在这个系列的七篇博文，我试图通过对一些刚开始时可能会混淆的术语和概念的简单解释来揭开 DoE 的神秘面纱。 我们已经涵盖了很多。 我们解释了混淆、正交性和方差膨胀的含义。 我们研究了多元线性回归、逐步选择和效应遗传。 你已经看到了完整的阶乘和最终筛选设计（DSD）。
关键要点：
- 凭经验理解和优化过程或系统的最佳方法是通过多变量模型。
- 多变量系统中的可能性是巨大的。
- DoE 确保您可以有效地收集所需的数据。
我希望你有动力去跑设计实验现在，如果你还没有。 不过，在您这样做之前，我要补充一点，您可能想了解很多我们这里没有涵盖的内容。
我们错过了什么？
我们使用了一个实验示例来优化 GC-MS 分析系统中的 LVI 设置。 我们看到了为什么 26 次运行的 DSD 是一个如此有用的实验，因为它的相关属性和它使我们能够构建的模型。 但是，我们没有谈论这个实验是如何设计的。 DSD 在许多情况下都非常有用，但我坚信您应该针对您试图解决的问题进行设计，而不是设计您的目标以适应实验设计。 在这篇博文DSD 的共同发现者 Bradley Jones 谈到了 DSD 不适用的情况。
使用 DoE 软件，例如JMP ， 您可以使用优化设计创建一个根据您的目标和任何特殊限制量身定制的实验。 在我们的示例中，我们可能会受到限制，无法在每次运行之间更改衬管类型，因为这涉及困难且长时间的系统关闭。 在这种情况下，我们需要将其定义为难以改变因素并创造一种叫做裂区设计。 或者我们可能会受到无法同时实现低排气压力和高注射速度的限制，因此我们需要设计一个避免这些设置的实验。
Plot of an optimal design with a constraint on factor combinations.Plot of an optimal design with a constraint on factor combinations.Plot of an optimal design with a constraint on factor combinations.Plot of an optimal design with a constraint on factor combinations.具有因子组合约束的最优设计图。
这本书实验的优化设计：案例研究方法一旦您掌握了 DoE 的基础知识，这本书就是对优化设计的一个很好的介绍。
我们还遗漏了您在开始设计实验之前需要做的重要思考。 您需要仔细考虑实验的目标是什么，要包括哪些因素以及在什么范围内。 您还需要对实验响应的测量充满信心：如果在相同设置下重复运行得到非常不同的响应结果，那么当您开始根据设计的实验更改因子时，您将不会学到太多东西。
如果我有多个回复怎么办？
到目前为止，在我们的示例中，我们只查看了一个响应，PkHt(SUM)。 大多数时候，当您需要了解一个流程或系统时，会有不止一种反应需要考虑。 由于需要了解和优化许多响应，因此对 DoE 的效率和有效性的需求更加强烈。
这种情况也不例外。 为了使用我们的 GC-MS 系统可靠地检测杂质，我们需要既大又对称的峰。 因此，除了 PkHt(SUM) 响应外，我们还可以测量峰的对称性， PkSym ，对于每次运行的实验。
Data table for 26-run experiments with two responses.Data table for 26-run experiments with two responses.Data table for 26-run experiments with two responses.Data table for 26-run experiments with two responses.具有两个响应的 26 次运行实验的数据表。
我们希望 PkSym 尽可能低，理想值为 0，这意味着每个分析物的峰都完全对称。
收集了每次运行的响应数据后，我们可以构建模型并找到满足所有目标的最佳折衷方案。
The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.可以通过对 26 次运行实验的数据建模来找到最大化峰高和质量的最佳设置。
当您有多个响应目标时，您可以看到 DoE 的优势如何变得更大。
加速创新
再次感谢 Jonathan Dunscombe 和 Camilla Liscio 在此处提供的示例阿纳顿. 有趣的是，在这个项目之前，Jonathan 并不相信 DoE：
“我努力了很长时间，试图为这种双溶剂系统找到一种可行的 LVI 方法……这特别棘手。 我不太确定我会从 DoE 得到什么结果，尤其是因为有很多变数和几个重要因素需要考虑。 真正让我印象深刻的是 LVI 方法的优化速度以及最终方法的重现性。”
正如 Jonathan 所见，借助 DoE，您可以加速创新。 您可以在最短的时间内以最大的可预测性开发最佳流程和产品。 我希望这一系列的博文有助于传播这一信息，让更多的人将 DoE 作为他们通过实验学习的首选方式。
请在下面发表评论，特别是如果您认为我错过了任何重要的事情这个系列.
感谢您的反馈， @BJK . 欢迎在 LinkedIn 上与我联系（ linkedin.com/in/drphilkay ) 如果您想了解有关 DOE 的更多信息。 您还可以在那里关注我的个人标签以获取常规想法和提示：#DOEbyPhilKay
我开始阅读和观看你们的视频以了解 DoE 并将其应用到我的工作中。 我可以自信地说，这是迄今为止对 DoE 的最好解释。 感谢 Phil 分享这篇文章，感谢他以一种非常连贯和简单的方式向像我这样的新手解释这一点。
