DOE

步骤 ⑴筛选主要显著的因子 ⑵找出最佳之生产条件组合 ⑶证明最佳生产条件组合有再现性 如何判断第一阶段实验成功 ⑴在 ANOVA 分析中出现了 1~4 个显著因子 ⑵这些显著因子的累积贡献率在 75%以上 如何判断第二阶段实验成功 在 ANOVA 分析中没有出现显著因子 方法 常见的试验设计方法，可分为二类，一类是正交试验设计法，另一类是析因法。 ⑴设计法 ① 定义 正交试验设计法是研究与处理多因素试验的一种科学方法。 它利用一种规格化的表格——正 交表，挑选试验条件，安排试验计划和进行试验，并通过较少次数的试验，找出较好的生产 条件，即最优或较优的试验方案。 ② 用途 正交试验设计主要用于调查复杂系统（产品、过程）的某些特性或多个因素对系统（产品、 过程）某些特性的影响，识别系统中更有影响的因素、其影响的大小，以及因素间可能存在 的相互关系，以促进产品的设计开发和过程的优化、控制或改进现有的产品（或系统） 。 ⑵析因法 ① 定义析 析因法又称析因试验设计、 析因试验等。 它是研究变动着的两个或多个因素效应的有效方法。 许多试验要求考察两个或多个变动因素的效应。例如，若干因素：对产品质量的效应；对某 种机器的效应；对某种材料的性能的效应；对某一过程燃烧消耗的效应等等。将所研究的因 素按全部因素的所有水平（位级）的一切组合逐次进行试验，称为析因试验，或称完全析因 试验，简称析因法。 ② 用途 用于新产品开发、产品或过程的改进、以及安装服务，通过较少次数的试验，找到优质、高 产、低耗的因素组合，达到改进的目的。 应用 Reducing Variability With DOE⑴Apply powerful design of experiments (DOE) tools to make your system more robust to variations in component levels and processing factors."Six Sigma" is the new rallying cry for quality improvement in the process industry. For example,Dow aims to generate an extra $1.5 billion per year in profits after training 50,000 of their employees on the methods of Six Sigma.3 Statistical tools play a key role in achieving savings of this magnitude. In fact,"sigma" is a Greek letter that statisticians use as a symbol for standard deviation - a measure of variability. If a manufacturer achieves a Six Sigma buffer from its nearest specification,they will experience only 3.4 off-grades per million lots. This translates to better than 99.99966% of product being in specification. To illustrate what this level of performance entails,imagine playing 100 rounds of golf a year with two putts per hole being the norm (par): At Six Sigma you'd make a three-putt (bogey) only every 163 years!4 Even Tiger Woods would be envious of this level of quality. Of all the statistical tools employed within Six Sigma,design of experiments (DOE) offers the most

power for making breakthroughs. Via an inspirational case study,this article demonstrates how DOE can be applied to development of a formulation and its manufacture to achieve optimal performance with minimum variability,thus meeting the objectives of Six Sigma programs. Armed with knowledge gained from this article and the example as a template,chemists and engineers from any of the process industries (pharmaceutical,food,chemical,etc.) can apply these same methods to their systems and accomplish similar breakthrough improvements. Minimizing Propagation of Error (POE) from Varying Inputs After earning his PhD in chemistry and taking a job at a chemical company,a colleague of ours got assigned to an operator for an orientation to the real-world of production. As the operator watched with much amusement and disgust,the chemist carefully weighed out materials with a small scoop. The operator pushed the PhD chemist aside,grabbed a sack of chemicals and tossed it into the reactor. "You're not in the laboratory anymore," he said,"This is how we do things in manufacturing." Hopefully the operators of your formulation process will be more exacting when adding ingredients. However,at the very least,you can expect some variation due to inherent limitations in equipment. How will these variations affect product quality and process efficiency? Can you do anything to make your system more robust to variations in component levels and process settings? The answers to these very important questions can be supplied via an advanced form of DOE called "response surface methods" (RSM). This statistical tool produces maps of product and product performance,similar to topographical displays of elevation,as a function of the input variables that you (or your clients) control. The objective of Six Sigma is to "find the flats" - the high plateaus of product quality and process efficiency that do not get affected much by variations in component levels or factor settings. You can find these desirable operating regions visually,by looking over the 3D renderings of response surfaces,or more precisely via a mathematical procedure called "propagation of error" (POE). To see how POE works,let's look at a very simple response surface (Figure 1） generated by changing only one control factor X1. Assume that this factor exhibits a constant variation shown on the graph as a difference with magnitude delta (D). This variation,or error,will be transmitted to the measured response to differing degrees depending on the shape of the curve at any particular setting. In this example,because the curve flattens out as the control factor increases,a setting at the higher level causes less propagation of error (POE). Therefore,you see a narrower difference (DY) on the response axis as a result of setting the factor at the higher,rather than lower level. With the aid of some calculus,the POE itself can be graphed as a continuous function. In this case the original response surface can be described by the following quadratic equation: We will spare you the details,but after taking the partial derivative of this function with respect to the input (X1） and taking the square root,the following equation for standard deviation (s) is produced: Assume for now that the standard deviation of the control factor X1 equals one (sx = 1） and there are no other sources of variance (sResidual = 0). We've now obtained the information needed for graphing the standard deviation of the response (sy) transmitted from the variation in the input factor (X),in other words,the POE (see Figure 2） . In this case the POE decreases in direct proportion to X1 as it increases. 实验设计

一、DOE 简介 1、DOE 的定义 2、DOE 的历史与发展 3、DOE 的用途 4、DOE 的成功运用案例 二、 DOE 类型 1、全因子 DOE 2、分部 DOE 3、筛选 DOE 4、中心复合 DOE 5、Box-Behnken DOE 6、田口静态 DOE 7、均匀 DOE 三、设计一个 DOE 的步骤（案例模拟） 1、定义问题，定义项目 2、确定可能的因变量 关于选择因子与其水平的策略 输入因子的类型与应用 干扰因子 可控因子 常数项 3、选择设计类型 4、分析数据，标识主要影响因素 5、提出解决方案 6、重复实验以确认结果 7、过程能力评估 8、制定优化方案 四、DOE 的有效性 1、内部有效性 2、外部有效性 3、统计结论的有效性 五、 DOE 结果分析 1、因素影响与交互影响 2、极差分析 3、ANOVA 方差分析 单向方差分析 双向方差分析 4、回归分析 六、 如何利用 Minitab 进行 DOE 分析 1、在 Minitab 中的图形分析 正态概率图 Pareto 主效果图 交互效果图

2、在 Minitab 中的统计分析 ANOVA 多元回归 简化模式 七、DOE 在应用中的问题 1、因素影响与交互影响试验的阶段性 2、极差分析因子水平的选择 3、测量误差 4、重复与反复 5、随机化 6、分块 7、诊断与残差点 8、优化试验（EVOP） 八、设计 DOE 计划的成功关键 1、团队合作 2、知识技术的跨功能 3、定义问题 4、可量化的改善目标 九、DOE 应用实例 用处 · 科学合理地安排实验，从而减少实验次数、缩短实验周期，提高了经济效益。 · 从众多的影响因素中找出影响输出的主要因素。 · 分析影响因素之间交互作用影响的大小。 · 分析实验误差的影响大小，提高实验精度。 · 找出较优的参数组合，并通过对实验结果的分析、比较，找出达到最优化方案进一步实 验的方向。 作用 ⒈提高产量； ⒉减少质量的波动，提高产品质量水准； ⒊大大缩短新产品试验周期； ⒋降低成本； ⒌试验设计延长产品寿命。
?
Our strong technical force, various types of equipment Mounter, wave soldering, ahigh-frequency thermal machine … 跟读 本厂技术力量雄厚，各式设备（贴片机、波峰焊、高频热合机… https://www.wendangku.net/doc/fe12792598.html,
?
2. Analyse principle of operation, technology feature of single-phase alternating current induced liquid metal electromagnetic pump wave soldering machine. 跟读 重点分析单相交流感应式液态金属电磁泵波峰焊接设备技术的工作原理、技术特征；

https://www.wendangku.net/doc/fe12792598.html,
?
3. We are Import&Export Enterprise on household products, we have AmericanUniversal Insert Machine, Wave-soldering Machine and Large Manual-Insertion produce line. 跟读 公司拥有家用电子电器产品进出口自主权，公司拥有十几台先进的美国环球插件机、波焊机及相当规模的 机板手插流水线。 百科内容来自于:
dielectric constant
“dielectric constant”是个多义词，它可以指电容率, 介电常数。
?
电容率
电容率 电容率，是在电磁学里，介电质响应外电场的施加而电极化的衡量，称为电容率。在非真空中由于介电质 被电极化，在物质内部的总电场会减小；电容率关系到介电质传输（或容许）电场的能力。电容率衡量电 场怎样影响介电质，怎样被介电质影响。电容率又称为“绝对电容率”，或称为“介电常数”。
?
介电常数
介电常数 介质在外加电场时会产生感应电荷而削弱电场，原外加电场（真空中）与介质中电场的比值即为相对介电 常数(permittivity， 不规范称 dielectric constant)，又称诱电率，与频率相关。介电常数是相对介电常数 与真空中绝对介电常数乘积。 如果有高介电常数的材料放在电场中， 场的强度会在电介质内有可观的下降， 理想导体内部由于静电屏蔽场强总为零，故其介电常数为无穷大。 更多相关词条>> 准确度（Accuracy）是指你得到的测定结果与真实值之间的接近程度。精确度(Precision)是指使用同种备用 样品进行重复测定所得到的结果之间的重现性

DOE教材

Design and Analysis of Experiments
实验设计与分析
X1 X2 Xp 温度（oF）
可控制的因素
输入
过程或系统
输出
y
95% 90% 83% 58% 80%
78% 70% 68% 56%
Z1
Z2
Zq
不可控制的因素
0.5
时间（hour）
60% 1.0
讲 师: 张老师
Sep.22. 29. 2007
Page: 1/ 67

课 程 目 标
通过两天的学习和研讨，我们将：
理解实验设计和分析的核心理念及思路； 掌握全析因实验设计的原理和应用；
（了解经典,田口,谢恩 DOE的优缺点）
学习几种高效的谢恩DOE 变量搜索和优化工具； 灵活掌握几种常用的数据统计分析工具；
----------------------------------------------------------------------------------------
训练系统的,统计的工程思维和分析习惯； 拓宽对质量/ 质量控制的认识视野；
Sep.22. 29. 2007
Page: 2/ 67

课 程 纲 要 （1）
I. 试验设计入门:
- 从一个工艺优化例子开始：试错法和DOE的区别 - 高科技时代的质量挑战：为什么需要DOE? - DOE 简史：起源和流派介绍 - DOE 的理论基础及 常见误区
II. 基本统计学概念:
- Z-分布，t-分布， F-分布 - 信心区间 (Confidence Level) - 方差分析(ANOVA): 单因子，多因子
III. 经典DOE的方法和步骤：
- 实验设计的概念/ 目的/ 流程 - 全析因试验原理及精解：单因子，两因子，三因子 - 实验设计指南/ 原则 - 两个产品设计的例子（汽车门铰链，惠斯通电桥） - 分析因，田口及其他方法介绍
Sep.22. 29. 2007 Page: 3/ 67

DOE(试验设计)简介

DOE（Design of Experiment,试验设计） 目录 [隐藏] ? 1 什么是DOE ? 2 为什么需要DOE ? 3 DOE的基本原理 ? 4 DOE实验的基本策 略 ? 5 DOE的步骤 ? 6 DOE的作用 ?7 DOE的方法 ?8 参考文献 [编辑] 什么是DOE DOE（Design of Experiment）试验设计，一种安排实验和分析实验数据的数理统计方法；试验设计主要对试验进行合理安排，以较小的试验规模(试验次数)、较短的试验周期和较低的试验成本，获得理想的试验结果以及得出科学的结论。 试验设计源于1920年代研究育种的科学家Dr.Fisher的研究, Dr. Fisher是大家一致公认的此方法策略的创始者, 但后续努力集其大成, 而使DOE在工业界得以普及且发扬光大者, 则非Dr. Taguchi (田口玄一博士) 莫属。 [编辑] ?要为原料选择最合理的配方时（原料及其含量）； ?要对生产过程选择最合理的工艺参数时； ?要解决那些久经未决的“顽固”品质问题时； ?要缩短新产品之开发周期时； ?要提高现有产品的产量和质量时； ?要为新或现有生产设备或检测设备选择最合理的参数时等。 另一方面，过程通过数据表现出来的变异，实际上来源于二部分：一部分来源于过程本身的变异，一部分来源于测量过程中产生的变差，如何知道过程表现出来的变异有多接近过程本身真实的变异呢？这就需要进行MSA测量系统分析。 [编辑]

试验设计的三个基本原理是重复，随机化，以及区组化。 所谓重复，意思是基本试验的重复进行。重复有两条重要的性质。第一，允许试验者得到试验误差的一个估计量。这个误差的估计量成为确定数据的观察差是否是统计上的试验差的基本度量单位。第二，如果样本均值用作为试验中一个因素的效应的估计量，则重复允许试验者求得这 一效应的更为精确的估计量。如s 2是数据的方差，而有n次重复，则样本均值的方差是。这一点的实际含义是，如果n=1，如果2个处理的y 1 = 145，和y 2 = 147，这时我们可能不能作出2个处理之间有没有差异的推断，也就是说，观察差147-145=2可能是试验误差的结果。但如果n合理的大，试验误差足够小，则当我们观察得y1随机化是试验设计使用统计方法的基石。 所谓随机化，是指试验材料的分配和试验的各个试验进行的次序，都是随机地确定的。统计方法要求观察值（或误差）是独立分布的随机变量。随机化通常能使这一假定有效。把试验进行适当的随机化亦有助于“均匀”可能出现的外来因素的效应。 区组化是用来提高试验的精确度的一种方法。一个区组就是试验材料的一个部分，相比于试验材料全体它们本身的性质应该更为类似。区组化牵涉到在每个区组内部对感兴趣的试验条件进行比较。 [编辑] 策略一：筛选主要因子（X型问题化成A型问题） 实验成功的标志：在ANOVA分析中出现了1~4个显着因子；这些显着因子的累积贡献率在70%以上。 策略二：找出最佳之生产条件（A型问题化成T型问题） 实验成功的标志：在第二阶段的实验中主要的误差都是随机因素造成的。 因为各因子皆不显着，因此，每一因子之各项水准均可使用,在此情况下岂不是达到了成本低廉且又容易控制之目的。 策略三：证实最佳生产条件有再现性。 [编辑] 第一步确定目标 我们通过控制图、故障分析、因果分析、失效分析、能力分析等工具的运用，或者是直接实际工作的反映，会得出一些关键的问题点，它反映了某个指标或参数不能满足我们的需求，但是针对这样的问题，我们可能运用一些简单的方法根本就无法解决，这时候我们可能就会想到试验设计。对于运用试验设计解决的问题，我们首先要定义好试验的目的，也就是解决一个什么样的