稳健参数设计（Robust ParameterDesign），通过选择可控因子的水平组合来减少一个系统或者过程对噪声变化的敏感性，从而达到减少此系统波动的目的。可控因子是指其值一旦选定就可以保持不变的变量，它包括产品或者生产过程设计中的设计参数。噪声因子是正常条件下难以控制的变量。
产品的性能指标除了受可控因子的影响，还会受到噪声因子的影响。一般的实验设计对误差的分析比较笼统，全都归为随机误差或者实验误差。在稳健参数设计中，为了能够达到产品或者过程的稳健性，需要对这些误差进行细致的分析。
在前面的实验设计中，我们用完全重复实验来估计实验误差的大小，实验的最终目的还是针对响应变量本身（比如望大或者望小，望目）。稳健参数设计则是把响应变量的变差作为研究对象，寻找并识别直接影响性能变差的变量。
那么响应变量的变差如何才能减小呢？很自然的一个想法是，通过减小噪声的变差来实现减小响应变量的变差，但是这通常要付出比较高的经济代价。稳健参数设计则是一种更好的策略选择。这种策略是通过探索可控因子与噪声因子之间的交互作用，从而用改变可控因子的水平组合的办法来减小响应变量的变差。因为可控变量通常易于改变，所以稳健参数设计比直接减小噪声变差更经济，更方便。
一般我们在系统设计选择确定了系统的构造之后，把选择参数的最佳设置以求减小响应变量变差的方法称为参数设计（Parameter Design）。在稳健参数设计领域，现在公认较好的实验设计与建模方法有两种不同类型：一是用乘积表进行位置-散度建模；另一种是用单一表进行响应建模。
乘积表进行的位置-散度建模
乘积表包括内表和外表两部分。内表（InterArray）是为了考察可控各因子的不同水平搭配的效果，是用来安排可控因子的，通常用全因子设计或者部分因子设计进行，也称为控制表（Control Array）。外表（Outer Array）是为了考察噪声因子的效应，要对内表中的每个实验条件安排一个噪声表（Noise Array）。这样做，相当于内表中的每个水平组合与噪声表中的所有组合相乘构成一个乘积表（直积表），也称为内外表（Inter-outer Array）。
如果内表和外表的实验次数分别为n1和n2，那么乘积表的总实验次数为n=n1*n2
位置-散度建模法（Location and Dispersion Modeling）
用于对乘积表实验的数据进行建模和分析。分别建立位置和散度的度量值关于可控因子的主效应和交互效应的模型。对每个控制水平的组合，用噪声重复实验的样本均值作为位置的度量，用样本方差的对数或者样本方差本身作为散度的度量。对这两种度量，分别找出对它们有显著影响的因子。
凡对位置度量有显著影响者，称为位置因子（Location Factor）
凡对散度度量有显著影响者，称为散度因子（Dispersion Factor）
是位置因子，但非散度因子者，称为调节因子（Adjustment Factor）
对于望目型问题，解决问题的两步程序是：
（1）选择散度因子的水平使得散度最小化；
（2）选择调节因子的水平使得位置达到目标值；
对于望大或者望小型问题，解决问题的两步程序是：
（1）选择位置因子的水平使位置达到最大（小）；
（2）选择非位置因子的散度因子的水平使得散度最小化；
对于位置-散度建模，虽然样本均值和样本方差是常见的选择，但是响应变量优化的目标可能是望大，望小或者望目三种形式，统一使用“信噪比”会好一些。这样对于三种形式的响应变量优化，都以首先归结为信噪比极大化，然后再根据不同的目标选择不同的因子予以调节。
信噪比（Signal to Noise Ratio，SN）
使用乘积表进行位置-散度建模的方法是目前最通用的做法，但是这个方法的缺点是（1）实验次数太多了；（2）该方法建立的各项效应分析都只考虑了可控因子本身，没有考虑噪声因子，特别是未能考虑两者之间的交互作用。
另外一种全新的设想是单一表进行的响应建模方法。这种方法可以将可控因子和噪声因子放在同一个实验设计中，大大减少了实验次数，这种设计方法也称为组合表设计（Combined Array Design），也称为单一表。在拟合模型时，直接将响应变量拟合为可控因子与噪声因子的函数，称为响应建模（Response Modeling）方法。这种方法的设计和分析涉及的统计学知识较多，因此不再详细描述。
稳健参数设计的设计
1. 制定可控因子水平表
也就是确定所研究问题的可控因子的列表以及所需要取的水平。如果需要考虑因子之间的交互效应，最好使用前面所述的完全析因或者部分析因设计，即对称正交表设计（Symmetrical Orthogonal Array），但是这时候水平数会受到限制。一般情况下，我们可能不特别强调交互效应，因此可以选择混合水平的非对称正交（Asymmetrical Orthogonal Array），这时各因子的水平数的选择有更多的考虑余地。
2. 制定控制表
也就是内表设计。如果不考虑交互效应，在较少的实验次数下考察相当多的因子，可以经济有效的进行内表设计，选用的设计类型可包括2水平的L4，L8，L16，L32等，3水平的L9，L27等。
在Minitab中选择“统计>DoE>田口>创建田口设计”，确定需要选择的因子水平数和可控因子的个数，“显示可用设计”可以用来观察和确认自己选择的实验次数是否可行，“设计”窗口选定实验次数，不要勾选“为动态特性添加信号因子”，这个是针对动态稳健参数设计的。在“因子”窗口，选定因子名称及水平的设置，选择按键“交互作用”后，对需要考虑的交互作用项名称予以设定，否则则不考虑交互作用。
全部操作完毕后，即可输出控制表。
3. 制定噪声因子水平表
由于噪声因子有很多种类型，需要分清楚每种误差的来源，并设定正确的计算公式。比如，可控因子的误差，可以用相对误差给出，其取值依赖于可控因子本身的数值，环境噪声因子的误差则常取固定的设定值作为“外噪因”。
4. 制定噪声表
也就是外表设计。我奥比奥的设计也可以像内表设计一样，根据噪声因子的个数和水平采用相同或者相似的设计类型，比如2水平的L4，L8，L16，L32等，3水平的L9，L27等。
最终的实验设计是将内表与外表“相乘”，比如内表选择L9设计类型来安排四个可控因子，每个因子可取3水平，外表用L8设计类型来安排四个噪声因子，每个因子为2水平，这样总的实验设计需要运行72次实验。
Minitab无法输出真正的乘积表，安排好内表后，外表需要自己另行安排，其实验结果按照顺序填入响应变量的多个列中即可。
综合误差法或者最不利误差法
安排乘积表实验设计时，如果噪声因子个数较多或者噪声因子的水平较多时，实验次数会很大，这时可以考虑其他的替代方法，比如综合误差法或者最不利误差法
综合误差法，考虑在噪声表中选择少数的几点，通常为3点或者4点，能使误差达到最大的最具有代表性的实验结果作为全部实验误差的代表，这样就可以大大节省实验次数。
最不利误差法，在噪声表中只选择2点最不利情况，一个是正偏最不利，一个是负偏最不利，作为全部实验误差的代表，这样实验次数就更少了。
具体如何选择噪声表要根据实际情况慎重确定。
安排好噪声表之后，经过实验，将所有的实验结果作为响应变量的多个取值并列排在实验表最右侧，就完成了全部的实验实施和数据收集步骤。
稳健参数设计的分析
选择“统计>DoE>田口>分析田口设计”，将两列结果均放入“响应数据位于”内，在“分析”，“图形”和“存储”对话框内选择“信噪比”和“均值”，在“项”对话框内选择4个因子。
在“选项”对话框中选定信噪比的计算公式。然后点击确定。
在第一个信噪比响应表内，可以看到每个因子的各水平的信噪比的平均值和信噪比极差（Delta）。显然，信噪比极差越大代表此因子的效应越显著。从极差的大小排秩中，可以看出因子D最为重要，因子B和C次之，因子A最小，几乎没有影响。
对均值响应表，同样可以分析出各因子水平平均值的均值和均值极差（Delta）。从极差的大小排秩中，可以看出因子A最为重要，因子D次之，因子B和C影响很小，几乎没有影响。
因此，可以初步判定，因子D，B和C为散度因子，因子A和D为位置因子，由于A为位置因子而非散度因子，所以是调节因子。
对于望目型问题，先选择散度因子使得散度最小，即信噪比最大，然后在调节调节因子，使得均值与目标值接近。
在该案例中，选择因子B为4.5，因子C为1.5和因子D为24，可以使得信噪比最大，然后在该水平下预测不同因子A水平时的预测值，来确定最接近目标值的值。
