下载文档原格式
Minitab怎么做最优参数设计？
在Minitab中，最优参数设计是一种用于优化实验设计的方法，旨在找到最佳的参数组合，以最小化或最大化响应变量。
下面是一些关于Minitab最优参数设计的步骤：
1. 导入数据：首先，您需要将您的数据导入Minitab中。
您可以使用“输入”菜单中的“数据”选项导入数据。
2. 创建因子：在“选择”菜单中选择“因子”，然后选择“创建因子”。
在“创建因子”对话框中，您可以为每个因子指定名称、取值范围和单位。
3. 创建响应变量：在“选择”菜单中选择“响应变量”，然后选择您的响应变量。
您还可以为响应变量指定单位和度量单位。
4. 运行最优参数设计：选择“分析”菜单中的“最优参数设计”。
在“最优参数设计”对话框中，您可以指定因子和响应变量，并选择要优化的目标。
Minitab将自动计算最优参数
设计。
5. 查看结果：Minitab将显示最优参数设计的结果，包括每个参数组合的得分和权重。
您可以使用这些结果来确定最佳的参数组合。
通过使用Minitab进行最优参数设计，我们可以快速、准确地确定最佳参数组合，以实现最佳结果。
Minitab的强大功能可以帮助我们进行实验设计和参数优化，提高工作效率和质量。
末了，深圳天行健六西格玛培训公司想要提醒的是：最优参数设计是一种高级的分析方法，需要一定的统计学知识。
如果您不熟悉这些概念，建议先学习一些统计学基础知识，然后再尝试使用Minitab的最优参数设计功能。
北京信息科技大学经济管理学院《工程优化技术》课程结课报告成绩：_______________班级：__工商1002_____学号：__2010011713____姓名：__魏坡_______日期：_2013年6月7日_部分因子试验设计1.实验设计背景部分因子试验设计与全因子试验设计的不同之处在于大大减少了试验的次数，具体表现在试验设计创建阶段的不一致，下面主要就部分因子试验设计的创建进行讲述。
2.因子选择用自动刨床刨制工作台平面的工艺条件试验。
在用刨床刨制工作台平面试验中，考察影响其工作台平面光洁度的因子，并求出使光洁度达到最高的工艺条件。
3.实验方案共考察6个因子：A 因子：进刀速度，低水平1.2，高水平1.4（单位：mm/刀）B 因子：切屑角度，低水平10，高水平12（单位：度）C 因子：吃刀深度，低水平0.6，高水平0.8（单位：mm ）D 因子：刀后背角，低水平70，高水平76（单位：度）E 因子：刀前槽深度，低水平1.4，高水平1.6（单位：mm ）F 因子：润滑油进给量，低水平6，高水平8（单位：毫升/分钟） 要求：连中心点在内，不超过20次试验，考察各因子主效应和2阶交互效应AB 、AC 、CF 、DE 是否显著。
由于试验次数的限制，我们在因子点上只能做试验16次，另4次取中心点，这就是6224-+的试验，通过查部分因子试验分辨度表可知，可达分辨度为Ⅳ的设计。
具体操作为：选择 [统计]=>[DOE ]=>[因子]=>[创建因子设计]，单击打开创建因子设计对话框。
在“设计类型”中选择默认2水平因子（默认生成元），在“因子数”中选定6。
单击“显示可用设计”就可以看到下图的界面，可以确认：用16次试验能够达到分辨度为Ⅳ的设计。
单击“设计”选项，选定1/4部分实施，在每个区组的中心点数中设定为4，其他的不进行设定，单击确定。
单击“因子”选项，设定各个因子的名称，并设定高、低水平值。
MINITAB响应曲面法应用响应面法优化牛蒡根总黄酮提取工艺以下是文献中利用Minitab统计软件的析因实验得到的一些相关数据：现在同样就这篇文章中的相关数据，利用minitab实际操作如下：一、部分析因设计及实验结果1.创建因子设计得：（对应表3）2.分析因子设计得：（对应表4）拟合因子:Y与A,B,C,DY的估计效应和系数（已编码单位）项效应系数系数标准误TP常量16.10840.04058397.000.000A0.44130.22060.040585.440.012B1.72020.8 6010.0405821.200.000C0.86630.43310.0405810.670.002D0.14720.07360.040581.810.167A某B-1.9323-0.96610.04058-23.810.000A某C-0.0982-0.04910.04058-1.210.313A某D-0.5173-0.25860.04058-6.370.008Y=16.1084+O.2206A+0,.8601B+0.4331C-0.9661ABCtPt0.84960.0702812.090.001S=0.114764PRESS=某R-Sq=99.78%R-Sq（预测）=某%R-Sq（调整）=99.19%Y的方差分析（已编码单位）合计1117.8381Y的异常观测值拟合值标准化观测值标准序Y拟合值标准误残差残差1317.564017.56400.11480.0000某某3514.876014.87600.11480.0000某某5113.247013.24700.11480.0000某某6416.024016.02400.11480.0000某某8617.004017.00400.11480.0000某某9717.864017.86400.11480.0000某某10215.866015.86600.1148-0.0000某某11816.422016.42200.11480.0000某某某表示受某值影响很大的观测值。
Minitab 实验之试验设计实验目的：本实验主要引导学生利用Minitab 统计软件进行试验设计分析，包括全因子设计、部分因子设计、响应曲面设计、混料设计、田口设计以及响应优化，并能够对结果做出解释。
实验仪器：Minitab 软件、计算机 实验原理：“全因子试验设计”的定义是：所有因子的所有水平的所有组合都至少要进行一次试验的设计。
由于包含了所有的组合，全因子试验所需试验的总次数会比较多，但它的优点是可以估计出所有的主效应和所有的各阶交互效应。
所以在因子个数不太多，而且确实需要考察较多的交互作用时，常常选用全因子设计。
一般情况下，当因子水平超过2时，由于试验次数随着因子个数的增长而呈现指数速度增长，因而通常只作2水平的全因子试验。
进行2水平全因子设计时，全因子试验的总试验次数将随着因子个数的增加而急剧增加，例如，6个因子就需要64次试验。
但是仔细分析所获得的结果可以看出，建立的6因子回归方程包括下列一些项：常数项、主效应项有6项、二阶交互作用项15项、三阶交互项20项，…，6阶交互项1项，除了常数项、主效应项和二阶交互项以外，共有42项是3阶以及3阶以上的交互作用项，而这些项实际上已无具体的意义了。
部分因子试验就是在这种思想下诞生的，它可以使用在因子个数较多，但只需要分析各因子和2阶交互效应是否显著，并不需要考虑高阶的交互效应，这使得试验次数大大减少。
在实际工作中，常常要研究响应变量Y 是如何依赖于自变量，进而能找到自变量的设置使得响应变量得到最佳值（望大、望小或望目）。
如果自变量的个数较少（通常不超过3个），则响应曲面方法（response surface methodology ，RSM ）是最好的方法之一，本方法特别适合于响应变量望大或望小的情形。
通常的做法是：先用2水平因子试验的数据，拟合一个线性回归方程（可以包含交叉乘积项），如果发现有弯曲的趋势，则希望拟合一个含二次项的回归方程。
其一般模型是（以两个自变量为例）：22011221112221212y b b x b x b x b x b x ε=++++++这些项比因子设计的模型增加了各自的变量的平方项。
北京信息科技大学经济管理学院《工程优化技术》课程结课报告成绩：_______________班级：__工商1002_____学号：__2010011713____姓名：__魏坡_______日期：_2013年6月7日_部分因子试验设计1.实验设计背景部分因子试验设计与全因子试验设计的不同之处在于大大减少了试验的次数，具体表现在试验设计创建阶段的不一致，下面主要就部分因子试验设计的创建进行讲述。
2.因子选择用自动刨床刨制工作台平面的工艺条件试验。
在用刨床刨制工作台平面试验中，考察影响其工作台平面光洁度的因子，并求出使光洁度达到最高的工艺条件。
3.实验方案共考察6个因子：A因子：进刀速度，低水平1.2，高水平1.4（单位：mm/刀）B因子：切屑角度，低水平10，高水平12（单位：度）C因子：吃刀深度，低水平0.6，高水平0.8（单位：mm）D因子：刀后背角，低水平70，高水平76（单位：度）E因子：刀前槽深度，低水平1.4，高水平1.6（单位：mm）F因子：润滑油进给量，低水平6，高水平8（单位：毫升/分钟）要求：连中心点在内，不超过20次试验，考察各因子主效应和2阶交互效应AB、AC、CF、DE是否显著。
由于试验次数的限制，我们在因子点上只能做试验16次，另4次取中心点，这就是62-+的试验，通过查部分因子试验分辨度表可24知，可达分辨度为Ⅳ的设计。
具体操作为：选择[统计]=>[DOE]=>[因子]=>[创建因子设计]，单击打开创建因子设计对话框。
在“设计类型”中选择默认2水平因子（默认生成元），在“因子数”中选定6。
单击“显示可用设计”就可以看到下图的界面，可以确认：用16次试验能够达到分辨度为Ⅳ的设计。
单击“设计”选项，选定1/4部分实施，在每个区组的中心点数中设定为4，其他的不进行设定，单击确定。
单击“因子”选项，设定各个因子的名称，并设定高、低水平值。
点击确定。
再点击确定后，就可以得到试验计划表，如下：与全因子设计不同的是，我们不能肯定这个试验计划表一定能满足要求，因为部分因子试验中一定会出现混杂，这些混杂如果破坏了试验要求，则必须重新进行设计，从运行窗中可以看到下列结果：设计生成元: E = ABC, F = BCD别名结构I + ABCE + ADEF + BCDFA + BCE + DEF + ABCDFB + ACE + CDF + ABDEFC + ABE + BDF + ACDEFD + AEF + BCF + ABCDEE + ABC + ADF + BCDEFF + ADE + BCD + ABCEFAB + CE + ACDF + BDEFAC + BE + ABDF + CDEFAD + EF + ABCF + BCDEAE + BC + DF + ABCDEFAF + DE + ABCD + BCEFBD + CF + ABEF + ACDEBF + CD + ABDE + ACEFABD + ACF + BEF + CDEABF + ACD + BDE + CEF从此表得知，计算机自己选择的生成元是：E=ABC,F=BCD。
后面的别名结构中列出了交互作用项的混杂情况，即每列中互为别名的因子有哪些；从上表可以看出，主效应与三阶及四阶交互作用混杂，二阶交互作用与四阶交互作用混杂，三阶交互作用与四阶交互作用混杂；关键是要检查一下题目所要求的2阶交互作用情况，将3阶以上的交互作用忽略不计，混杂的情况有：AB=CE,AC=BE,AD=EF, AF=DE,AE=BC=DF,BD=CF,BF=CD。
本例中所要求的4个2阶交互作用是AB,AC,CF,DE，显然可以看到，这四个2阶交互作用均没有混杂。
因此可以看到此试验计划是可行的。
响应面设计的分析1.实验设计背景提高烧碱纯度问题。
在烧碱生产过程中，经过因子的筛选，最后得知反应炉内压力及温度是两个关键因子。
在改进阶段进行全因子试验，因子A压力的低水平和高水平分别取为50帕和60帕，因子B反应温度的低水平和高水平分别取为260及320摄氏度，在中心点处也作了3次试验，试验结果在数据文件：DOE_烧碱纯度。
2.实验因子的选择对于这批数据按全因子试验进行分析，具体操作为：选择[统计]=>[DOE]=>[因子]=>[分析因子设计]，打开分析因子设计对话框。
首先将全部备选项列入模型，删除在模型中包括中心点，在“图形”中的残差与变量下将压力和温度选入进去。
得到的结果如下：纯度的效应和系数的估计（已编码单位）项效应系数系数标准误 T P常量 96.961 0.4150 233.63 0.000压力 -2.665 -1.332 0.5490 -2.43 0.094温度 -0.765 -0.382 0.5490 -0.70 0.536压力*温度 0.035 0.018 0.5490 0.03 0.977S = 1.09803 PRESS = 134.203R-Sq = 68.01% R-Sq（预测） = 0.00% R-Sq（调整） = 36.01%对于纯度方差分析（已编码单位）来源自由度 Seq SS Adj SS Adj MS F P主效应 2 7.6874 7.68745 3.84372 3.19 0.1812因子交互作用 1 0.0012 0.00123 0.00123 0.00 0.977残差误差 3 3.6170 3.61701 1.20567弯曲 1 3.5178 3.51781 3.51781 70.92 0.014纯误差 2 0.0992 0.09920 0.04960合计 6 11.3057从上述表中可以看到，主效应和2因子交互作用对应的概率P值均大于0.1，说明模型的总效应不显著，而且弯曲对应的概率P值为0.014，拒绝原假设，认为存在明显的弯曲趋势；R-Sq和R-Sq（预测）的值都比较小，说明了模型的总效果不显著。
从残差与各变量的图也验证了存在严重的弯曲现象。
这些都表明，对响应变量单纯地拟合一阶线性方程已经不够了，需要再补充些“星号点”，构成一个完整的响应曲面设计，拟合一个含二阶项的方程就可能问题了。
补充的4个星号点的实验结果见数据表：DOE_烧碱纯度（响应2）。
下面对全部11个点构成的中心复合序贯设计进行分析，拟合一个完整的响应曲面模型。
分析如下：第一步：拟合选定模型。
选择[统计]>[DOE]>[响应曲面]>[分析响应曲面设计]，打开分析响应曲面设计对话框。
点击窗口“项”以后，可以看到模型中将全部备选项都列入了模型，包括A(压力)、B （温度）以及它们的平方项AA 、BB 和交互作用项AB ；打开“图形”窗口，选定“正规”、“四合一”以及残差与变量，并将压力和温度都选入残差与变量中；打开“储存”窗口，选定“拟合值”、“残差”以及“设计矩阵”。
单击确定。
得到的结果如下：纯度的估计回归系数项系数系数标准误 T P常量 97.7804 0.10502 931.066 0.000压力 -1.8911 0.09114 -20.750 0.000温度 -0.6053 0.09092 -6.657 0.001压力*压力 -2.5822 0.15339 -16.835 0.000温度*温度 -0.4615 0.15314 -3.014 0.030压力*温度 0.0351 0.18253 0.192 0.855S = 0.181900 PRESS = 0.693667R-Sq = 99.35% R-Sq（预测） = 97.27% R-Sq（调整） = 98.70% 对于纯度的方差分析来源自由度 Seq SS Adj SS Adj MS F P回归 5 25.2310 25.2310 5.04620 152.51 0.000线性 2 15.7127 15.7127 7.85635 237.44 0.000平方 2 9.5171 9.5171 4.75853 143.82 0.000交互作用 1 0.0012 0.0012 0.00123 0.04 0.855残差误差 5 0.1654 0.1654 0.03309失拟 3 0.0662 0.0662 0.02208 0.45 0.747纯误差 2 0.0992 0.0992 0.04960合计 10 25.3964结果解释：（1）看方差分析表中的总效果。
在本例中，回归项的P值为0.000，表明应该拒绝原假设，认为本模型总的来说是有效的。
看方差分析表中的失拟现象，本例中，失拟项对应的P值为0.747，明显大于显著性水平0.05，接受原假设，认为本模型中不存在失拟现象。
（2）看拟合的总效果。
本例中，R-Sq与R-Sq（调整）比较接近，认为模型的拟合效果比较好；R-Sq（预测）比较接近于R-Sq值且这个值比较大，说明将来用这个模型进行预测的效果比较可信。
（3）各效应的显著性。
从表中可以看到，压力、温度以及它们的平方项对应的概率值都小于显著性水平，说明这些效应都是显著的；而压力和温度的交互效应项对应的概率值为0.855，显然大于显著性水平，认为该效应项是不显著的。
第二步：进行残差诊断利用自动输出的残差图来进行残差诊断。
从上述残差图中可以看出，残差的状况是正常的。
第三步：判断模型是否需要改进。
根据第一步的分析，我们得知压力和温度的交互作用项是不显著的，应该予以剔除，因此需要重新拟合新的模型，使得新的模型中不包含交互作用项。
得到的结果为：纯度的估计回归系数项系数系数标准误 T P常量 97.7804 0.09622 1016.177 0.000压力 -1.8911 0.08350 -22.647 0.000温度 -0.6053 0.08331 -7.265 0.000压力*压力 -2.5822 0.14054 -18.373 0.000温度*温度 -0.4615 0.14031 -3.289 0.017S = 0.166665 PRESS = 0.546550R-Sq = 99.34% R-Sq（预测） = 97.85% R-Sq（调整） = 98.91%对于纯度的方差分析来源自由度 Seq SS Adj SS Adj MS F P回归 4 25.2298 25.2298 6.30744 227.07 0.000线性 2 15.7127 15.7127 7.85635 282.83 0.000平方 2 9.5171 9.5171 4.75853 171.31 0.000残差误差 6 0.1667 0.1667 0.02778失拟 4 0.0675 0.0675 0.01687 0.34 0.836纯误差 2 0.0992 0.0992 0.04960合计 10 25.3964纯度的估计回归系数，使用未编码单位的数据项系数常量 -59.9731压力 5.36834温度 0.134611压力*压力 -0.0512244温度*温度 -2.56700E-04结果解释：（1）先看方差分析表中的总效果。
