4. DOE分类与器件形态
好，咱们今天来点真家伙。前面聊了那么多概念和原理，现在终于可以上手操作了。这一章，我会带着你用 Minitab 和 JMP 跑一个完整的 2³ 全因子设计，然后一起看看那些主效应图和交互效应图到底在说什么。
我个人习惯，学 DOE 一定要从全因子设计开始。为什么？因为它最直观，也最容易理解因子之间的“化学反应”。你想想看，如果连全因子都搞不明白，后面那些部分因子、响应曲面设计，就更难上手了。
4.1 案例背景：一个让我头疼的注塑工艺问题
先讲个我自己的经历。几年前，我在一家汽车零部件厂做项目，他们有个注塑件老是尺寸超差。生产经理急得团团转，说调了温度、压力、速度，就是搞不定。
我过去一看，好家伙，他们每次只调一个因子，其他全固定。这不就是典型的“单因子试验”思维吗？因子之间明明有交互作用，你这么搞，永远找不到最优解。
所以这次课程，我们就拿这个注塑案例来练手。假设我们关注三个关键因子：
| 因子 | 符号 | 低水平 (-1) | 高水平 (+1) |
|---|---|---|---|
| 模具温度 (°C) | A | 40 | 60 |
| 注射压力 (MPa) | B | 80 | 120 |
| 保压时间 (s) | C | 5 | 15 |
响应变量是产品尺寸偏差（单位：mm），我们希望这个值越小越好。2³ 全因子设计，意味着我们要做 8 次试验，每个因子组合跑一次。
4.2 在 Minitab 中创建设计
Minitab 的操作其实很傻瓜化，但很多人第一步就错了——他们直接去输数据，而不是先创建设计。记住我的习惯：先定义设计，再收集数据。
步骤很简单：
- 点击菜单栏 Stat > DOE > Factorial > Create Factorial Design
- 在弹出的窗口中，选择 2-level factorial (default generators)
- 在 Number of factors 输入 3
- 点击 Designs 按钮，确认选择 Full factorial，Number of replicates 保持 1
- 点击 Factors 按钮，把因子名称改成 A、B、C，并设置低高水平
- 点击 OK，Minitab 会生成一张标准序工作表
生成的设计表长这样：
| StdOrder | RunOrder | CenterPt | Blocks | A | B | C |
|---|---|---|---|---|---|---|
| 1 | 5 | 1 | 1 | -1 | -1 | -1 |
| 2 | 3 | 1 | 1 | 1 | -1 | -1 |
| ... | ... | ... | ... | ... | ... | ... |
然后把实际测得的尺寸偏差数据填入新的一列，命名为“偏差”。
4.3 在 JMP 中创建设计
JMP 的操作更偏向交互式，我个人觉得它比 Minitab 更“聪明”一点。步骤：
- 点击菜单栏 DOE > Classical > Full Factorial Design
- 在 Factors 栏中，添加三个连续因子，分别命名为 A、B、C，设置低高水平
- 点击 Continue
- 在输出窗口中，点击 Make Table
JMP 会直接生成一个带公式的数据表，你只需要把实际响应值填进去就行。嗯，这里要注意：JMP 默认会生成一个“Pattern”列，里面用“+++”这样的符号表示因子水平组合，看习惯了其实挺方便的。
4.4 分析主效应图
数据收集完了，咱们来看看结果。假设我们得到了以下数据：
| A | B | C | 偏差 (mm) |
|---|---|---|---|
| -1 | -1 | -1 | 2.3 |
| 1 | -1 | -1 | 1.8 |
| -1 | 1 | -1 | 3.1 |
| 1 | 1 | -1 | 2.5 |
| -1 | -1 | 1 | 1.9 |
| 1 | -1 | 1 | 1.2 |
| -1 | 1 | 1 | 2.8 |
| 1 | 1 | 1 | 2.0 |
在 Minitab 中，点击 Stat > DOE > Factorial > Factorial Plots，然后选择 Main Effects Plot。在 JMP 中，直接点击 Graph > Factor Profiling > Profiler，或者用 Fit Model 跑完模型后看 Prediction Profiler。
主效应图说白了，就是看每个因子单独变化时，响应的平均值怎么变。比如因子 A（模具温度），我们把所有 A 在高水平的响应值平均，减去所有 A 在低水平的响应值平均，就得到了 A 的主效应。
4.5 分析交互效应图
交互效应，这才是 DOE 的精髓。为什么单因子试验不行？就是因为它看不到交互作用。
交互效应图怎么看？很简单：看两条线是否平行。
- 线平行：没有交互作用。因子 A 的效果不依赖于 B 的水平。
- 线交叉：有强交互作用。因子 A 的效果在 B 的不同水平下完全相反。
- 线不平行但也不交叉：有交互作用，但程度较弱。
在 Minitab 中，同样在 Factorial Plots 里选择 Interaction Plot。JMP 的话，在 Fit Model 跑完后，看 Interaction Profiler。
咱们来看这个案例的交互效应图。假设 A 和 C 的交互作用图显示：当 C 在低水平时，A 从低到高，偏差从 2.7 降到 2.15；当 C 在高水平时，A 从低到高，偏差从 2.35 降到 1.6。两条线虽然不平行，但趋势一致——这说明 A 和 C 有交互作用，但不算特别强。
4.6 全因子设计的核心逻辑
说了这么多，咱们用一张图来总结一下 2³ 全因子设计的核心逻辑。这张图我当年学 DOE 时自己画的，后来每次培训都会拿出来用。
4.7 效应图的实际解读技巧
光会看图还不够，你得知道怎么从图里提炼出 actionable 的结论。我总结了几条实战经验：
- 先看交互效应图，再看主效应图。为什么？因为如果存在强交互作用，主效应图可能会误导你。比如因子 A 的主效应可能被交互作用“平均掉”了，看起来不显著，但实际上它在某个水平下很重要。
- 用 Pareto 图辅助判断。Minitab 和 JMP 都会生成标准化效应的 Pareto 图，它会帮你排序哪些效应是统计显著的。我一般先看 Pareto 图，再看效应图，两者互相验证。
- 别只看 p 值。p 值小于 0.05 说明统计显著，但实际显著不显著，你得看效应量。有时候 p 值很小，但效应量只有 0.1mm，对生产来说可能根本无所谓。
4.8 常见错误与避坑指南
最后，咱们聊聊新手最容易犯的几个错误。这些坑我基本都踩过，说出来都是泪。
| 错误 | 后果 | 正确做法 |
|---|---|---|
| 不随机化试验顺序 | 系统误差混入效应估计 | 始终使用随机化运行顺序 |
| 因子水平设置不合理 | 效应被掩盖或放大 | 基于历史数据和工程判断设置水平 |
| 忽略中心点 | 无法检测弯曲 | 全因子设计至少加 2-3 个中心点 |
| 只看主效应图 | 漏掉关键交互作用 | 主效应图和交互效应图一起看 |
| 数据录入错误 | 完全错误的结论 | 双人核对数据，或使用自动化采集 |
嗯，说到数据录入错误，我曾经有一次把第 5 次和第 6 次试验的结果填反了，结果分析出来因子 B 显著，交互作用 AB 也显著。我对着效应图琢磨了半天，觉得这不符合物理规律啊。后来一查，原来是数据搞反了。所以我现在养成了一个习惯：数据录入后，先做一次简单的均值对比，看看是否符合预期。如果发现异常，第一时间检查原始数据。
好了，这一章的内容就到这里。你现在应该能自己用 Minitab 或 JMP 跑一个 2³ 全因子设计，并且能看懂主效应图和交互效应图了。记住，DOE 不是纸上谈兵，一定要动手做。找个小项目练练手，哪怕只是优化一下你家里的咖啡冲泡参数，也能帮你加深理解。