【正文】 置法上把因子的效果做成彼此獨立而使用? 隨機化v為了防止非試驗的因子的外部要因引起的效果時使用? 試驗順序隨機化? 試驗 Unit隨機化? 測定順序隨機化132 試驗計劃的樹立? 再現(xiàn)性 v完全再設置度驗裝置，在同樣水平上追加得到值的時候? 在做測定時可減少散布? 對對試的結果增加信賴感? 反復性v反復各試驗 Run 得到 Sample不如再現(xiàn)性，但能測定變動? 管理：v選定的條件，必須能得到管理133 試驗計劃的樹立? 潛在變量v不太明確，控制也困難，測定也不可能，但影響反應值的值。? Noise變量v已知道影響反應值，但控制困難的變量，為了減少這個變量選定預想的 Noise變量，在所有水平上實施試驗134 試驗計劃的樹立? BlockingvBlock是同質性的集團，如果判斷為一些要因成為問題時，把那個要因選定為 Blocking因子? Blocking因子來選定的話，不增加試驗烽，可要因分析? Blocking不選定為 Blocking因子的話，試驗結果出現(xiàn)問題，不能分析原因? 樣本的大小v考慮測定值的變化程度等，決定樣本數(shù)，質。v 試驗和實施數(shù)據(jù)收集? 試驗之前準備數(shù)據(jù)表格，可能的話，把相關的所有內容全部記錄。v實驗期間可以知道條件的範圍是否恰當136 試驗計劃的樹立? 測定後的樣本，因有的時候需要再調整測定樣本，最好要保管。? 能夠知道怎樣實施試驗，對提高試驗技術有用。? 認為紡紗生產工序上反應溫度影響紡紗產品的強度，因此為了了解按 反應度 的變化，強度怎樣變化，并且在怎樣的溫度水平下給最高的強度而做反應溫度為因子來取水平 (A1:60℃ ， A2:65℃ ， A3:70℃ ， A4:75℃ ），在 各度下 3回，把全體 12回試驗按隨機順序來實施。145 一元配置法? 按反應溫度 (A)變化的強度 (單位： Kg/mm2)的試驗數(shù)據(jù)因子水平A1 A2 A3 A4試驗的反復 146 二元配置法v 選定配置法? 選定 2個因子後做試驗的試驗計劃? 某化工廠認為影響產品的收率 (Yield， %)是反應溫度和原料。v因子的水平數(shù)? 反應溫度 (A)： A1(180 ℃) ， A2(190 ℃) ， A3(200 ℃) ， A3(200 ℃) ? 原料 (B)： B1（美國 M社原料）， B2（日本 Q社原料）， B3（國內 P）147 二元配置法v試驗數(shù)據(jù)如下因子 A因子 BA1 A2 A3 A4B1 B2 B3 148 二元配置法? 對收率溫度是 A3=200℃ ，原料是在 B1上最佳水平? 雖然現(xiàn)在選定的水平是最佳的，但考慮過程條件，費用方面也可選擇不同水平的最佳條件。v 要因試驗的形態(tài)? 2n：因子是 n個，因子的水平數(shù)是 2試驗? 3n：因子是 n個，因子的水平數(shù)是 3試驗150 要因配置法 (Factorial Design)v 要因試驗的優(yōu)點? 所有因子間的水平調合下實施試驗? 可推定所有因子的效果和交互作用v 22試驗? 兩種橡膠 (A0， A1)混合使用 Mold(B0， B1)製作輪胎時得到的輪胎 (balance)各測定 4次的數(shù)據(jù)151 要因配置法 (Factorial Design)? 試驗數(shù)據(jù)A0 A1 合計B0 31 165 821108872352 517454643B1 22 84 30373829134 218211823合計 249 486 735152 要因配置法 (Factorial Design)? 橡膠配合 (mix)1水平， mold1水平上得到大的效果? mold比橡膠配合 (mix)更多的影響反應值vMain effects plot里因子的偏移越大，其因子更多影響品質特性值153 要因配置法 (Factorial Design)v 什麼是交互作用? 表示 2個因子的水平組合上，發(fā)生不期待的效果。XY沒有交互作用（平行的狀態(tài)）XY有一點交互作用XY有很大的交互作用154 要因配置法 (Factorial Design)? Cube plot155 要因配置法 (Factorial Design)? 具有最佳均勻的條件是橡膠配合 (mix)1水平，mold1水平? 判斷為有一點點交互作用? mold比橡膠配合更大的影響反應值156 要因配置法 (Factorial Design)v 23試驗? 考慮一下工序中能清洗部品的機器，這機器的性能是清洗完畢的部品上流下來的水通過 Filter（過濾器）過濾後， Filet的殘留物越少說明機器性能越優(yōu)秀，試驗按各要素的 2水平來實施。158 要因配置法 (Factorial Design)? 試驗配置RUN Temp Time Conc. Yield1 1 1 1 652 1 1 1 433 1 1 1 4 1 1 1 435 1 1 1 6 1 1 1 447 1 1 1 518 1 1 1 43159 要因配置法 (Factorial Design)? 把 Yield和 temp/time/conc因子的效果 plot Graph? 首先繪製各要素的 Low Level(1)[低水平 (1)]的反應值（殘留物的量），然後繪製 High Level(1)[高水平 (+1)]。反過來，濃度因子幾乎沒有特別的影響反應值? 哪些要素最重要? 哪些要素可以說沒有影響160 要因配置法 (Factorial Design)? Temp*Time：水、溫度的影響隨時間的變化，低溫度和短時間清洗，流下的殘留物最多? Temp*Conc：在高的溫度下，和清洗液的濃度無關，殘留物少無交互作用? Time*Conc：長時間清洗下，殘留物更少；時間的效果比低清洗濃度更顯著161 要因配置法 (Factorial Design)v Cube plot（繪制立體圖）4651606544434443temp11 1timeconc11162 要因配置法 (Factorial Design)? temp(1：熱水 )， time(1：長 )， conc(1：低 )時或 temp(1：熱水 )， time(1：短 )， conc(1：低)，殘留物最少? 提高溫度，費用多并且找出最佳條件不重要的話，也可以在不同水平上選擇最佳點。（線體速度和清洗液濃度在高溫度下沒有差異）163 部分配置法 (Fractional factorial design)v 什麼是部分配置法 (Fractional factorial design)? 在實施試驗時因子的數(shù)增加，試驗的次數(shù)增加，試驗的次數(shù)以幾何規(guī)律增加? 試驗次數(shù)的增加v現(xiàn)實是時間方面或成本費用方面發(fā)生困難v產生不可預想的潛在變量，試驗的程度變壞164 部分配置法 (Fractional factorial design? 一般主效果交互作用沒有必要必須在因子的所有調合下試驗，不用求不必要的交互作用或高次的交互作用；而為了縮小試驗數(shù)的大小，只取因子的調合中的一部分進行試驗（ 2n3n型部分配置法）? 因此，通常完全配置法不如使用試驗次數(shù)少的部分配置法。v 部分配置法 (Fractional factorial design)的優(yōu)點? 以少的試驗次數(shù)得到好的試驗結果和提高檢出力? 試驗因子多，但做的試驗次數(shù)少166 部分配置法 (Fractional factorial design)v 25試驗? 從 32個中選擇 16個方法是重要的vX1X2X3X4X5=1 工vX1X2X3X4X5=+1 選擇? 這樣乘全體因子選擇的話，始終不會丟失直交性v試驗因子彼此間獨立，對試驗結果的再現(xiàn)性高v始終從高次的交互作用開始交叉167 部分配置法 (Fractional factorial design)v如果任意的選擇的配合，會破壞直交性，因子間不能完全獨立而成為從屬的，繼而導出錯誤的試驗結果v選定 X1X2X3X4X5=+1 的 16種配合? 這是具有高次的交互作用交叉的效果v實施部分配置法時的試驗配合分布形態(tài)168 部分配置法 (Fractional factorial design)v 25試驗? 進行 16個部分配置法中各立方形v底面 2個和上面 2個v左側 2個和右側 2個v前面 2個和後面 2個169 部分配置法 (Fractional factorial design11+1X1+11+1X3X41 +1X21 +1X5170 部分配置法 (Fractional factorial design）主效果 Column 交互作用 ColumnRun X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3 反應值1 1 1 1 1 1 1 12 1 1 1 1 1 1 13 1 1 1 1 1 1 14 1 1 1 1 1 1 1?考慮有 4人組合的 231部分配置，在 23完全配置上，可以把相關因子全部相乘後再選定： “+or”的 4個組合，這時前 2個因子具有完全配置法同樣的形態(tài)。171 部分配置法 (Fractional factorial design? X1， X2， X3的主效果跟 2因子交互作用交叉在一起vX3 Column=X1 X2 ColumnvX1 Column=X2 X3 ColumnvX2 Column=X1 X3 Column11+1X1+11+1X2X3172 部分配置法 (Fractional factorial designv 25試驗? 在注塑物配合工序上，從調查的結果來看，到測定、分析階段為止選定了 5個暫定因子，選定的各個因子如下：v進入反應器的原材料的量 (liter/min)v添加的催化劑（ %）v轉速（ RPM）v反應器內溫度（ ℃ ）? 當中哪能些因素在什麼條件下能得出最佳值？173 部分配置法 (Fractional factorial designFactor 1 +1（ feed rate） 10 15（ catalyst） 1 2（ RPM） 100 120（ temperature） 140 180（ concentration） 3 6174 部分配置法 (Fractional factorial design? 反應值受催化劑和溫度的影響強烈，幾乎不受其它干擾影響。175 部分配置法 (Fractional factorial design? 出現(xiàn) catalyst*temperature和temperature*concentrate 的交互作用有意義? 判別剩下的因素間的交互作用幾乎沒有意義? 要銘記 2次的交互作用跟 3次的交互作用交叉在一起的事實，雖然 3次的交互作用有意義的情況幾乎沒有，但是還是要注意觀察。? 注入量和轉速的影響不多? 這里必須測驗產品是否按改善的最佳條件來生產的再現(xiàn)性178 回歸分析（ Regression）v 什麼是回歸分析（ Regression）？? 想要改善問題時，掌握相關變量之間的相互關聯(lián)性，這種情況有用的時候多。? y=a+bx+error 這里 a=截距 b=斜率179 回歸分析（ Regression）v 回歸方程式的分類? 單純回歸分析：獨立變量（說明變量），從屬變量（反應變量）各 1個的情況? 中回歸分析：獨立變量（說明變量） 2個以上的情況? 曲線回歸分析：獨立變量（說明變量） 1個，從屬變量（反應變量） 1個構成的情況（假定是 2次以上的高次函數(shù)）180 回歸分析（ Regression）v 為什麼要使用回歸方程式（ Regreesion )?? 為了發(fā)現(xiàn)暫定的 Vital Few（少數(shù)致命缺陷）? 為了判定 “Y”值并使其最佳化? 為了決定哪些 “X”因素值上 “Y”成為最佳化181 回歸分析（ Regression）? 用手動方法發(fā)現(xiàn)暫定的 Vital Few時v使用手動方法導出最終結論，但危險情況多，因此最好使用試驗計劃法。（最小平方法）? 如果所有數(shù)據(jù)在適當方程式上，誤差變化是 “0”，即最好的情況：但這種民政部幾乎不會發(fā)生。184 回歸分析（ Regression）v 怎樣做好數(shù)據(jù)收集？? 為了推定變動最小的偏移，使用因子 “X”的最低界限值到最高界限值為止的大範圍的數(shù)據(jù)。185 回歸分析（ Regression）v 運用 Minitab進行回歸分析? 為了預測 LOT大小的生產人力，利用隨機法來抽出資料來求回