导 读
不懂DOE（实验设计）？那你只是半个合格的DQE！
提起DOE，很多人会说太难学了，没有比较深厚的统计基础根本学不会；我们公司做试验很少，不需要DOE。
试验设计DOE方法是基于统计学的一个质量管理工具，其原理对于没有数理统计基础的人来说，比较难以理解掌握；试验设计DOE方法在使用过程中，有大量复杂运算，出错几率较高。
然而，以上种种，在当前已经都不是问题。
DOE应用过程中的各种步骤、方法按部就班，逐步完成。DOE的运算部分有了MINITAB软件的帮助，更是变得超出想象的便捷。
Part 1
DOE为什么难推行？
试验设计DOE的应用，为企业的突破性改进提供了有力的工具和支持。
或许您公司流程稳定没变化很久了，但是这个流程是不是您满意的流程呢？有没有改善的空间呢？
即使没有新产品的开发，各种制造过程的改善也可以借助于DOE方法。
所以说，“DOE不适合你们组织”，或者“DOE在你们公司没有用”，这些观念都是错误的。
在我们学习了DOE试验设计工具，也觉得它是非常好的方法，打算在您的工作中开始使用的时候，也还会碰到很多障碍，而这些障碍常常让DOE的应用又回到了原点。
所以克服下面的这些障碍也至关重要。
障碍1：相关部门不配合工作。
很多人认为DOE是研发部门，甚至是个别改善工程师自己的工作。我不会DOE，所以我不想参与DOE的任何工作，这是很多一线员工的真实想法。
只有调动他们的积极性，指导他们去完成一次次的试验，收集数据，然后工程师进行数据分析，得出改进报告等。
DOE的项目负责人除了懂DOE技术外，也需要有工作凝聚力和权限，能够制定清晰的工作计划，发动研发、生产、品质等各部门的相关员工积极加入。
另外，DOE技术非常需要领导层的支持。很多公司的科研和生产设备是在一起的，在做试验时，无疑会打乱、影响生产节奏，这就需要生产部门的配合，而这种配合，有时是一线员工无法决定的。
领导层对DOE 改进工作的支持，是他们勇于试验，从而做出成绩的基础。
障碍2：DOE工程师个性妥协不坚持。
很多公司的DOE工作是员工本职工作以外，额外增加的工作，因此在进行过程中难免会遇到一些障碍。
这些都需要工程师不断地去清晰各部门需要配合的具体工作内容，跟踪并促进工作进度，有的DOE项目工程师靠自己的努力就可以顺利完成；
更多的项目则需要工程师能够像个项目经理一样，除了自己坚持完成自己的工作之外，协调、沟通、利用各种借力打力的方法让试验顺利完成，任何的懒惰、不承担，都会让DOE停下来，半途而废。
障碍3：工程师们脱离现场。
试验的过程看似参数、方案都已经制定完美了，但在真实工作场合还是会有各种意外的输入影响着试验的结果。
工程师们简单把试验委派给基层员工，他们通常只负责按照要求完成试验，试验过程中很多看似微不足道的因素并不在他们考虑、收集的范围之内。
而“现场”常常是蕴含了最多奥秘的地方。关注现场，是解决问题必不可少的环节，切忌高高在上，纸上谈兵。
有个公司，他们的产品质量一直非常稳定，可是最近突然出现了问题，据操作人员认为所有的操作都和过去完全一样，没有变化。
面对堆积的订单，波动的质量，公司上下都焦灼起来。技术经理和老总开始一起蹲现场。
他们一遍遍地重复流程，观察各个过程，各个细节，像个侦探一样，然后又一遍遍地检验结果，终于在现场找到了答案。
而影响工艺稳定性的是一个非常小的操作习惯，小到他们从来没有认为这个重要，所以都没有在作业指导书中进行明确规定。
举这个小例子，就是告诉工程师，影响试验结果的因素很多，除了你列出的因子和你认为影响较小的因子，现场也许也会有更多的因素存在。
你可以有各种理由无法在试验现场，但是这样可能错过发现“秘密”的机会。所以，一定要创造机会和现场亲密接触。
障碍4：DOE试验设计要解决的问题或目标太大。
比方说，要降低XX产品的不良率。大的问题，影响的因子众多，试验难度大、部门配合难度大、分析难度大，所以对应的，周期要求特别长。
而这种长时间等待，很容易让人半途而废，不了了之。
障碍5：不敢实践。
很多人把积极性放在了不断学习、掌握DOE技术的理论知识阶段。而DOE又是个博大的工具。
他们不断地学习，和别人就DOE的某个假设、某个公式讨论，就MINITAB 、JMP软件的某个菜单讨论，就是没有真实的操练。
绝知此事要躬行！实践才是DOE工具的目的。
Part 2
运用DOE的重要作用
1、作为一个产品设计工程师，你需要：
1） 做灵敏度分析；
2） 建立产品尺寸等特性的公差；
3） 确定零部件的特性；
4） 使用低等级的材料或者不见来降低陈皮成本；
5） 减少变差等。
2、作为一个工艺工程师（PE）、设备工程师（ME）或者质量工程（QE），你需要：
1） 进行过程能力Cpk研究；
2） 研究各种工艺参数之间的相互作用以及相互关系，以及其对产品特性的影响；
3） 不计较设备能力和操作方法对产品特性的影响；
4） 进行量具GR&R分析和研究等。
但凡以上工作都需要做各种各样的试验和数据分析，都需要用到DOE方法。
日本工厂经常说到的一句话就是，“不懂DOE，你就是半个不合格的工程师！”
Part 3
DOE的正确实施步骤
第一步：确定目标
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需求，但是针对这样的问题，可能运用一些简单的方法根本就无法解决，这时候可能就会想到试验设计。
对于运用试验设计解决的问题，首先要定义好试验的目的，也就是解决一个什么样的问题，问题带来了什么样的危害，是否有足够的理由支持试验设计方法的运作，试验设计必须花费较多的资源才能进行；
而且对于生产型企业，试验设计的进行会打乱原有的生产稳定次序，所以确定试验目的和试验必要性是首要的任务。
随着试验目标的确定，还必须定义试验的指标和接受的规格，这样的试验才有方向和检验试验成功的度量指标。
这里的指标和规格是试验目的的延伸和具体化，也就是对问题解决的着眼点，指标的达成就能够意味着问题的解决。
第二步：剖析流程
关注流程，应该具备的习惯，就像很多企业做水平对比一样，经常会有一个误区，就是只讲关注点放在利益点上，而忽略了对流程特色的对比，试验设计的展开同样必须建立在流程的深层剖析基础之上。
任何一个问题的产生，都有它的原因，事物的好坏、参数的便宜、特性的欠缺等等都有这个特点，而诸多原因一般就存在于产生问题的流程当中。
流程的定义非常的关键，过短的流程可能会抛弃掉显著的原因，过长的流程必将导致资源的浪费。
有很多的方式来展开流程，但有一点必须做到，那就是尽可能详尽的列出可能的因素，详尽的因素来自于对每个步骤地详细分解，确认其输入和输出。
其实对于流程的剖析和认识，就是改善人员了解问题的开始，因为并不是每个人都能掌握好我们所关注的问题。
这一步的输出，使企业的改善人员能够了解问题的可能因素在哪里，虽然不能确定哪个是重要的，但至少确定一个总的方向。
第三步：筛选因素
流程的充分分析，便有了非常宝贵的资料，那就是可能影响关注指标的因素，但是到底哪个是重要的呢？
对一些根本就不或微小影响因素的全面试验分析，其实就是一种浪费，而且还可能导致试验的误差。
因此将可能的因素的筛选就有必要性，这时，不需要确认交互作用、高阶效应等问题，目的是确认哪个因素的影响是显著的。
可以使用一些低解析度的两水平试验或者专门的筛选试验来完成这个任务，这时的试验成本也将最小处理。
而且对于这一步任务的完成，可以应用一些历史数据，或者完全可靠的经验理论分析，来减少试验因子；
当然要注意一点就是，只要对这些数据或分析有很小的怀疑，为了试验结果的可靠，可以放弃。
筛选因素的结果，掌握了影响指标的主要因素，这一步尤为关键，往往在现实中是通过完全的经验分析得出，甚至抱着可能是的态度
第四步：快速接近
通过筛选试验找到了关键的因素，同时筛选试验还包含一些很重要的信息，那就是主要因素对指标的影响趋势，这是必须充分利用的信息，它可以快速的找到试验目的的可能区域，虽然不是很确定，缩小了包围圈。
这时一般使用试验设计中的快速上升（下降）方法，它是根据筛选试验所揭示的主要因素的影响趋势来确定一些水平，进行试验；
试验的目的就像我们在寻找罪犯一样的缩小嫌疑范围，得出的一个结论就是，企业的改善最优点就在因素的最终反映的水平范围内，离成功更近了一步。
第五步：析因试验
在筛选试验时没有强调因素间的交互作用等的影响，但给出了主要的影响因素，而且快速接近的方法，使我们确定了主要因素的大致取值水平；
这时就可以进一步的度量因素的主效应、交互作用以及高阶效应，这些试验是在快速接近的水平区间内选取得，所以对于最终的优化有显著的成效。
析因试验主要选择各因素构造的几何体的顶点以及中心点来完成，这样的试验构造，可以确定对于指标的影响，是否存在交互作用或者哪些交互作用，是否存在高阶效应或者哪些高阶效应。
试验的最终是通过方差分析来检定这些效应是否显著，同时对以往的筛选、快速接近试验也是一个验证；
但不宜就在这样的试验基础上就来描述指标与诸主效应的详细关系，因为对于3个水平点的选取，试验功效会有不足的可能性。
第六步：回归试验
在析因试验中，确定了所有因素与指标间的主要影响项，但是考虑到功效问题，我们需要进一步的安排一些试验来最终确定因素的最佳影响水平。
这时的试验只是一个对析因试验的试验点的补充，也就是还可以利用析因试验的试验数据，只是为了最终能够优化我们的指标，或者说有效全面的构建因素与水平的相应曲面和等高线，我们增加一些试验点来完成这个任务。
试验点一般根据回归试验的旋转性来选取，而且它的水平应该根据功效、因子数、中心点数等方面的合理设置，以确保回归模型的可靠性和有效性。
这些试验的完成，我们就可以分析和建立起因素和指标间的回归模型，而且可以通过优化的手段来确定最终的因子水平设定。
当然为了保险起见，我们最后在得到最佳参数水平组合后进行一些验证试验来检验结果。
第七步：稳健设计
试验设计的目的就是希望通过设置可以调控的一些关键因素来达到控制指标的目的，因为对于指标来讲是无法直接控制的，试验设计提供了这种可能和途径，但是在现实中却还存在一类这样的因素，它对指标影响同样的显著。
但是它很难通过人为的控制来确保其影响最优，这类因素一般称为噪声因素，它的存在往往会使试验成果功亏一篑。
所以对待它的方法，除了尽量的控制之外可以选用稳健设计的方法，目的是这些因素的影响降低至最小，从而保证指标的高优性能。
事实上这些因素是普遍存在的，例如汽车行驶的路面，不可能保证都是在高级公路上，那么对于一些差的路面，怎样来设计出高性能呢？
这时会选择出一些抗干扰的因素来缓解干扰因素的影响，这就是稳健设计的意图和途径。
通常会经常使用在设计和研发阶段，有时也会随着问题的产生而暴露出来，但提出一个问题了，重新选定主要因素的水平会不会带来指标的振荡和劣化，这是完全有可能的，可以通过EVOP等途径来重新设定以保证因素更改后的输出效果。
当然，在DOE工具实际应用的过程中，可能会碰到更复杂的问题或阻碍，但是DOE是一个降低成本，改善问题的工具。
心中深信这一点，并不断地克服各种阻碍，质量改进之路会越走越宽。
接下来，分享一份《实验设计DOE》资料，感兴趣的可以收藏学习；
往期精彩内容推荐
一文搞懂最新六大工具（APQP、FMEA、MSA、SPC、PPAP、CP）。附思维导图！
干货|六西格玛工具之回归分析（基于Minitab操作案例讲解）。赶紧get!
干货|残差（Residual）在方差分析（ANOVA)、回归（Regression）分析及实验设计(DOE)中的判读及异常对策
质量管理五大核心工具（APQP/FMEA/MSA/SPC/PPAP)）的应用
六西格玛工具之直方图理论及Minitab案例分析详解。赶紧get!！
计数型MSA-Kappa技术的应用（Minitab案例分析详解），请收藏！
干货｜六西格方法和工具在项目D（定义）阶段实施中的运用。请收藏！
六西格改善方法论和工具在项目实施中的运用案例分享-测量（M )阶段
六西格改善方法论和工具在项目实施中的运用案例分享-分析（A )阶段
六西格改善方法论和工具在项目实施中的运用案例分享-改善（I )阶段
言质有锂，您身边的学习好帮手！若公众号免费的、海量资讯还满足不了爱学习及上进的你，那么可以考虑并关注以下知识星球。知识星球-新质能源智库已收集了质量管理的及新能源（含锂电池及材料、钠离子电池、固态电池、光伏电池、储能电池及系统、新能源行业分析及研究报告、以及各类材料和电池标准等）等干货资料1400+。相关内容还在持续更新中；专业质量领域知识星球-质量云也正式起航了，资料信息持续更新中，已收集了质量类的干货资料(含国内外先进及系统化的质量理论、方法和工具、管理体系、六西格玛、标杆企业及优秀企业案例等）150+。欢迎大家的加入！
