什么、会带来什么后果"来组织内容。读者在学完后，应当能够独立完成一份因素水平表与响应指标表的编制，并能对他人给出的试验方案做出合理性判断——这正是配方研发工程师最基础也最容易被忽视的核心能力。