DOE（Design of Experiment）试验设计，一种安排实验和分析实验数据的数理统计方法；试验设计主要对试验进行合理安排，以较小的试验规模(试验次数)、较短的试验周期和较低的试验成本，获得理想的试验结果以及得出科学的结论。

试验设计是一种确定影响过程的因子和过程输出之间关系的动态方法。换句话说，试验设计常被用来寻找因果关系。为优化输出而对过程输入进行管理时，这些信息是必要的。

DOE源于20世纪20年代育种科学家Dr. Fisher的研究, Dr. Fisher是大家一致公认的此方法策略的创始者，后来试验设计在工业界得以普及、发扬光大。

试验设计是一种确定影响过程的因子和过程输出之间关系的动态方法。换句话说，试验设计常被用来寻找因果关系。为优化输出而对过程输入进行管理时，这些信息是必要的。

试验设计的理解首先需要一些统计工具知识和试验的概念。虽然可以使用很多软件程序来分析试验设计，但是对于试验者来说，理解基本的试验设计概念对于试验设计的正确应用是很重要的。

一、试验设计三个基本原理

实验设计的3个基本原理为重复、随机化以及区组化。

所谓重复，意思是基本试验的重复进行。重复有两条重要的性质。第一，允许试验者得到试验误差的一个估计量。这个误差的估计量成为确定数据的观察差是否是统计上的试验差的基本度量单位。第二，如果样本均值用作为试验中一个因素的效应的估计量，则重复允许试验者求得这一效应的更为精确的估计量。如s2是数据的方差，而有n次重复，则样本均值的方差是。这一点的实际含义是，如果n=1，如果2个处理的y1 = 145，和y2 = 147，这时我们可能不能作出2个处理之间有没有差异的推断，也就是说，观察差147-145=2可能是试验误差的结果。但如果n合理的大，试验误差足够小，则当我们观察得y1随机化是实验设计使用统计方法的基石。

所谓随机化，是指试验材料的分配和试验的各个试验进行的次序，都是随机地确定的。统计方法要求观察值（或误差）是独立分布的随机变量。随机化通常能使这一假定有效。把试验进行适当的随机化亦有助于“均匀”可能出现的外来因素的效应。

区组化是用来提高试验的精确度的一种方法。一个区组就是试验材料的一个部分，相比于试验材料全体它们本身的性质应该更为类似。区组化牵涉到在每个区组内部对感兴趣的试验条件进行比较。

二、试验设计七步骤

第一步 确定目标

我们通过控制图、故障模式分析、失效分析、因果分析、能力分析等工具的运用，或者是直接实际工作的反映，会得出一些关键的问题点。

对于运用试验设计解决的问题，我们首先要定义好试验的目的，也就是解决一个什么样的问题，问题给我们带来了什么样的危害，是否有足够的理由支持试验设计方法的运作。

对于生产型企业，试验设计的进行可能会打乱原有的生产稳定次序，所以确定试验目的和试验必要性是首要的任务。

我们还必须定义试验的指标和接受的规格，这样我们的试验才有方向和检验试验成功的度量指标。

指标和规格是试验目的的延伸和具体化，也就是对问题解决的着眼点，指标的达成就能够意味着问题的解决。

第二步 剖析流程

关注流程，是我们应该具备的习惯，就像我们的很多企业做水平对比一样，经常会有一个误区，就是只将关注点放在利益点上，而忽略了对流程特色的对比，试验设计的展开同样必须建立在流程的深层剖析基础之上。

任何一个问题的产生，都有它的原因，事物的好坏、参数的适宜、特性的欠缺等等都有这个特点，而诸多原因一般就存在于产生问题的流程当中。

过短的流程可能会抛弃掉显著的原因，过长的流程必将导致资源的浪费。

我们有很多的方式来展开流程，但有一点必须做到，那就是尽可能详尽的列出可能地因素，详尽的因素来自于对每个步骤的详细分解，确认其输入和输出。

对于流程的剖析和认识，就是改善人员了解问题的开始，因为并不是每个人都能掌握好我们关注的问题。这一步的输出，使我们的改善人员能够了解问题的可能因素在哪里，虽然不能确定哪个是重要的，但我们至少确定一个总的方向。

第三步 筛选因素

流程的充分分析，使我们有了非常宝贵的资料，那就是可能影响我们关注指标的因素，但是到底哪个是重要的呢？

对一些根本就不影响或微小影响因素的全面试验分析，其实就是一种浪费，而且还可能导致试验的误差。

我们的目的是确认哪个因素的影响是显著的，我们可以使用一些低解析度的水平试验或者专门的筛选试验来完成这个任务，这时的试验成本也将最小处理。

我们可以应用一些历史数据，或者完全可靠的经验理论分析，来减少我们的试验因子。

要注意的是，只要对这些数据或分析有很小的怀疑，为了试验结果的可靠，你可以放弃。

筛选因素的结果，使得我们掌握了影响指标的主要因素，这一步尤为关键，往往我们在现实中是通过完全的经验分析得出，甚至抱着可能是的态度。

第四步 快速接近

通过筛选试验找到了关键的因素，同时筛选试验还包含一些很重要的信息，那就是主要因素对指标的影响趋势，这是我们必须充分利用的信息，它可以帮助我们快速的找到试验目的的可能区域，虽然不是很确定，但我们缩小了包围圈。

我们一般使用试验设计中的快速上升（下降）方法，它是根据筛选试验所揭示的主要因素的影响趋势来确定一些水平，进行试验，试验的目的就像我们在寻找罪犯一样的缩小嫌疑范围。

得出的一个结论就是，我们的改善最优点就在因素的最终反映的水平范围内，我们离成功更近了一步。

第五步 析因试验

我们确定了主要因素的大致取值水平，这时我们就可以进一步的度量因素的主效应、交互作用以及高阶效应。

试验是在快速接近的水平区间内选取的，所以对于最终的优化有显著的成效，析因试验主要选择各因素构造的几何体的顶点以及中心点来完成。

这样的试验构造，可以帮助我们确定对于指标的影响，是否存在高阶效应或者哪些高阶效应。

最终是通过方差分析来检定这些效应是否显著，同时对以往的筛选、快速接近试验也是一个验证，但我们不宜就在这样的试验基础上就来描述指标与诸主效应的详细关系，因为对于3个水平点的选取，试验功效会有不足的可能性。

第六步 回归试验

考虑到功效问题，我们需要进一步的安排一些试验来最终确定因素的最佳影响水平，这时的试验只是一个对析因试验的试验点的补充，也就是还可以利用析因试验的试验数据，只是为了最终能够优化我们的指标，或者说有效全面的构建因素与水平的相应曲面和等高线。

试验点一般根据回归试验的旋转性来选取，而且它的水平应该根据功效、因子数、中心点数等方面的合理设置，以确保回归模型的可靠性和有效性。

我们可以就分析和建立起因素和指标间的回归模型，而且可以通过优化的手段来确定最终的因子水平设定。

为了保险起见，我们最后在得到最佳参数水平组合后进行一些验证试验来检查我们的结果。

第七步 稳健设计

现实中还存在一类这样的因素，它对指标影响同样的显著，但是它很难通过人为的控制来确保其影响最优，这类因素我们一般称为噪声因素，它的存在往往会使我们的试验成果功亏一篑，所以对待它的方法，除了尽量的控制之外可以选用稳健设计的方法，目的是这些因素的影响降低至最小，从而保证指标的高优性能。

例如我们的汽车行驶的路面，不可能保证都是在高级公路上，那么对于一些差的路面，我们怎样来设计出高性能呢？这时我们会选择出一些抗干扰的因素来缓解干扰因素的影响。

稳健设计通常我们会经常使用在设计和研发阶段，但有时也会随着问题的产生而暴露出来，但我们会提出一个问题了：重新选定主要因素的水平会不会带来指标的震荡和劣化。

我们可以通过EVOP等途径来重新设定以保证因素更改后的输出效果。

试验设计在工业生产和工业设计中能发挥重要的作用，提高产量，减少质量波动，提高产品质量改进水准、大大缩短新产品试验周期、降低成本等。

试验设计的方法很多，根据具体的问题模型和目的我们可以选择适当的设计方法，如混合设计、曲面设计、裂区设计、田口设计、均匀设计等等。

试验设计摒弃了以往单个因子逐步调整的做法，避免了忽视交互作用等方面的问题，从而更加系统有效的解决我们所关注的指标。我们可以在很多的行业中采用渐进的方法来采用试验设计方案，而不期望于一步到位。