下载文档原格式
正交试验设计法简介一、本文概述正交试验设计法是一种高效、系统的试验设计方法，广泛应用于科学研究、工程实践以及日常生产中的优化问题。
本文将对正交试验设计法的基本概念、原理、应用及其优势进行详细介绍，旨在帮助读者更好地理解和应用这一实用的试验设计方法。
正交试验设计法基于数理统计和正交表的理论，通过合理安排试验因素与水平，以较少的试验次数获得丰富的试验信息。
该方法的核心在于利用正交表的正交性，使得各试验因素之间互不干扰，从而能够准确地评估各因素对试验结果的影响程度。
本文将从正交试验设计法的基本原理出发，阐述其在实际应用中的操作步骤和方法。
通过具体案例的分析，展示正交试验设计法在解决实际问题中的优势和应用价值。
本文还将对正交试验设计法的局限性和改进方向进行探讨，以期为读者提供更为全面、深入的了解。
二、正交试验设计法的基本原理正交试验设计法是一种以数理统计和正交性原理为基础的高效试验设计方法。
其基本原理在于，通过选择一组具有代表性的试验点，即正交表中的行，来全面、均衡地考察多个因素在不同水平下的试验效果。
这种方法能够在保证试验全面性的大大减少试验次数，提高试验效率。
正交试验设计法主要基于两个核心原理：正交性原理和代表性原理。
正交性原理指的是在试验设计中，各因素之间应相互独立，互不影响，从而确保试验结果的准确性和可靠性。
代表性原理则是指在选择试验点时，应确保每个试验点都能代表一定的因素水平组合，以便全面考察各因素对试验结果的影响。
正交表是正交试验设计法的核心工具，它是一种具有特定结构的表格，用于安排试验因素和水平。
正交表具有均衡分散和整齐可比的特点，能够确保每个试验点都具有一定的代表性，并且各因素之间保持正交性。
通过正交表，可以方便地安排试验，并对试验结果进行分析和比较。
正交试验设计法的应用范围广泛，适用于多因素、多水平的试验场景。
它不仅可以用于新产品的开发和优化，还可以用于工艺改进、质量控制等领域。
通过正交试验设计法，可以更加高效地找出最优的参数组合，提高产品的性能和质量，降低生产成本，为企业带来更大的经济效益。
回归正交试验设计一、概述（1）回归分析与正交试验设计的主要优缺点回归分析的主要优点是可以由试验数据求出经验公式，用于描述自变量与因变量之间的函数关系。
它的主要缺点是毫不关心试验数据如何取得，这样，不仅盲目地增加了试验次数，而且试验数据还往往不能提供充分的信息。
因此，有些工作者将经典的回归分析方法描述成：“这是撒大网，捉小鱼，有时还捉不到鱼”。
所以说，回归分析只是被动地处理试验数据，并且回归系数之间存在相关关系，若从回归方程中剔除某个不显著因素时，需重新计算回归系数，耗费大量的时间。
正交试验设计的主要优点是科学地安排试验过程，用最少的试验次数获得最全面的试验信息，并对试验结果进行科学分析（如方差分析），从而得到最佳试验条件，但是它的主要缺点是试验结果无法用一个经验公式来表达，从而不便于考察试验条件改变后，试验指标将作如何变化。
（2）回归正交试验设计回归正交试验设计，实际上就是将线性回归分析与正交试验设计两者有机地结合起来而发展出的一种试验设计方法，它利用正交试验设计法的“正交性”特点，有计划、有目的、科学合理地在正交表上安排试验，并将试验结果用一个明确的函数表达式即回归方程来表示，从而达到既减少试验次数、又能迅速地建立经验公式的目的。
根据回归模型的次数，回归正交试验设计又分为一次回归试验设计和二次回归试验设计。
二、一次回归正交试验设计（一）一次回归正交试验设计的概念一次回归设计研究的是一个因素z （或多个因素z 1，z 2，……）与试验指标y 之间的线性关系。
当只研究一个因素时，其线性回归模型：y ＝β0＋β1z ＋e (1)其回归方程为：z y ∧∧∧+=10ββ (2)式中∧0β、∧1β称为回归系数，e 是随机误差，是一组相互独立、且服从正态分布Ｎ（０，σ２）的随机变量。
可以证明，∧0β、∧1β和∧y 是β０、β１和y 的无偏估计，即Ｅ（∧0β）＝β０，Ｅ（∧1β）＝β1，Ｅ（∧y ）＝y一次回归正交试验设计是通过编码公式x ＝f(z) −− 即变量变换，将式（２）变为：x b b y 10+=∧(3)且使试验方案具有正交性，即使得编码因素Ｘ的各水平之和为零：∑==mi ix1(4)式中m 是因素x 的水平数。
8回归正交试验设计本章要点：主要讲述了一次回归正交试验设计、二次回归正交试验设计的原理、基本方法和统计分析步骤，并针对不同类型的回归正交试验给出了相应的计算案例。
重点：回归正交试验设计的方法，统计过程中方程的建立以及显著性分析检验。
难点：二次回归组合设计正交性的实现及其统计分析。
8.1 回归正交试验设计简介产品质量通常受多因素的综合影响，试验效应既包括因素的主效应，也包括因素间的交互作用，因此，在产品研究中总希望安排足够多的研究因素以使试验效应有充分的试验论据。
但因素和水平的增加造成试验规模庞大，特别是对于多指标分析的试验往往由于分析困难而无法实施。
线性反应试验一般是研究一个因素多水平的试验设计，面体反应试验是研究两个因素多水平的的试验设计。
当试验因素超过3个的多水平试验时，由于采用组合处理，处理数目等于因素水平间的乘积，它随因素的增加呈几何级数增加。
例如，一个3因素4水平的试验，总共有43＝64个试验处理，而4因素5水平的试验就有54＝625个处理，由于处理数目太大，不仅增加了试验误差，而且由于受试材和条件的限制，这对产品研究来说是难以实施的。
正交试验设计方法在产品工艺改进、新产品的试制中得到了广泛的应用，它能够利用较少的处理安排较多的试验因素，获得较佳的试验结果。
但是正交设计不能在一定的试验范围内，根据数据样本，去确定变量间的相关关系及相应的回归方程。
如果试验传统的回归分析，又只能被动地去处理由试验所得到的数据，而对试验的设计安排几乎不提出任何要求。
这样不仅盲目地增加了试验次数，而且由数据所分析出的结果还往往不能提供充分的信息，造成在多因素试验的分析中，由于设计的缺陷而达不到预期的试验目的。
因而回归正交试验设计应运而生。
回归正交试验设计是将试验安排与数据的回归分析结合起来考虑。
在试验中，通过适当地安排试验点，使得在每个试验点上获得的数据含有最大的信息，并且各自变量(因素)向量间满足正交性以便于回归分析。
正交试验设计
正交试验设计（Orthogonal experimental design）是一种常用于科学实验设计的方法。
它是统计学中一种重要的试验设计方法，通过选择合适的正交表将试验因素进行组合，以达到最大程度地减少误差和提高效率的目的。
正交实验设计最常见的类型是正交数组设计（Orthogonal array design），通过正交表将试验因素的各个水平进行组合，以实
现均匀分布和互不干扰的目的。
这种设计方法可以帮助确定影响结果的主要因素，找出最优的处理条件，并提高试验的可信度和重复性。
正交试验设计的特点之一是可以通过相对较少的实验次数得出准确的结果。
它通过最小化不相关的因素，使试验结果更易于解释和分析，并避免重复实验浪费资源和时间。
正交试验设计还可以通过分析试验结果和误差分布，确定主要影响因素的重要性和交互作用的效应。
通过建立数学模型和进行回归分析，可以进一步优化试验结果，并提高产品的质量和效率。
正交试验设计广泛应用于工程、制造、化学、医药等领域。
它可以帮助确定最佳工艺参数、产品配方、药物剂量等，并优化生产过程、提高产品质量和效率。
它还可以用于新产品开发、工艺改进、质量控制等方面。
正交试验设计的成功关键一是正确选择试验因素和水平，确保
能够覆盖全部可能的条件。
另外，正确解读试验结果、分析影响因素的相对重要性和相互作用也是至关重要的。
总之，正交试验设计是一种有效的实验设计方法，可以在较短的时间内得出准确的结果，并提供优化产品和工艺的参考依据。
它具有广泛的应用前景，并在工程和科学研究中发挥着重要的作用。
第一节 一次回归正交设计一 正交设计和回归设计的特点1 正交设计的特点正交设计是一种很实用的试验设计方法，它利用较少的试验次数获得较好的试验结果；但是通过正交设计得到的优方案只是局限在确定的水平组合中，而不是一定试验范围内的最优方案。
2 回归设计回归分析是一种有效的数据处理方法，通过所确定的回归方程，可对试验结果进行预测和控制；但是，它只能对试验数据进行被动的分析和处理，不涉及对试验设计的要求。
如果把两者的优势统一起来，不仅有合理的试验设计和较少的试验次数，还能建立有效的数学模型，这就是回归正交设计方法。
二 一次回归正交设计基本方法一次回归正交设计就是利用回归正交设计原理，建立试验指标y 与m 个因素x 1、x 2、…、x m 之间的一次回归方程：)(ˆ1k j x x b x b a yjk j k kj mj j j ≠++=∑∑<=（k=1，2，…，m ） 如果不考虑交互作用，则一次回归方程为m m x b x b x b a y++++=...ˆ2211 一次回归正交设计的基本步骤如下：1 确定因素的变化范围根据指标y ，确定需要考察的m 个因素x j （j=1，2，…，m ），并确定每个因素的取值范围。
设：x j 的变化范围为[x j 1，x j 2]，分别称x j 1和x j 2为因素x j 的下水平和上水平，并将其算术平均值称为零水平，即2210j j j x x x +=上水平与零水平之差或零水平与下水平之差称为x j 的变化间距j ∆，即2121002j j j j j j j x x x x x x -=-=-=∆例如，某试验中温度的变化范围为30-90℃，则其上水平为x j 2=90℃，x j 1=30℃，零水平x j 0=60℃，变化间距△j =30℃。
2 因素水平的编码编码（coding ）就是将x j 的各水平进行线性变换，即jj j j x x z ∆-=式中，z j ——x j 的编码。
一次回归正交设计某产品的产量与时间、温度、压力和溶液浓度有关。
实际生产中，时间控制在30~40min，温度控制在50~600C，压力控制在2*105~6*105Pa，溶液浓度控制在20%~40%，考察Z1~Z2的一级交互作用。
因素编码Z j(x j) Z1/min Z2/o C Z3/*105Pa Z4/%下水平Z1j（-1）30 50 2 20上水平Z2j（+1）40 60 6 40零水平Z0j（0）35 55 4 30变化间距 5 5 2 10编码公式X1=（Z1-35）/5 X2=(Z2-55）/5X3=(Z3-4)/2 X4=(Z4-30)/1选择L8（27)正交表因素x1,x1,x3,x4依次安排在第1、2、4、7列，交互项安排在第3列。
试验号X0 X1(Z1) X2(Z2) X3(Z3) X4(Z4) X1X2 Yi1 1 1 1 1 1 1 9.72 1 1 1 -1 -1 1 4.63 1 1 -1 1 -1 -1 10.04 1 1 -1 -1 1 -1 11.05 1 -1 1 1 -1 -1 9.06 1 -1 1 -1 1 -1 10.07 1 -1 -1 1 1 1 7.38 1 -1 -1 -1 -1 1 2.49 1 0 0 0 0 0 7.910 1 0 0 0 0 0 8.111 1 0 0 0 0 0 7.4 Bj=∑xjy 87.4 6.6 2.6 8.0 12.0 -16.0aj=∑xj2 11 8 8 8 8 8bj = Bj7.945 0.825 0.325 1.000 1.500 -2.00/aj393 5.445 0.845 8.000 18.000 32.000Qj =Bj2 /aj可建立如下的回归方程。
Y=7.945+0.825x1+0.325x2+x3+1.5x4-2x1x2显著性检验：1、回归系数检验回归关系的方差分析表变异来源SS平方和Df自由度MS均方F显著水平x1 5.4451 5.44576.250.01 x20.84510.84511.830.05 x38.00018.000112.040.01 x4 18.000118.000252.100.01 x1x2 32.000132.000448.180.01 回归64.29 5 12.858180.080.01 剩余0.357 5 0.0714失拟0.097 3 0.0323 0.25 <1 误差e 0.2620.13总和64.64710经F检验不显著的因素或交互作用直接从回归方程中剔掉，不必再重新进行回归分析。
JMP试验设计1.试验设计方法及其在国内的应用 (2)2.试验设计(DOE）就在你身边试验设计（DOE)就在你身边 (7)3.初识试验设计（DOE） (12)4.多因子试验设计(DOE)的魅力 (18)5.用DOE方法最优化质量因子配置 (25)6.顾此不失彼的DOE (32)7.试验设计（DOE)五部曲 (38)8.稳健参数设计的新方法 (44)9.JMP的试验设计优势——为什么用JMP做试验设计 (49)试验设计方法及其在国内的应用随着改革开放的深入，以市场经济为代表的西方先进文明及其方法论越来越多被国内企业界所接纳。
在质量管理、产品（医药，化工产品，食品，高科技产品,国防等）研发、流程改进等领域,统计方法越来越多成为企业运营的标准配置。
试验设计作为质量管理领域相对复杂、高级的统计方法应用，也开始在国内被逐渐接受,推广。
其实试验设计对于我国学术界来说并不陌生。
比如均匀设计，均匀设计是中国统计学家方开泰教授(下图左)和中科院院士王元首创,是处理多因素多水平试验设计的卓有成效的试验技术,可用较少的试验次数,完成复杂的科研课题开发和研究。
国内一些大学的数学系和统计系近年来已经逐渐开始开设专门的试验设计课程，比如清华大学，电子科技大学、复旦大学等高校。
国内一些行业领先的企业，比如中石化,华为科技，中石油，宝钢等企业，也开始在质量管理和产品研发、工艺改进等领域采用DOE方法。
尽管DOE越来越多的被国内产、学、研领域所接受，但是我们还是看到，国内对于DOE的研究和推广仍旧停留在比较浅的层次。
以上述企业为例，中石化下属的石化科学研究院和上海石化研究院应该是我国石油化工研究领域的王牌单位了，不过不管是北京的石科院,还是上海石化研究院,在油品研发、工艺改进、质量管理等领域,对于DOE的使用还仅仅停留在部分因子和正交设计层面。
笔者在网络上查询到电子科技大学的DOE课程目录如下：教材目录:第一章正交试验基本方法第二章正交试验结果的统计分析——方差分析法第三章多指标问题及正交表在试验设计中的灵活运用第四章Ltu（tq）型正交表的构造第五章2k和3k因子设计第六章优选法基础第七章回归分析法第八章正交多项式回归设计第九章均匀设计法第十章单纯形优化法第十一章鲍威尔优化法及应用第十二章三次设计第十三章稳定性设计目前业界常用的高端试验设计方法比如定制设计,筛选设计，空间填充设计等高级试验设计方法（Advanced DOE)，无论在国内的统计教学、科研还是在产业界的应用，都还比较少见，但已有逐步扩大趋势.西方企业对于DOE的应用早已大规模开始,比如美国航天、航空设计的顶尖单位，乔治亚宇航设计中心，在开发导弹、战斗机等美国绝密武器系统的时候，无一例外的使用了定制设计（Customer Design）。
