DOE培教材探素.ppt

1、1,1,DOE 实验设计,整理：李春華 審核：趙鵬 日期：2008.05.21 版本：00,Design Of Experiment,Page 2,目錄,实验设计的简介 实验设计的目的 实验设计的类别 4.用ANOVA分析作单因子实验 5.用ANOVA分析多因子多水准实验 6.2K因子设计,Page 3,实验设计简介,实验是一个或一系列有目的地改变流程或系统的输入变数x，以观察识别输出变数y随之改变的试验,y=f (x),Page 4,实验设计的目的,一.可以确定： 那些输入变数对输出结果影响最大 什么样的输入变数能产生理想的输出结果 怎样设定一组输入变数以减少输出结果的变化范围 怎样设定可控

2、输入变数使得不可控的输入变数对输 出结果的影响减到最小 二.找出定义流程的公式y=f (x)，使得流程最佳化 三.在既有的设备之下以最经济，有效地方法取得最多 有用的数据，然后进一步透过统计分析，以构建出 一个受外来变异影响最小的制程，以符合生产目标 之最佳生产条件组合,Page 5,试验设计类别,1.单因子实验: 改变一个因子的不同水准进行实验 2.多因子多水准实验: 各因子一起改变其水准而非一次只针对某个因子做变动 各因子的水准不定 3.2K因子实验: 所有因子都只有两个水准的实验,Page 6,实验范例： 测试四种不同的电路设计模式的杂讯量,其实验结果如下,用ANOVA分析作单因子实验,

3、求电路设计是影响杂讯量的关键因子吗？（） 何种电路设计可使产品杂讯量最少？,Page 7,用ANOVA分析作单因子实验,第一步：整理所收集的数据，并调入Minitab档案 在数据分析之前，需检定各组资料是否为常态分布 执行Stat Basic Statistics Normality Test,Page 8,用ANOVA分析作单因子实验,输入相应Data,Page 9,用ANOVA分析作单因子实验,点击OK，得到如下图形,结果看哪里呢？,判定結果看這裡： P_ Value 值0.05 則為常態分布， P_ Value值=0.05 則為非常態分布,Page 10,第二步：检定资料属于常态分布后，

4、进行单因子分析 执行Stat ANOVA One way,用ANOVA分析作单因子实验,Page 11,第三步：输入相应资料,输出变数y,输入变数x,用ANOVA分析作单因子实验,Page 12,One-way ANOVA: 杂讯量 versus 电路设计 Source DF SS MS F P 电路设计 3 12042 4014 21.78 0.000 Error 16 2949 184 Total 19 14991 S = 13.58 R-Sq = 80.33% R-Sq(adj) = 76.64% Individual 95% CIs For Mean Based onPooled St

5、Dev Level N Mean StDev -+-+-+-+- 1 5 19.20 7.79 (-*-) 2 5 70.00 11.02 (-*-) 3 5 36.60 11.59 (-*-) 4 5 79.80 20.51 (-*-) -+-+-+-+- 25 50 75 100 Pooled StDev = 13.58,第四步：点击OK，得到如下结果,用ANOVA分析作单因子实验,得出的结论： P0.05,故电路设计是影响杂讯的关键因子,得出的结论： 从左边操作结果可以看出第1种电路板设计杂讯量最少,Page 13,例子:一个饮料包装商想知道在他的制造流程中获得更稳定的瓶子填充高度 制造

6、工程师可控制灌装过程中的三个变数:碳化度（%carbon）,灌装机操作压力（Press）,生产线速度(Speed).为了进行实验，工程师把碳化度控制在三个水准:10，12和14%；他选择两个压力水准:25和30psi;两个生产线速度水准:200和250瓶/分钟.他把这个三因子实验的设计复制两次并使24个实验按照随机次序进行. 因变数是个组合条件下在生产中灌装高度与目标高度的平均偏移量.正偏移代表灌装量高于目标高度,负偏移代表低于目标高度. 制程应如何设置以保证生产的瓶装饮料有最佳高度？,用ANOVA分析多因子多水准实验,Page 14,用ANOVA分析多因子多水准实验,实验设计及收集资料 执行

7、Stat DOE Factorial Create factorial design,Page 15,用ANOVA分析多因子多水准实验,选择General full factorial design；3因子,Page 16,用ANOVA分析多因子多水准实验,点击Design ，输入相关内容；点击OK,重复试验次数,输入相关参数和水准,Page 17,用ANOVA分析多因子多水准实验,点击Factors ，输入相应水准，点击OK,Page 18,用ANOVA分析多因子多水准实验,得到随机试验次序,收集实验结果,Page 19,用ANOVA分析多因子多水准实验,执行Stat ANOVA Balan

8、ced ANOVA,输入因子及因子之间的交互作用项,Page 20,用ANOVA分析多因子多水准实验,点击OK，操作结果如下：,简化模型：去掉交互作用中 P值0.05的因子项,ANOVA: result versus 碳化度, 操作压力, 生产线速度 Factor Type Levels Values 碳化度 fixed 3 10, 12, 14 操作压力 fixed 2 25, 30 生产线速度 fixed 2 200, 250 Analysis of Variance for result Source DF SS MS F P 碳化度 2 252.750 126.375 178.41 0

9、.000 操作压力 1 45.375 45.375 64.06 0.000 生产线速度 1 22.042 22.042 31.12 0.000 碳化度*操作压力 2 5.250 2.625 3.71 0.056 碳化度*生产线速度 2 0.583 0.292 0.41 0.671 操作压力*生产线速度 1 1.042 1.042 1.47 0.249 碳化度*操作压力*生产线速度 2 1.083 0.542 0.76 0.487 Error 12 8.500 0.708 Total 23 336.625 S = 0.841625 R-Sq = 97.47% R-Sq(adj) = 95.16%

10、,Page 21,用ANOVA分析多因子多水准实验,简化模型，简化结果如下：,ANOVA: result versus 碳化度, 操作压力, 生产线速度 Factor Type Levels Values 碳化度 fixed 3 10, 12, 14 操作压力 fixed 2 25, 30 生产线速度 fixed 2 200, 250 Analysis of Variance for result Source DF SS MS F P 碳化度 2 252.750 126.375 145.89 0.000 操作压力 1 45.375 45.375 52.38 0.000 生产线速度 1 22.

11、042 22.042 25.45 0.000 Error 19 16.458 0.866 Total 23 336.625 S = 0.930714 R-Sq = 95.11% R-Sq(adj) = 94.08%,Page 22,用ANOVA分析多因子多水准实验,分析残差及预期值（Fits）,点击Graphs，选择Four in one,Page 23,用ANOVA分析多因子多水准实验,得到如下图形：,残差检定 合格吗？,Page 24,用ANOVA分析多因子多水准实验,从图形上似乎看不出结果？对残差进行常态检定 执行Stat Basic statistics Normality Test,

12、输入残差结果,Page 25,用ANOVA分析多因子多水准实验,点击OK，得到如下图形,P_Value 值大于0.05，属于常态分布,Page 26,用ANOVA分析多因子多水准实验,再来看交互作用图：Stat ANOVA Interactions plot,从图形看起来， 交互作用不明显,何谓交互作用?一个因子水准变化引起因变数变化,在另一个因子不同水准下不完全相同,Page 27,用ANOVA分析多因子多水准实验,最后来看主效果图：Stat ANOVA Main Effects plot,最佳参数设置： 碳化度=10 操作压力=25 生产线速度=200,如何来看？我们想要的结果是：平均偏移

13、量趋于零最好,Page 28,DOE方法步骤： 1.陈述实际问题和试验目标 2.陈述因子和水准 3.选择合适的样本大小 Stat Power and Sample Size 2-Level Factorial Design 4.设计试验 Stat DOE factorial Create Factorial Design 5.做试验/收集数据 6.为整个模型建立ANOVA表 Stat DOE Factorial Analyze Factorial Design 7.去除不显著因子，简化模型 8.研究残差组图以确保模型适合 9.研究显著的交互作用 10.研究显著主效应 11.陈述获得的数学模型；将模型转化成真实的流程设计,2K因子试验多因子两水准试验,Page