DoE（实验设计）被用于DFSS中，作为DFSS的一个非常重要的工具，它在研发项目中扮演着非常重要的角色，对于研发效率的提升起着非常重要的作用。由于它被我们归为DFSS流程中的一部分，所以我们认为它属于研发体系金字塔中的第三个层级。

当企业的管理层决定要做某个项目的时候（对应的研发方法论为NPI或IPD等），研发团队运用DFSS方法克服研发项目中的技术难题，在大量研发项目中，通常都会涉及到如何做实验最有效、如何用最小的工作量找到最佳条件的问题。

DoE应用的时机

    当我们产生想法（我们推荐运用TRIZ理论产生想法）后需要将这些想法落地，或者我们经过了文献调研、专家评审后，确定了一些潜在的影响因子（因素）X，就不可避免地碰到优化的问题。事实证明，我们的很多想法并没有取得我们所期望的结果，究其原因，主要是因为这些因子并没有在最佳参数设置之下。

    为了寻找一套最佳的参数设置组合，在这个过程中，我们通常用大量的实验来验证我们的假设（想法），通过这些实验来找到规律，从而建立起来CTQ与因子之间的关系。由于通常在项目中影响CTQ的因子有很多，但通常对CTQ影响比较大的因子并不是很多，通常会面临着无法识别出来少数对CTQ影响大的因子，而且无法找到最佳参数设置。

DoE与传统实验方法的区别

    传统的实验设计方法通常采用单因子实验方法，即每次只改变一个因子（OFAT， One Factor At a Time），而保持其他因子不变，它在科研领域获得了非常广泛的应用，可以说目前绝大多数科学实验仍然采用这种原始方法，可以说这种方法与人类自古数千年以来所采用的实验方法并没有多大的区别。这种方法的效率非常低下，通常很难得到最佳结果，而且无法得到因子之间的交互效应，而交互效应在许多时候是非常重要的。

传统的单因子实验方法

    下图列出了常规的实验方法所采取的路径。假设我们希望找到位于A和B因子（x）组成的空间上位于M点的最大Y值，由于我们并不清楚Y在空间上的分布，所以先保持因子A不变，改变因子B，找到最大值后，再固定因子B，改变A因子，这样搜索出来的最大值就是我们所认为的最大值，而事实上，如上图所示，我们与真正的最大值失之交臂，并没有找到处于M点的最大值。

传统的实验方法

DoE的实验方法

DoE起源于20世纪20年代，它首先在农业领域取得了不错的效果，随后被扩展到各个领域。实验设计指的是通过合理地规划实验，规范地执行实验，得到可靠的数据后，建立起CTQ与因子之间的量化模型，然后在此基础上进行优化得到参数的最佳设置。

随着在研发中大量实验的进行，对DoE的需求也越来越多，相应地，最近几年来的DOE取得了突飞猛进的发展，由早期的简单朴素的正交设计，发展到部分析因设计，再发展到响应曲面设计，混料设计（也有人称为配方设计）现在已经出现了确定性筛选设计、定制设计、扩充设计等新型的实验设计方法。

DoE的方法与传统的实验方法并不相同，它尽量在空间上均匀地布置一些实验点，每一个点都有它存在的目的。我们就以在实际项目中比较常用的响应曲面的方法来说明一下DoE的工作原理。我们同样需要去找位于M点的最大值。

比较常用的DoE方法（以两因子响应曲面设计为例）

首先，我们在A和Ｂ两个因子构成的空间上布局一些实验点，这些实验点由４个位于角上的角点以表示，中心点（通常为３－５个）以表示，以及４个由圆心到面心连续上的轴点，以表示。

我们设计好这些实验后，然后开展实验。得到这些实验结果后，就可以建立起CTQ（Y）与两个因子A和B之间的关系，我们称之为传递函数Y=f(x1, x2)。然后，我们通过这个传递函数，求解得到最大值的位置M。也就是说，我们这里所得到的最大值，并不是通过一个实验一个实验地摸出来的，而是通过少量实验所得到的数学模型后，通过解方程得到的。

三因子响应曲面设计

总体来说，实验设计是通过以下步骤来工作的。

DoE的步骤

DoE的种类

根据目的的不同，我们可以把DoE分为以下几种类型：

当然，还有其他一些实验设计方法，例如近几年出现的定制设计等,,,,

DoE的目的

利用DoE的方法可以帮助我们实现哪些目的呢？

• 预测：基于DoE所得到的传递函数Y=f(x)，我们可以预测出因子组合（x1，x2，x3，x4…）取不同值的时候的Y值。并且基于传递函数，我们可以根据市场的变化及客户的需求，快速调整我们的因子，从而达到对市场变化快速响应的目标。

•  

• 优化：同样，基于DoE所得到的传递函数Y=f(x)，我们可以通过求解方程，得到满足客户要求的CTQ，所应该取的最佳因子值的设置。

•  

• 多目标优化。我们的研发项目，通常并不只研究一个Y（CTQ），它需要许多CTQ都要满足客户的要求，由于CTQ众多，很难做到所有的CTQ都达到最优，在这种前提下，折衷是不可避免的。基于多个传递函数，Y1=f(x1,x2.x3…); Y2=f(x1,x2.x3…); Y3= f(x1,x2.x3…)…. 我们可以对同时对多个CTQ同时优化，使各个CTQ都不一定是最优的，但综合起来的设置却是最优的。如我们最终可以得到最终一套实验因子设置，在此之下，成本并不是最低、效率并不是最高的、能耗也不是最低的….，但综合起来，这一套因子参数设置却是最佳的。通过这种方法也可以想办法将各种因素例如成本等在设计源头时给予充分的考虑，而不是生产的时候再考虑成本。

•  

• 设计区间（或公差设计）。有些人认为我们研发交付的是一套工艺参数，即这些因子的最佳设置，但我们认为研发团队交付的并不是一套最佳工艺参数，而是一套最佳工艺参数的窗口。基于传递函数Y=f(x1,x2.x3…)，我们可以找到符合客户要求的各个因子的窗口的范围，根据CTQ的上下规格限来设计我们的因子的公差范围，这样也就避免了在实验室中开发出来的毫无问题的一套工艺参数，带入到生产线后问题多项指标达不到要求，“实验室好好的，一到生产线上就出问题”的窘境。

•  

• 稳健设计。我们所交付的工艺参数，除了满足客户需求之外，还要考虑各个CTQ的一致性问题，即生产环节中的各个CTQ的波动要达到最小，基于传递函数Y=f(x1,x2.x3…)，我们就可以得到使CTQ波动最小的因子取值，将我们的最佳工艺参数设置在波动最小的区间。

•  

实验设计的步骤

一般说来，实验设计分为以下几个步骤：

1.    明确实验目的；

2.    识别出输出变量，即确定CTQ，保证测量数据的可靠性是执行DoE的前提；

3.    选择需要研究的因子，研发团队需要根据自己的专业知识确定出潜在的关键因子；

4.    确定DoE的类型，由于DoE的类型各不相同，根据不同的目的可以选择不同类型的DoE，如果因子数量非常多，推荐使用筛选设计，特别是确定性筛选设计；如果希望得到一个预测能力强的模型，而且因子的个数比较少，可以采用响应曲面设计或者包含曲面的定制设计；

5.    根据上一步所确定出来的DoE的类型，设计实验方案，即不同因子的设置组合；

6.    执行实验，收集实验数据；

7.    分析实验结果，通常运用回归分析的方法，得到CTQ(Y)与各个因子（X）之间的数学模型，这样就可以建立起CTQ与各个因子之间的精确的量化关系；

8.    验证和解释所得到的模型。通过随机选取因子的设置来验证我们所得到的模型是否可靠，确保我们得到了一个具有物理意义的模型，并解释我们从中所获得的机理层面的新发现；

9.    运用得到的模型进行优化，充分考虑各种限制条件得到最佳参数设置以及他们的公差；

10.  验证最佳参数设置。

DoE是“小”数据

作者认为DoE与目前所流行的大数据背道而驰，大数据依赖的是对海量数据的挖掘，得出其中的规律，这种大数据在研究社会、生产等领域能够起到非常重要的作用，因为在这些领域中，确实存在海量的数据，但这种方法在研发中却是行不通的，因为在研发中产生海量的数据，通常意味着做大量的实验，而大量的实验意味着更大规模的工作量，会导致研发效率低下的问题。而DoE却是“小”数据，通过对人为设计出来的少量数据进行分析，然后挖掘出来其中的规律。挖掘规律所需要的数据量越小，就意味着更少的实验个数，更少的实验个数就意味着更少的工作量，单位时间内更少的工作量意味着研发效率的显著提升，尽管实验个数减少了，但却能够获得到比常规实验方法相同的规律或者能常规的实验方法无法获得规律（比如因子之间的交互作用），所求解得到的结果也比常规“碰运气”方法得到的结果更好。而且更加容易实现多目标优化。

折衷不可避免

尽管，我们希望解决矛盾，有些理论如TRIZ、可拓学等的目的也是为了解决矛盾，但当我面临着不止一个二个或极少数CTQ（技术指标）的时候，解决矛盾变得非常困难。往往在一个产品研发时候，我们所面临的并不是几个CTQ那么简单的情形，而是要面临着数以百计、千计CTQ，折中、优化将不可避免。例如，在作者所经历的国家能源集团北京低碳清洁能源研究院液流电池这一中等规模的项目中，梳理出了200多个CTQ。一部手机、一部汽车、一座化工装置的复杂度要远超这个项目。我们的经历告诉我们，项目中更多的是折中，优化，在实际项目中能够彻底解决矛盾毕竟是少数。这也就不难理解，为什么手机的尺寸是不大也不小的一个最优的折衷，电脑的尺寸等等亦是如此了。配方优化类项目就更不用说了。

DoE与其他方法论的结合 

与其他研发方法论一样，DoE非常有效，但并不是解决什么问题都可以的。我们在运用DoE的时候，通常有许多问题被忽视，导致在推行DoE的时候最终导致了失败，通常见到的问题有：

• DoE的目的不明确。这个问题通常要用NPI/IPD、QFD及CTQ下展的方法来解决，目的就是保证我们DoE所研究的CTQ（Y）与客户的需求紧密相关，与企业的发展战略密不可分；

•  

• 因子不明确。主要原因是前期概念产生阶段没有找到所有的影响因子，因此我们建议运用TRIZ、FMEA来进行充分的论证，来进行弥补；当然，还可以运用DoE自身的扩充设计还进行弥补；

•  

• 测量数据不可靠。我们运用DoE的方法可以得到一个传递函数，然后利用这个传递函数进行优化、预测、稳健性设计（或称鲁棒设计）等，如果测量的数据（通常是Y）不可靠，那么基于这些不可靠的数据所得到的结论（传递函数）也是不可靠的，所谓GIGO（Garbage In Garbage Out，垃圾进去，垃圾出来），我们通常可以用MSA（测量系统分析）这一方法论来弥补这一缺陷；

•  

• 实验过程的风险没有充分评估。造成这一问题的原因是，我们只关注了控制因子(x)，而忽视了噪声因子，而这些噪声因子也会对实验结果造成影响，而这些影响会被叠加进控制因子中，让我们误以为这个影响是由于控制因子造成的，从而得到了错误的传递函数（Y=f(x)），导致我们下了错误的结论，基于这些错误的结论，不可能得到好的预测结果。对于这一问题，我们可以用FMEA来进行充分的评估，把这些噪声因子都识别出来后，加以控制，才能够正确地执行DoE。

•  

总结

综上所述，DoE是一个非常强大的工具，经过合理地规划实验，可以减少实验数量，用更少的工作量获得比用传统方法更多的成果，从而达到了事半功倍的效果，在研发中起着非常重要的作用。DoE通常被用来进行优化，但注意要与其他方法论，如TRIZ、FMEA等相结合，达到协同。

如果您也是关注研发方法的同道中人，欢迎您长按下方的二维码加入我们。

您会在研发中碰到哪些瓶颈呢？请您选择出来，让我们一起来克服！

作者简介：孙永伟，博士，TRIZ大师（五级），是全球华人第一位TRIZ大师，注册六西格玛设计(DFSS)黑带大师，全国六西格玛管理推进工作委员会专家委员，国家能源集团（原神华集团）北京低碳清洁能源研究所先进方法论部总监，现代TRIZ理论的畅销书《TRIZ 打开创新之门的金钥匙I》和《II》二本书的作者。曾任GE（通用电气）全球研发中心工程师、能源集团黑带、油气集团项目经理等职。曾获全球TRIZ领域的最高奖MATRIZ特别荣誉个人奖及中国质量技术领域的最高奖全国质量技术奖，目前已经获得授权的发明专利10余项，经由他认证的TRIZ专家超过1000多人。由于其成功的TRIZ和DFSS推行使低碳院先后获得了工业和信息化部的全国工业企业质量标杆及中国质量协会的全国六西格玛推进先进企业称号。他具有丰富的企业内部TRIZ和六西格玛推进经验和解决实际问题的能力，曾多次受邀到德国、波兰等欧洲国家及韩国、马来西亚、印度等亚洲各国介绍TRIZ的推进经验。

邮箱：ywsun@yeah.net或sunyongwei@irdmi.org。

RDMI（国际研发方法协会, The International Research and Development Methodologies Institute)旨在将把全球领先的企业在研发项目中起到关键作用的方法论进行研究、提炼、融合，并加以推广，以提升工程师的研发能力，从而提高企业的研发水平，助力企业开发出高质量的产品。RDMI关注的研发方法论对应于解决企业研发过程中遇到的不同层面的问题，从战略层面到执行层面，关注从各个方面提高企业的研发水平。RDMI关注的方法论包括但不限于NPI/IPD、DFSS（六西格玛设计）、TRIZ、FMEA、DoE等。

如果您也对研发方法论感兴趣，欢迎您长按下方二维码关注本公众账号。为了更加有效的交流，我们建立了研发方法群(QQ群号:1141059571）。