3. 因子分类与试验设计基础

在稳健设计中，第一步往往不是“做试验”，而是“把因子分清楚”。同一个输入变量，如果被错误地归为控制因子或噪声因子，后续的筛选、建模和优化都会偏离方向。本节围绕三类因子——控制因子、噪声因子、信号因子——建立分类判断，并说明筛选试验的目的，以及部分因子设计与 Plackett-Burman 设计各自适合的场景。

三类因子的定义与判断标准

控制因子是设计者可以在产品规格或工艺规范中主动设定、并在生产或使用中相对稳定保持的变量，例如材料牌号、壁厚、注塑温度、焊接电流、弹簧刚度。判断一个变量是否属于控制因子，关键看两点：一是设计者是否有设定权，二是设定后能否在批次间保持。控制因子的水平选择构成稳健设计的“设计空间”。

噪声因子是设计者难以控制、或在经济上不值得控制的变量，但它会通过产品传递到输出特性上，例如环境温度、湿度、电源电压波动、用户使用习惯、来料批次差异、设备磨损。噪声因子的处理思路不是“消除”，而是让产品对其不敏感——这正是稳健设计的核心。工程上常把噪声因子分为外部噪声（环境）、内部噪声（老化、磨损）和单元间噪声（制造波动）。

信号因子是设计者或用户希望用来调节输出特性目标值的变量，例如调光旋钮的输入电压、油门踏板位置、设定温度。信号因子的存在意味着系统需要具备“按指令改变输出”的能力，其理想关系是输出随信号线性、单调变化，且斜率稳定、截距漂移小。

筛选试验要解决什么问题

当候选因子有七八个甚至十几个时，全因子试验的规模会迅速膨胀：7 个两水平因子全因子需要 2⁷=128 次试验，10 个因子则需要 1024 次。筛选试验的目的，是在试验资源有限的前提下，用较少的试验次数识别出对响应影响显著的少数因子，把“可疑变量清单”压缩为“关键因子清单”，为后续的响应曲面优化或稳健参数设计缩小范围。

筛选阶段通常采用两水平设计，并遵循稀疏效应原则：在众多候选因子中，真正显著的往往只有少数几个。因此筛选试验不追求精确建模，而追求“不漏掉重要因子、尽量排除次要因子”。这也决定了筛选试验的常见做法：分辨率不低于 IV 的部分因子设计，或 Plackett-Burman 设计，并配合中心点检验弯曲、配合重复试验估计误差。

部分因子设计与 Plackett-Burman 的适用场景

部分因子设计（Fractional Factorial）通过定义关系（如 I=ABCD）从全因子中抽取一部分处理组合。以 2⁷⁻³ 设计为例，7 个因子只需 16 次试验，分辨率 IV 意味着主效应不与二阶交互混杂，但二阶交互之间会两两混杂。它适合这样的场景：因子数中等（5～8 个）、有理由相信存在一定的交互作用、且后续需要保留交互信息用于建模。若担心某两个因子的交互很重要，应选择分辨率 V 或针对该交互做折叠设计。

Plackett-Burman 设计（PB 设计）是一类饱和设计，试验次数为 4 的倍数（12、20、24 等），可容纳的因子数最多为试验次数减 1。例如 12 次试验可筛选最多 11 个因子。它的主效应与二阶交互完全混杂，因此只适合“主效应占主导、交互可忽略”的早期粗筛。PB 设计的优势是效率极高，适合在项目初期从十几个候选变量中快速挑出三五个关键因子；缺点是无法分辨交互，若真实存在强交互，可能得出误导性结论。

一个筛选试验的完整示例

假设某注塑件出现翘曲超差，团队列出 8 个候选控制因子：A 料温、B 模温、C 注射压力、D 保压压力、E 保压时间、F 冷却时间、G 浇口尺寸、H 螺杆转速。噪声因子考虑环境湿度与来料批次，信号因子暂不涉及。若采用 2⁸⁻⁴ 部分因子设计，仅需 16 次试验，分辨率 IV，主效应不与二阶交互混杂；若团队认为交互普遍较弱、希望进一步压缩到 12 次，则可用 PB 设计容纳 8 个因子（12 次试验最多 11 个因子），但需接受主效应与二阶交互混杂的代价。

试验完成后，通过主效应图和方差分析判断显著性。示例性的判断依据是：某因子主效应 p 值小于 0.05 且效应量在工程上有意义（例如料温从 200℃ 到 220℃ 使翘曲量变化超过 0.05 mm），则保留进入下一轮；若多个因子 p 值接近 0.05 且效应量小，可先剔除，待后续验证。需要强调，以上数值为教学示例，实际项目应以真实试验数据为准。

小结本节的关键判断链：先按“可设定性、可保持性、作用方式”把变量分为控制、噪声、信号三类；再明确筛选试验的目标是压缩候选因子而非精确建模；最后根据因子数量、交互假设和试验预算，在部分因子设计与 Plackett-Burman 设计之间做出选择。分类清楚、目的明确、设计与场景匹配，后续的稳健参数设计才有可靠的基础。