试验设计具有显著的优势。   它们可以用于各种情形，可以有效地操作多个输入因子，以确定这些因子对所需响应的效应。 它们还确定在试验时可能错过的重要交互作用，一次确定一个因子。

DOE 的规划阶段对于取得成功至关重要。 通常，DOE 会由于在规划阶段发现了障碍而终止。例如，如果 DOE 看似过于昂贵或复杂，又或者缺乏关键信息，则通常甚至未能获得执行机会就被废弃。幸运的是，高级预测分析  是一款唾手可得的强大工具，可帮助您消除 DOE 的创建障碍，甚至提高您的成功几率。

问题 1：您希望运行筛选设计，但无法停止系统（或过程）来收集数据，或者数据收集成本高昂。

从业者使用筛选试验设计（筛选 DOE）从一个具有许多潜在变量的领域中识别过程中最重要的变量。筛选 DOE 使从业者能够缩小试验规模，从而节省时间和金钱。当数据难以获取或数据获取成本高昂时，尤其如此。

当您无法停止系统或过程来运行筛选试验时，会发生什么？或者，如果要筛选的数据点的收集成本太高，以至于很难证明这样做的合理性，会发生什么？

解决方案 1：预测分析可以帮助您轻松确定最重要的变量。

不必担心，预测分析可助您一臂之力！通过分析系统或过程中的数据，可以利用自己钟爱的机器学习算法或运行自动化机器学习 来确定对响应可能有影响的预测变量。 Minitab 通过相对变量重要性图表来简化上述操作，该图表是我们为了帮助您确定最重要的变量而专门构建的。

问题 2：您想进行一个设计试验，但不确定因子（即水平）的适当范围（即上限和下限）。

当运行 DOE 时，试验在不同的因子值（称为水平）下运行。 这些是我们为其衡量响应的独立变量，通常称之为因变量。 例如，如果您尝试优化一台设备的速度，则需要设置限值（最高速度和最低速度）来构建速度范围，从而对过程进行优化。 再举一个示例，烤蛋糕时的烤箱温度。 根据经验，您可能知道低于 300 华氏度烤不出蛋糕，而在 400 华氏度下会将蛋糕烤焦，因此您可以设置限值。 但是，如果您以前从未烤过蛋糕呢？或者，如果您有一台新机器，不知道设置什么样的限值，这种情况下又如何呢？

解决方案 2：预测分析提供有助于设置合理限值的可视化。

当您运行 Minitab 的预测分析时，将生成可视化效果，以演示一个或多个变量对预测结果的效应。 为了预测结果，这些图的目的是强调响应与变量之间的关系是线性、单调还是更复杂的关系。 这些可视化对 DOE 也极其有用。

在上面的示例中，让我们假设您正在尝试运行一个用来优化强度的试验。 您不仅可以了解模具温度与强度之间的关系，还会明白只是将机器转到最高温度可能会产生不利影响（如过热或不必要地增加生产成本）。 您还将得知可能会与试验中的其他变量（例如压力）发生交互作用。 通过查看该图，可以了解到温度超过 1200 会导致边际强度增加。 对于您设计的试验，可以将模具温度水平设置为 1000 和 1200，以运行旨在将强度增至最高的试验。 但是，如果目标是将强度降至最低，则从该图中可以看出，模具温度的下限越小，进行的检验越合理。

预测分析只是与 DOE 紧密相关的众多工具之一。

DOE 是许多从业者的关键工具，不应孤立使用。 如上所述，规划对 DOE 的成功至关重要，因此 Minitab 创建了专门用于帮助执行规划过程的 DOE 规划工作表。如果您是 DOE 新手或只是想提高技能，Minitab 将提供支持 、资源 、和解决方案，以帮助您实现目标。

想了解更多？立即联系我们。