什么是实验设计（DOE）
🎓
简单来说，它就像一套聪明的“排列组合”实验方法。比如你想优化手机外壳的注塑工艺，有温度、压力、时间三个参数。如果每个参数试3种水平，全试一遍要27次，太费时了。DOE就是教你用最少的实验次数，比如9次，就能科学地找出哪个参数最重要，以及最佳组合。你可以在模拟器里选择“试验类型”，从最简单的2因子2水平开始感受一下。
🙋
诶，真的吗？那旁边的“田口L9正交表”又是什么？和全因子试验有啥不同？
🎓
问得好！全因子试验（比如2³）能看清所有细节，但实验次数随因子数指数增长。田口L9是一种“部分因子”正交表，特别擅长处理多因子（比如4个）多水平（3个水平）的情况。它只用9次实验，就能均衡地评估4个因子的影响，效率极高。你试着在模拟器里切换到“田口L9”，然后输入一些响应值Y，它会自动帮你算出每个因子的“主效应”，非常直观。
🙋
我看到结果里还有“信噪比”，这又是什么？为什么它比只看平均值更好？
🎓
这就是田口方法的精髓了！信噪比（S/N）同时考虑结果的“平均值”和“波动”。比如，A工艺做出的零件平均尺寸很准，但波动大，时好时坏；B工艺平均尺寸稍偏，但非常稳定。信噪比高的B工艺在实际生产中更可靠。在模拟器里，你可以根据你的目标（比如“望小特性”希望缺陷越小越好）选择信噪比类型，系统会自动计算并告诉你哪个因子水平组合能获得最稳健的性能。
物理模型与关键公式
主效应衡量单个因子（如TemperatureA）从低水平变到高水平时，响应Y的平均变化量。
$$\text{Effect}_A = \bar{Y}_{A+}- \bar{Y}_{A-}$$
$\bar{Y}_{A+}$ 是因子A为高水平时所有实验Y的平均值，$\bar{Y}_{A-}$ 是低水平时的平均值。Effect_A值越大（正或负），说明该因子影响力越强。
交互作用衡量两个因子（如TemperatureA和压力B）是否“合作”影响结果。公式计算了A效应在B不同水平下的差异。
$$\text{Effect}_{AB}= \frac{1}{2}\left[(\bar{Y}_{A+B+}- \bar{Y}_{A+B-}) - (\bar{Y}_{A-B+}- \bar{Y}_{A-B-})\right]$$
如果Effect_{AB}接近0，说明A和B独立起作用；如果值很大，说明它们之间存在协同或拮抗作用，必须一起考虑。
现实世界中的应用
注塑成型工艺优化：工程师使用DOE确定模具温度、注射速度、保压压力等关键参数的最佳组合，以最小化产品翘曲变形（望小特性）并缩短生产周期，同时利用田口方法确保工艺对原材料批次波动不敏感。
焊接参数设计：在汽车车身焊接中，通过L9正交表安排电流、电压、焊接速度等因子实验，以焊缝强度（望大特性）和外观一致性为目标进行优化，大幅减少试焊次数和成本。
材料配方开发：研发新型复合材料时，对填料比例、混合时间、固化温度等进行DOE分析，快速锁定能最大化材料韧性（信噪比望大）的配方窗口，加速产品上市。
产品鲁棒设计：采用田口方法进行“参数设计”，例如设计一个电路，使其输出性能在元器件公差、环境温度变化等“噪声”因子影响下依然稳定可靠，直接从设计端提升产品质量。
常见误解与注意事项
初次使用实验设计（DOE）的工程师常会陷入几个误区。首先是因子水平设置范围过窄。例如，若将烧结温度因子设为“500℃和510℃”，效应可能会被测量误差掩盖而无法检出。诀窍在于大胆设置如“450℃和550℃”的宽范围，确保在能产生明显差异的区间内制定计划。其次是忽略交互作用的设计。若是两因子全因子实验可自动评估交互作用，但使用L9等正交表时需特别注意：L9虽擅长分析主效应，但部分交互作用信息会与某些因子发生“混杂”。因此，若根据工程经验预判“这两个因子可能存在交互作用”，应在选择实验方案阶段就予以考虑。
第三是盲目迷信方差分析（ANOVA）的F值或p值。即使数值上呈现“显著性”，其效应大小在实际工程中是否具有意义仍需另行判断。例如，挤出速度提升10m/min使强度增加0.1%的效应即使“统计显著”，若综合考虑成本与生产效率，该效应有时也可忽略。务必通过效应图直观确认变化幅度，并区分统计显著性与工程显著性进行判断。