《DOE试验设计解读课件.ppt》由会员分享，可在线阅读，更多相关《DOE试验设计解读课件.ppt（34页珍藏版）》请在三一办公上搜索。
1、单元 3.6,DOE试验设计,试验设计,“试验设计”是一种探究在众多的过程变量 (X) 与输出变量 (Y) 之间的因果关系的有效方法。识别“少数重要”的变化源 (X)哪些是对结果影响最大的变化源？量化重要的 X 的效应，包括它们之间的交互作用得出一个表示 X 和 Y 之间的数量关系的方程式您可预计过程情况的变化将产生多大的效益或损失,根本原因分析方法,观察过程使用历史数据或特殊的研究方法观察过程的原始形态时间图、控制图、分层使用回归分析研究相关性对过程进行实验按设计的方法更改过程并测量结果使用“实验设计”（用于超过 1 个因素的情况） “要确定干预过程时过程会发生什么变化，您必须干预它，而不是
2、被动地观察它。”George E. P. Box,设计实验的析因方法,同时改变几个因素（变量），而不是一次一个因素最初每个因素只有 2 个条件考虑因素条件的所有可能组合 容易处理随机（普通原因）变化并使用它确定哪些因素重要鼓励重复试验（重复试验相同的组合）以帮助测量普通原因变化易于分析使用方法来处理实验中其它不受控制的因素（如随机化和分块），使结论仍然有效,析因方法的术语和符号,因素 (X)希望研究的输入变量或过程变量例如模压过程的：温度、压力、时间因素条件每个被测试的因素所用的设置或水平目前，对每个因素我们只考虑两个水平例如模压过程的： 低水平高水平温度：“160”“180”压力：“8” “
3、12”时间：“3” “6”,析因方法的术语和符号（续）,符号使用 “” 和 “+” 为每个因素指定两个设置也称为低水平和高水平如果存在标准条件，则通常指定为负号 ()，新的条件指定为正号 (+)=,实验 1 测试所有因素的低水平 ()；实验 2 测试所有因素的高水平 (+)。其它组合混合高水平和低水平。,实验,温度,压力,时间,1,160,8,3,2,180,12,6,实验,温度,压力,时间,1,2,+,+,+,传统试验：一次一个因素的方法,在基准实验之后，每次操作改变一个因素同时保持其它两个因素不变, 表示低级+ 表示高级,实验,1,2,3,4,因素 1,+,因素 2,+,因素 3,+,5,
4、6,7,8,缺少哪些因素设置的组合？,+ +,+ -,+- +,-+ +,全析因设计： 三个因素,标准顺序,温度,压力,时间,1,2,+,3,+,4,+,+,5,+,6,+,+,7,+,+,8,+,+,+,一个 23 析因设计示例,在硫化过程中，有三个因素可以影响产品硬度：,标准顺序,温度,时间,160180160180160180160180,压力,881212881212,33336666,12345678,23 实验简介,我们将带您经历这样一个实验，所需的每一个步骤包括筹划、实施和分析设计的实验,DOE 举例：曲别针的耐用性,数据：文件：MSDexamp背景：有两个供应商，分别提供两种规
5、格的曲别针，有些经过热处理，有些没有经过热处理，各种状态的产品弯曲强度各不相同，现在想知道它们对弯曲强度的影响。1. 确定响应：曲别针的弯曲次数(Bends)；2. 确定因素：供应商(Vendor)，规格(Size)， 是否经过热处理(Heat)3. 确定设计：全析因4. 确定水平：供应商(Vendor):Noesting 和 Abel规格(Size):No.1 和 Jumbo是否经过热处理(Heat):No 和 Yes,使用 Minitab：设计试验,1.在 Minitab 中打开新的项目。2.为 MSD 示例创建全析因设计：Stat DOE Create Factorial Design,
6、使用默认值,选择因素数量：有 3 个因素,使用 Minitab：设计实验（续）,选择对全析因实验进行两次重复：选择 Designs 按钮 ,选择全析因（以后将讨论 1/2 法）,在重复次数中选择 “2”,暂时忽略。以后将讨论。,忽略*,使用 Minitab：设计实验,背景：继续早先开始的 MSD 实验设计。4.输入因素名和水平：选择 Factors 按钮 （在以下显示的图中输入因素名称和级别）,使用 Minitab：设计实验（续）,5.查看实验设计：OK OKMinitab 自动将设计存储在工作表中。,摘要,有 16 次操作，因为23 = 8，并有 2 次重复 = 16,给出标准顺序号以供参考
7、,本列给出做实验的顺序 已经随机化,此行表示我们应先测试Noesting，No.1，未经热处理的MSD,Minitab 的默认值12对操作随机化并按操作顺序列出操作。您的设计可能与此处的示例有不同的顺序。,使用 Minitab：设计实验（续）,6.开始试验：按照随机化顺序（RunOrder) 开始试验;并将结果存储到Minitab 的工作表中: Bends。,我们所处的位置？,我们已完成了前六个步骤,步骤 7 ：分析数据,数据分析的三个阶段,C: 查找数据 建立预测公式,公式,A: 识别大的效应,效应的排列图,效应的正态概率图,效应的 P 值,B: 观察对响应的影响,主效应图,交互作用图,步骤
8、 7A：识别大的效应,两种类型的效应主因素效应每一因素对响应的整体效应2. 交互作用效应因素或因素之间的最佳协同作用Stat DOE Factorial Analyze Factorial Design,决定哪些效应大（显著）,有三种方法决定哪些效应大：效应的排列图效应的正态概率图每一效应的 P 值,使用 Minitab：主效应排列图,4,3,2,1,0,C,AB,AC,ABC,BC,B,A,标准化效应的排列图,（响应是弯曲次数，Alpha = .05）,P 值 = .05,这些是标准化效应，等于效应大小除以其标准偏差（标准偏差是对话输出中的值）,，,效应的排列图 MSD 示例您可看到各因素彼
9、此之间产生的效应。哪些效应较大或在统计上很显著？,A: 供应商B: 规格C: 热处理,4,2,0,-2,1.5,1.0,0.5,0.0,-0.5,-1.0,-1.5,标准化效应,正态值,AB,C,A:,供应商,B:,大小,C:,加热,T 值,使用 Minitab：效应的正态概率图,效应的正态概率图 MSD 示例,使用 Minitab：每一效应的 P 值,每个效应的 P 值 MSD 示例,Fractional Factorial Fit,Estimated Effects and Coefficients for Bends (coded units),Term Effect,Coef StDe
10、v Coef*,T P*,Constant 15.688 0.9902 15.84 0.000,Vendor -0.875 -0.437 0.9902 -0.44 0.670,Size 1.125 0.562 0.9902 0.57 0.586,Heat 8.125 4.062 0.9902 4.10 0.003,Vendor*Size -5.125 -2.563 0.9902 -2.59 0.032,Vendor*Heat -1.625 -0.813 0.9902 -0.82 0.436,Size*Heat 1.375 0.688 0.9902 0.69 0.507,Vendor*Size*
11、Heat 1.625 0.812 0.9902 0.82 0.436,Analysis of Variance for Bends (coded units),Source DF,Seq,SS,Adj,SS,Adj,MS F P,Main Effects 3 272.187 272.187 90.73 5.78 0.021,2-Way Interactions 3 123.188 123.188 41.06 2.62 0.123,3-Way Interactions 1 10.562 10.562 10.56 0.67 0.436,Residual Error 8 125.500 125.50
12、0 15.69,Pure Error 8 125.500 125.500 15.69,Total 15 531.438,效应的大小,在图上称为“标准化效应”,如果 P 值 .05，则效应12显著的,Heat主效应和Vendor*Size交互作用从统计结果看很显著,由于重复,=3.96 Bends,由于重复积聚的标准偏差,.,.,从“不热处理”改变为“热处理”，平均弯曲次数增加了 8.125 次,要解释该值，需要看交互作用图。目前，我们知道此交互作用（而且没有其它交互作用）效应显著。,总平均值,主效应,交互作用,步骤 7B： 观察对响应的影响,有两种基本方法观察在试验中响应所受的影响：主效应图
13、和交互作用图Stat DOE Factorial Factorial Plot,主效应图,供应商,大小,加热,Noesting,Abel,1号,特大号,8,12,12,14,16,18,20,Bends,弯曲次数的主效应图（数据平均值）,交互作用图,1号,特大号,8,12,11,16,21,11,16,21,供应商,规格,加热,Noesting,Abel,1号,特大号,弯曲次数的交互作用图（数据平均值）,步骤 7C：预测方程式,您可使用在 Minitab 中产生的因素系数写出一个方程式量化 Y 和这些因素之间的关系可用来预测各种组合这与回归方程式类似 Y = a0 + a1A + a2B +
14、a3C + a4AB + a5 AC + a6BC + a7ABC,舍弃预测方程式中的项,Minitab 命令：Stat DOE Analyze Factorial Terms,解释系数,系数类似于斜率：它表示因素增加一个单位时 Y 的变化。Minitab 同时显示编码和未编码结果。,Fractional Factorial Fit,Estimated Effects and Coefficients for Bends (coded units),Term Effect,Coef StDev Coef,T P,Constant 15.688 0.9902 15.84 0.000,Vendor
15、 -0.875 -0.437 0.9902 -0.44 0.670,Size 1.125 0.562 0.9902 0.57 0.586,Heat 8.125 4.062 0.9902 4.10 0.003,Vendor*Size -5.125 -2.563 0.9902 -2.59 0.032,Vendor*Heat -1.625 -0.813 0.9902 -0.82 0.436,Size*Heat 1.375 0.688 0.9902 0.69 0.507,Vendor*Size*Heat 1.625 0.812 0.9902 0.82 0.436,Estimated Coefficie
16、nts for Bends using data in,uncoded,units,Term,Coef,Constant 15.688,Vendor -0.437,Size 0.562,Heat 4.062,Vendor*Size -2.563,Vendor*Heat -0.813,Size*Heat 0.688,Vendor*Size*Heat 0.812,如果所有因素是离散的（没有数字设置），则编码系数和未编码系数将是相同的,2,舍弃预测方程式中的项,预测方程式Bends = 15.7 0.4(Vendor) + 0.6(Size) + 4.1(Heat) 2.6 (Vendor)(Siz
17、e)预测 Abel (+1)、Jumbo (+1)、不热处理 (1) 回形针的弯曲次数。将每个因素的正确代码 ( 1， +1) 插入方程式中。Bends = 15.7 0.4(1) + 0.6(1) + 4.1(1) 2.6(1)(1) = 9.2 （平均值）,步骤 8：得出结论,从主效应图得出的结论热处理因素对耐用性（弯曲次数）有最大的影响大的正斜率（从左下到右上）大的 P 值经过热处理的 MSD 性能（约 20 次弯曲）远胜过没有热处理的 MSD（约 12 次弯曲）供应商和尺寸对弯曲次数产生的主因素效应都很小（每条直线都不太倾斜）它们的 p 值不大（无法与普通原因变化区别 总平均值接近约
18、16 次弯曲）供应商：Noesting 的平均值与 Abel 的平均值差别不大尺寸：尺寸 No. 1（1 号）的平均值与 Jumbo（特大号）的平均值差别不大建议一般情况下，要求对 MSD 加以热处理,步骤 8：得出结论（续）,从交互作用图得出的结论只有一个交互作用的效果显著：Vendor x Size。斜率显著不同（此例中二者交叉）。其它交互作用效果不显著。直线不完全平行，但斜率 接近 无法与普通原因变化 区别。建议当使用 Jumbo （特大号）回形针时，Noesting 12更好的供应商（考虑到耐用性 约 19 次弯曲）。当使用 No. 1 回形针时，Abel 较好（约 17 次弯曲）。,Noesting,Abel,1号,特大号,13,14,15,16,17,18,19,大小,供应商,平均弯曲次数,Vendor x Size 交互作用图,步骤 9：验证结果,将优化组合的因素水平， 通过再次试验进行进一步验证使用小号：经热处理，Abel使用大号：经热处理。Noesting。,试验设计总结,试验设计,试验分析,1. 确定响应2. 确定因素3. 选择设计4. 选择因素级别5. 随机化操作顺序6. 进行实验并收集数据7. 分析数据8. 得出结论9. 验证结果,
