1. 课程导入与化工DOE全景

在化工研发与生产优化中，试验设计（DOE）常被理解为“选几个因素、排一张表、跑几组实验、做一次回归”。但真正决定结论能否站得住脚的，往往不是模型有多复杂，而是两个看似朴素的设计动作——随机化与重复设置。前者防止系统性干扰被误读为因素效应，后者让误差有了可估计的来源。缺少这两者，再漂亮的响应面和P值都可能建立在不可靠的误差项上。

本节作为全课程导入，先建立一张“从问题到结论”的全景地图，并明确随机化与重复设置在这张地图中的位置，为后续30章的学习提供参照系。

一、化工DOE的完整链条

一个典型的化工试验设计项目，通常沿以下链条推进：

1. 问题定义与目标量化：明确要优化的响应指标（如收率、纯度、选择性、能耗、粒径D50），确定可接受范围与优化方向。
2. 因素与水平筛选：从工艺路线中识别潜在影响因素（温度、压力、配比、催化剂用量、停留时间、搅拌转速、pH等），区分可控因素与噪声因素，确定水平范围。
3. 试验类型选择：根据目的选择筛选设计（部分析因、Plackett-Burman）、表征设计（全析因、响应面CCD/Box-Behnken）或混料设计等。
4. 随机化与重复设置：安排试验顺序、确定重复次数与重复方式，这是本课程的核心。
5. 试验执行与数据采集：按设计顺序操作，记录实际条件与响应值，同步记录异常与环境信息。
6. 模型拟合与诊断：拟合主效应、交互效应或响应面模型，检查残差、失拟与异常点。
7. 结论输出与验证：确定最优条件或稳健窗口，进行确认试验，形成可执行的工艺建议。

这条链条中，第4步常被压缩甚至省略，但它恰恰是连接“设计表”与“可信结论”的枢纽。下面这张全景图把链条、随机化与重复设置的作用位置，以及它们对误差项和结论的影响放在同一视图中。

二、为什么随机化在化工中尤其关键

化工试验与农业、生物试验不同，它往往在连续装置或间歇釜中进行，时间顺序与设备状态高度耦合。举例来说，某反应收率优化试验考察温度（150/170/190℃）和催化剂用量（0.5%/1.0%）两个因素。如果操作者习惯“先低温后高温”，那么反应釜壁结垢、导热油性能衰减、原料批次切换等随时间变化的因素，会系统性地叠加在温度效应上。此时温度的主效应被高估或低估，而统计软件并不知道这些“隐藏变量”的存在。

随机化的本质，是把这些无法完全控制的漂移因素“打散”到各处理组合中，使其期望为零，从而不偏向任何一个因素水平。实际操作中，可用随机数表、软件随机化功能或抽签方式确定运行顺序。若存在明显区组（如不同原料批次、不同班次、不同反应釜），应采用区组内随机：同一区组内打乱顺序，区组之间保持完整，这样区组效应可从误差中分离。

三、重复设置：不是“多做几次”那么简单

很多初学者把“重复”理解为对同一个样品多测几次。这在DOE中属于重复测量，只能估计分析误差，不能反映配料、加料、升温、取样等全过程波动。真正重复要求独立完成整个试验单元：重新称量、重新配制、重新升温、独立取样分析。只有真正重复，才能给出纯误差平方和，进而支撑F检验和置信区间。

重复次数并非越多越好。若过程本身波动较小，2~3次真正重复已能提供可用的误差估计；若波动较大或结论风险高，可增加到4~5次。中心点重复还有额外价值：它既能估计纯误差，又能检验模型是否存在曲率（失拟）。例如在2因素响应面设计中，通常设置3~5次中心点重复，配合析因点即可判断是否需要引入二次项。

四、学习地图与常见误区

本课程后续将围绕这条主线展开：随机化的具体实现方式（完全随机、区组随机、分层随机）、重复的类型与次数确定、误差项与自由度计算、随机化在响应面与混料设计中的特殊处理、以及常见错误（顺序未随机、把重复测量当真正重复、区组与因素混淆、忽略区组效应导致误差膨胀等）。

建立全景认知后，后续每一章都将回到这张地图上的某个节点深入展开。请记住：随机化保护你不被时间欺骗，重复设置让你知道结论的误差边界。这两件事做对了，DOE的统计结论才有意义。