DOE 实验设计
从「凭手感调参数」到「用设计找答案」· 14 张卡片 + 3 个速查板块
↓ 下滑开始
从「凭手感调参数」到「用设计找答案」· 14 张卡片 + 3 个速查板块
产品良率只有 92%，工程师申请了三天时间调机。第一天，改温度——不行，改回去；再改保压压力——好一点，又去改时间——反而差了，把时间调回来。第二天在温度和保压之间来回拉锯。第三天，生产催着交货，工程师选了「看起来最不坏」的一组参数，写下工艺卡。三个月后，同样的戏码换个产品再演一遍。
试错不是错，错的是试错的顺序和结构。一次只改一个因素，你永远看不见因素之间互相「帮忙」或者「拆台」的那一刻——而那恰恰是工艺的真相。 —— 自卷青年 · 关于实验设计的思考
每张卡片：定义 → 要点 → 图解 → 工厂案例（具体数字）→ 误区 → 一句话记住
同样是注塑件良率从 92% 往上抬：老师傅凭手感调了一个星期，最后停在 94.2%；换用 DOE，温度、保压、时间三个因素各取高低两档，8 组试验一天做完，分析发现温度和保压有强交互——两个一起上调，良率直接到 97%。后来再补 8 组中心点试验，把工艺窗口收窄，良率稳定在 98% 以上。差距不在熟练度，在方法。
某团队做 DOE 优化外观良率，把「检验员评分（1~5 分主观打分）」当响应。做完 16 组，ANOVA 显示什么都不显著——不是没有效应，是响应本身没分辨力：评分的波动比工艺效应还大。换成「外观缺陷点数 + 尺寸 CPK」两个客观响应重做，两个因子立刻浮出水面。响应是 DOE 的「眼睛」，眼睛不行，看什么都模糊。
某团队做 8 组全因子，图省事按「低温组 → 高温组」顺序做。早上做低温组、下午做高温组——而那台注塑机下午料筒温度本身就漂高 3℃。结果「温度效应」被高估了近一倍，按结论改工艺，量产良率不升反降。重做一遍随机化顺序，温度效应只剩一半，另一半原来是「时间漂移」冒名顶替的。
还是注塑那台机器。基准条件（180℃ / 60bar）良率 88%。单独把温度升到 200℃，良率 90%，+2；单独把保压升到 80bar，良率 89%，+1。按 OFAT 的逻辑：温度值 2 分，保压值 1 分，都「不痛不痒」。
回流焊虚焊率超标。工程师加高一段温区温度，虚焊少了但立碑多了；压低风速，立碑好了虚焊又回来。来回拉锯三天，最后在周会上甩锅「设备老化」。其实真相是：温区温度和风速存在交互——低温区必须配低速风，高温区必须配高速风，一冷一热搭起来才稳定。一个 2³ 全因子，8 组数据把这张「搭配表」直接画了出来。单因素思维救火，常常越救越火。
标准顺序（1 = 低水平，+ = 高水平）：
(1) 180/60/8 → 88% | a 200/60/8 → 90% | b 180/80/8 → 89% | ab 200/80/8 → 97%
c 180/60/12 → 90% | ac 200/60/12 → 92% | bc 180/80/12 → 91% | abc 200/80/12 → 99%
实际执行时顺序要随机化（卡③）。
上面的 8 组就是真实案例：一天做完（每次 30 分钟，8 组 + 重复共 16 次开机），当晚出分析。结论三句话：温度主效应 5 分、保压主效应 4 分、交互 3 分；时间不显著。落地动作：工艺卡改成「200℃ / 80bar」组合条件，时间收紧到 8s——良率 88% → 97%，周期还缩短了 33%。这就是「数据说话」和「手感调机」的差距。
卡⑤的案例里，交互效应 3 分比 C 的主效应 2 分还大。工程师没有只写「温度 200、保压 80」，而是把交互图贴在工艺卡上：温度 190℃ 时保压必须 ≥75bar，温度 200℃ 时 80bar 即可。后来原料换供应商、熔体流动性变化，操作工照着交互图微调保压，良率稳住了。主效应告诉你拧多少，交互作用告诉你拧的时候看谁的脸色。
涂布工序面密度波动，头脑风暴列了 8 个因子：浆料固含量、涂布速度、间隙、烘箱一段/二段/三段温度、张力、环境湿度。全因子 2⁸ = 256 组——不可能。做法：第一轮 2⁸⁻⁴ = 16 组（分辨率 IV），两个晚上跑完，固含量、间隙、二段温度三个因子效应最大；第二轮对这 3 个因子补 2³ = 8 组全因子，交互关系看清。两轮合计 24 组，锁定「固含量 52.5% + 间隙 0.22mm」的组合，面密度 CPK 从 0.8 提到 1.4。
卡⑤的全因子把良率抬到 97% 后，工程师追问：还能更高吗？对 A（温度）、B（保压）加做 CCD：4 角点已做，补 4 个轴向点（180/205/215℃ 等外延档）和 4 个中心点。拟合曲面发现良率峰值不在角落，而在205℃ / 85bar——两水平设计根本到不了的位置。验证三批：平均 99.6%，且把 ±5℃/±3bar 的波动窗口标注进工艺卡。2 水平给了方向，曲面给了坐标。
现代主流做法是合体：用经典部分因子/CCD 的框架，把噪声因子显式引入试验，再补 S/N 比或「均值+方差双响应」分析——两头的好处都拿到。
注塑件收缩率夏天 0.52%、冬天 0.48%，模具一套尺寸「两季两个样」。改模要 8 万，调机没效果。田口思路：把环境温度（噪声因子）搬进试验，用 L8 内表 × 温度外表跑一轮，找 S/N 最大的组合——料温 230℃ + 冷却 18s + 保压 85bar 时，冬夏收缩率都落在 0.49~0.505%。没换模具、没加空调，波动腰斩——参数设计省下的钱，比容差设计便宜一个数量级。
粉末冶金烧结：想试 3 种保护气氛 × 3 种装载量。气氛切换要抽真空置换，一天只能换一次——普通随机化 9 组要 9 天。改用裂区设计：每天固定一种气氛，炉内随机换装载量（几乎零成本），3 天跑完。代价是分析要用裂区模型，气氛效应的检验更保守。设计要迁就产线的物理现实——统计学为生产服务，不是反过来。
某厂第一次做 DOE，工程师一人扛全部：白天开会定方案、晚上自己跑试验、周末做分析，两周后累垮且数据作废一半。第二次学乖了，开工前一张分工表：工艺工程师定因子水平、质量部做 MSA、生产班长保证机台档期（含 3 个夜班窗口）、维修待命、工程师只管记录和分析。同一个试验，5 天收工。DOE 是团队项目，不是个人英雄主义。
来源 | P 值 | 判定
温度 A | 0.012 | 显著 ✓（P<0.05）
保压 B | 0.021 | 显著 ✓
时间 C | 0.148 | 不显著（效应 2 分但没甩开噪声）
A×B 交互 | 0.038 | 显著 ✓——工艺条件必须成对写
误差 | —— | 重复给出的本底噪声
模型 R² = 0.94，调整 R² = 0.89——模型解释了九成以上波动，够硬
逐列解释：P 值 = 「如果因子其实没用，出现这么大效应」的概率——小于 0.05 就认账。R² = 模型吃掉的波动比例。F 值 = 因子方差 ÷ 误差方差，P 值就是从 F 值换算来的。
某团队 DOE 报告漂亮：三个因子全部 P<0.01，R²=0.99。按结论改工艺，量产首月良率纹丝不动。复盘发现：16 组试验是同一个班、同一批料、连着一天做完的——误差小到失真，P 值自然「全员显著」；真实产线的班次/批次波动全在模型之外。R²=0.99 的另一面，可能是「只解释了实验室那一小撮数据」。残差分析和验证试验，一个都不能省。
蚀刻工序做 2³ 全因子，线速度效应「越高越好」，团队准备把速度拉到上限。分析前顺手看了中心点：3 个中心点平均良率 96.8%，比两端都高——弯曲显著，最优在中间！补做 CCD 后确认峰值在「中速 + 高浓度」。如果当时直接拉满速度，3 组中心点（成本不到 3%）拦住了一次全产线降良率的事故。
某汽车零部件厂把十大误区压成一张 A4 自查表，贴在每个 DOE 项目的启动会上：MSA 做了吗？响应客观吗？水平跨度够吗？随机化了吗？误差估计有吗？粗筛当终审了吗？残差查了吗？验证批留了吗？八个问号，当年 DOE 项目「结论无法复现」的比例从四成降到不足一成。清单比聪明可靠。