DOE 是一套有计划、受控地改变输入因子，观察输出响应变化的统计方法，用来高效识别关键因子、找到最优参数组合，减少试验次数，避免盲目试错。广泛用于产品开发、工艺优化、质量改善（IATF16949/AS9100等体系常用）。
核心思想：同时改变多个因子，而不是单因子一次只改一个，可以识别因子间交互作用。
• 因子 Factor：输入变量（温度、压力、转速、时间、浓度等）
• 水平 Level：因子取的不同设定值（如温度：100℃ /120℃，2个水平）
• 响应 Response：输出指标（强度、良率、粘度、尺寸、缺陷率）
• 主效应 Main Effect：单个因子变化对响应带来的影响
• 交互作用 Interaction：两个/多个因子搭配在一起，产生单独看不到的叠加或抵消效果（DOE最大价值点）
• 噪声因子 Noise：不可控干扰（环境温湿度、原料微小波动）
• 重复 Replication：同一组合多次试验，估计试验随机误差
• 随机化 Randomization：试验顺序随机，消除时间漂移带来的系统偏差
• 区组 Blocking：把试验分组，消除批次、设备等已知干扰
1. 筛选试验（Screening DOE）
目标：大量因子中挑出少数关键因子，不精细优化。
• 类型：2水平部分因子设计（2^k-p）、Plackett-Burman（PB）
• 特点：因子多，水平少，试验次数少；适合研发早期，牺牲高阶交互。
2. 全因子设计 Full Factorial（2^k）
目标：评估主效应+全部交互作用。
• 2水平全因子：k个因子，各2水平，总试验次数=2ᵏ
• 优点：信息完整；缺点：因子多时试验量爆炸（>5个因子一般不用全因子）
3. 响应面设计 RSM（Response Surface Methodology）
目标：找到最优参数区间、拟合曲面，寻找极值点（良率最高/缺陷最低） 常用：中心复合设计CCD、Box-Behnken BBD
适合：已经锁定少量关键因子，需要精细优化；因子一般3~6个。
4. 田口设计 Taguchi
目标：稳健设计（抗噪声），不是单纯优化均值，让产品/工艺对噪声不敏感。 核心：信噪比S/N ratio；分静态/动态田口。
注意：统计界对田口方法有争议，工业界大量用于稳健性开发。
5. 混料设计 Mixture DOE
因子是组分比例（总和=100%，如涂料配方、合金），不能用普通DOE。
1. 确定目标：明确响应指标（量化，优先连续型指标）
2. 选择因子与水平：结合工程经验初选因子，确定高低水平
3. 选择DOE类型：筛选→全因子→RSM，按阶段递进
4. 生成试验方案（Minitab可直接生成），执行随机化、区组规划
5. 做试验，记录数据，保证试验一致性，记录异常
6. 统计分析：方差分析ANOVA、P值、效应图、残差诊断（验证模型有效性）
7. 模型解释+优化：识别显著因子、交互，预测最优条件
8. 验证试验 Confirmation Run：在最优条件下重复试验，确认预测可靠
项目 DOE（多因子同时变化） 单因子OFAT（一次改一个）
交互作用 可以识别 无法识别
试验效率 高，少试验获取大量信息 试验次数多
最优条件 容易找到全局最优 容易卡在局部最优
稳健性评估 可评估 很难评估
✅ 适用：
• 新产品工艺开发、参数窗口确认
• 制程良率提升，降低波动
• 材料配方优化
• 确定关键输入变量（KIV），建立转移函数
• APQP / PPAP 里的工艺验证、特殊过程确认
❌ 不适合：
