2. DOE数据异常的分类框架

在DOE排障中，最先要做的不是猜原因，而是把“看到的异常”归到正确的类别里。因为同一个原因可能在不同位置留下不同痕迹，而同一个现象也可能由多种原因造成。分类框架的价值在于：它把散乱的异常现象整理成五条可观察的线索——响应值、因子水平、区组与顺序、模型失拟、残差模式，并给出每类现象最值得优先怀疑的原因方向。这样，排障就从“凭经验乱试”变成“按证据收敛”。

需要先说明一个前提：本课程讨论的DOE以经典试验设计（全因子、部分因子、响应面、混料等）为主，分析以最小二乘回归和方差分析为基础。异常判断的参照系是“设计矩阵 + 响应数据 + 模型输出”三者的一致性。任何一类异常，本质上都是这三者之间出现了不该有的矛盾。

五类异常的表现与优先怀疑方向

响应值异常是最直观的一类，表现为个别响应值明显偏离同条件重复试验的分布，或出现物理上不可能的值（如收率大于100%、纯度为负、浓度为0但检测器有信号）。常见原因包括：记录转录错误、单位不统一（mg与g混用）、传感器漂移或量程溢出、样品混淆、反应釜清洗不彻底带来的交叉污染。这类异常的特点是“点状”，往往只影响一个或少数几个试验点，且与因子水平没有系统性关联。

因子水平异常表现为实际设定值与设计值不符，或某个因子的水平在试验过程中发生漂移。例如设计表中温度为150℃，实际热电偶读数只有142℃；或者设计为“低水平”的批次因原料批次更换而整体偏移。这类异常的危险在于它不会在响应值上立刻显形，却会污染因子效应的估计。排查时应核对设计表与实际工艺记录、设备设定值、原料检验单，重点看是否存在“设计水平—实际水平”的系统性偏差。

区组与顺序异常与试验的执行结构有关。DOE常把难以控制的干扰因素（如不同批次原料、不同操作员、不同日期）设为区组，或采用随机化顺序执行。若区组划分不当（如把同一批原料的试验全放在一个区组，而该批原料本身有偏差），区组效应就会与因子效应混杂；若随机化被破坏（如操作员图省事按温度从低到高依次做），顺序效应或时间漂移就会混入因子效应。表现为区组项显著、或残差随试验顺序呈现趋势。

模型失拟是模型结构与数据不匹配的信号。方差分析中失拟项的p值显著（通常小于0.05），说明所选模型（如只含主效应的一阶模型）无法解释数据中的曲率或交互。常见原因：试验区域跨越了响应面的弯曲区域、遗漏了重要交互项、存在未被纳入的强噪声因子。此时不应简单删除失拟项，而应检查是否需要增加平方项、交互项或改用响应面设计。

残差模式异常是最容易被忽视但信息量最大的一类。残差应近似独立、均值0、方差齐性、正态分布。若残差图呈现“漏斗形”（方差随拟合值增大而增大），提示响应未做变换或存在异方差；若呈现“U形”或“倒U形”，提示模型遗漏了二次项；若残差与试验顺序相关，提示存在时间漂移或顺序效应；若正态概率图两端明显偏离直线，提示存在离群点或重尾分布。

从现象到原因的对应关系表

把上述五类异常整理成一张可操作的对应表，排障时先定位现象，再按“优先怀疑”顺序逐项核对。下表给出的是常见对应关系，实际排障中应结合工艺背景调整优先级。

一个教学示例：如何用框架收敛排查

假设某化工过程DOE考察温度（120/150℃）、催化剂用量（1%/3%）、搅拌转速（200/400 rpm）三因子两水平全因子设计，共8个试验点，另加3个中心点。响应为收率。分析后发现：中心点收率分别为78.2%、78.5%、77.9%，而某个角点收率为91.3%，明显高于同条件重复试验的85%左右。此时按框架走：

第一步，判断是否属于响应值异常。该点偏离同条件重复分布，且91.3%虽未超过100%，但与相邻点差距过大，先怀疑记录或样品问题。核对原始记录发现该点单位误记为“g/L”而非“%”，换算后为86.1%，回到合理范围——这是典型的记录/单位错误。

第二步，若排除记录问题后仍偏高，则转入因子水平异常排查：核对温度实际读数、催化剂实际称量、转速设定。假设发现该点温度实际为158℃而非150℃，属于设备设定漂移，则需修正该点或标记为异常点。

第三步，若响应值和因子水平都正常，再看区组与顺序：该点是否恰好是当天第一批试验？是否与某批原料同区组？若残差-顺序图显示前几个点系统性偏高，则提示时间漂移或预热效应。

第四步，若以上都排除，再看模型失拟与残差模式：失拟项是否显著？残差是否呈U形？若U形明显，说明一阶模型不足，应补做中心点或改用响应面设计。

分类框架的使用边界

需要提醒的是，五类异常并非互斥。一个记录错误可能同时表现为响应值异常和残差离群；一次随机化破坏可能同时造成区组显著和残差顺序相关。框架的作用是提供排查的“入口”和“优先级”，而不是给异常贴唯一标签。实际排障中，应允许一个现象对应多个候选原因，并用核对动作逐一排除，直到剩下最可信的那一个。