在這個系列的七篇博文，我試圖通過對一些剛開始時可能會讓人們感到困惑的術語和概念的簡單解釋來揭開 DoE 的神秘面紗。 我們已經涵蓋了很多。 我們解釋了混淆、正交性和方差膨脹的含義。 我們研究了多元線性回歸、逐步選擇和效應遺傳。 你已經看到了完整的階乘和最終篩選設計（DSD）。
關鍵要點：
- 憑經驗理解和優化過程或系統的最佳方法是通過多變量模型。
- 多變量系統中的可能性是巨大的。
- DoE 確保您可以有效地收集所需的數據。
我希望你有動力去跑設計實驗現在，如果你還沒有。 不過，在您這樣做之前，我要補充一點，您可能想了解很多我們這裡沒有涵蓋的內容。
我們錯過了什麼？
我們使用了一個實驗示例來優化 GC-MS 分析系統中的 LVI 設置。 我們看到了為什麼 26 次運行的 DSD 是一個如此有用的實驗，因為它的相關屬性和它使我們能夠構建的模型。 但是，我們沒有談論這個實驗是如何設計的。 DSD 在許多情況下都非常有用，但我堅信您應該針對您要解決的問題進行設計，而不是設計您的目標以適應實驗設計。 在這篇博文DSD 的共同發現者 Bradley Jones 談到了 DSD 不適用的情況。
使用 DoE 軟件，例如JMP ， 您可以使用優化設計創建一個根據您的目標和任何特殊限制量身定制的實驗。 在我們的示例中，我們可能會受到限制，無法在每次運行之間更改襯管類型，因為這涉及困難且長時間的系統關閉。 在這種情況下，我們需要將其定義為難以改變因素並創造一種叫做裂區設計。 或者我們可能會受到無法同時實現低排氣壓力和高注射速度的限制，因此我們需要設計一個避免這些設置的實驗。
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.具有因子組合約束的最優設計圖。
這本書實驗的優化設計：案例研究方法一旦您掌握了 DoE 的基礎知識，這本書就是對優化設計的一個很好的介紹。
我們還遺漏了您在開始設計實驗之前需要做的重要思考。 您需要仔細考慮實驗的目標是什麼，要包括哪些因素以及在什麼範圍內。 您還需要對實驗響應的測量有信心：如果您在相同設置下重複運行得到非常不同的響應結果，那麼當您開始根據設計的實驗更改因子時，您將不會學到太多東西。
如果我有多個回复怎麼辦？
到目前為止，在我們的示例中，我們只查看了一個響應，PkHt(SUM)。 大多數時候，當您需要了解一個流程或系統時，會有不止一種反應需要考慮。 由於需要了解和優化許多響應，因此對 DoE 的效率和有效性的需求更加強烈。
這種情況也不例外。 為了使用我們的 GC-MS 系統可靠地檢測雜質，我們需要既大又對稱的峰。 因此，除了 PkHt(SUM) 響應外，我們還可以測量峰的對稱性， PkSym ，對於每次運行的實驗。
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.具有兩個響應的 26 次運行實驗的數據表。
我們希望 PkSym 盡可能低，理想值為 0，這意味著每個分析物的峰都完全對稱。
收集了每次運行的響應數據後，我們可以構建模型並找到滿足所有目標的最佳折衷方案。
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.可以通過對 26 次運行實驗的數據建模來找到最大化峰高和質量的最佳設置。
當您有多個響應目標時，您可以看到 DoE 的優勢如何變得更大。
加速創新
再次感謝 Jonathan Dunscombe 和 Camilla Liscio 在此處提供的示例阿納頓. 有趣的是，在這個項目之前，Jonathan 並不相信 DoE：
“我努力了很長時間，試圖為這種雙溶劑系統找到一種可行的 LVI 方法……這特別棘手。 我不太確定我會從 DoE 得到什麼結果，尤其是因為有很多變數和幾個重要因素需要考慮。 真正讓我印象深刻的是 LVI 方法的優化速度以及最終方法的重現性。”
正如 Jonathan 所見，借助 DoE，您可以加速創新。 您可以在最短的時間內以最大的可預測性開發最佳流程和產品。 我希望這一系列的博文有助於傳播這一信息，讓更多的人將 DoE 作為他們通過實驗學習的首選方式。
請在下面發表評論，特別是如果您認為我錯過了任何重要的事情這個系列.
感謝您的反饋， @BJK . 歡迎在 LinkedIn 上與我聯繫（ linkedin.com/in/drphilkay ) 如果您想了解有關 DOE 的更多信息。 您還可以在那里關注我的個人標籤以獲取常規想法和提示：#DOEbyPhilKay
我開始閱讀和觀看你們的視頻以了解 DoE 並將其應用到我的工作中。 我可以自信地說，這是迄今為止對 DoE 的最好解釋。 感謝 Phil 分享這篇文章，感謝他以一種非常連貫和簡單的方式向像我這樣的新手解釋這一點。
