第四章：实验设计（DOE）——正交实验设计、响应曲面法、全因子与部分因子实验
做材料研发这么多年，我越来越觉得，实验设计不是“怎么做实验”，而是“怎么少做实验还能把事办成”。
你想想看，一个配方里可能有五六个变量，每个变量取三个水平，全排列就是几百组实验。真要一个个做下去，实验室的炉子都得烧穿了。所以，DOE 的核心就一句话：用最少的实验，获取最多的信息。
这一章，我带你过一遍最常用的三种实验设计方法：正交实验、全因子与部分因子实验、响应曲面法。它们各有各的脾气，用对了地方，事半功倍。
4.1 正交实验设计
正交实验，说白了就是“挑着做”。它不要求你把所有组合都跑一遍，而是挑出一组有代表性的组合，这些组合在数学上满足“均匀分散、整齐可比”。
我记得刚入行那会儿，带我的老师傅扔给我一张正交表，说：“照着这个做，别问为什么。”后来我才明白，正交表背后是拉丁方和群论，但咱们工程师不需要深究那些，会用就行。
核心概念：
- 因子：你打算改变的条件，比如温度、压力、浓度。
- 水平：每个因子取几个值，比如温度取 100℃、120℃、140℃。
- 正交表：用 L9(34) 表示，意思是 9 次实验，最多安排 4 个因子，每个因子 3 个水平。
重要提醒：正交实验只能告诉你哪个因子影响大，哪个水平最好。它不能告诉你因子之间有没有“相互作用”。如果你怀疑 A 和 B 一起用会有特殊效果，那就得考虑全因子实验了。
一个实际例子：
我在做陶瓷烧结工艺优化时，遇到过三个因子：烧结温度（A）、保温时间（B）、升温速率（C）。每个因子取三个水平。如果用全因子实验，需要 3×3×3=27 组。但用 L9(34) 正交表，只做 9 组就找到了最优工艺。
# 正交表 L9(3^4) 示例
# 因子：A(温度), B(时间), C(速率), D(空列)
实验号 | A | B | C | D
1 | 1 | 1 | 1 | 1
2 | 1 | 2 | 2 | 2
3 | 1 | 3 | 3 | 3
4 | 2 | 1 | 2 | 3
5 | 2 | 2 | 3 | 1
6 | 2 | 3 | 1 | 2
7 | 3 | 1 | 3 | 2
8 | 3 | 2 | 1 | 3
9 | 3 | 3 | 2 | 1我的小技巧：正交实验做完后，别急着下结论。先做极差分析，看看每个因子的 R 值（极差）。R 值越大，说明这个因子对结果的影响越显著。然后画个趋势图，直观看出最佳水平。
4.2 全因子与部分因子实验
全因子实验，就是所有组合都做一遍。比如 2 个因子各取 2 个水平，就是 2×2=4 组。3 个因子各取 2 个水平，就是 23=8 组。
全因子实验的好处是：能精确估计所有主效应和交互作用。坏处是：因子一多，实验量爆炸式增长。5 个因子各取 2 个水平，就是 32 组。10 个因子呢？1024 组。实验室的经费和精力都扛不住。
这时候，部分因子实验就派上用场了。它只做全因子实验的一部分，比如做 1/2、1/4，甚至 1/8。代价是：会丢失一些交互作用的信息，而且主效应和交互作用会“混杂”在一起。
我曾经踩过一个坑：做高分子复合材料配方时，用了 1/4 部分因子设计，结果发现某个主效应特别显著。后来补做验证实验才发现，那个“主效应”其实是两个交互作用的混杂结果。从那以后，我养成了一个习惯：部分因子实验做完后，一定要挑几个关键点做验证实验。
避坑指南：我曾经因为贪图省事，在 6 因子实验中用了 1/8 部分因子设计。结果分析时发现，主效应和二阶交互作用完全混杂在一起，根本分不清谁是谁。最后只能补做实验，反而更浪费时间。
我的建议是：如果因子数 ≤ 5，尽量用全因子实验。如果因子数 ≥ 6，用部分因子实验，但分辨率至少选 IV 级以上，确保主效应不被二阶交互作用混杂。
分辨率等级说明：
| 分辨率 | 含义 | 适用场景 |
|---|---|---|
| III | 主效应与二阶交互作用混杂 | 筛选实验，只找重要因子 |
| IV | 主效应不被混杂，但二阶交互之间可能混杂 | 一般研发，可接受 |
| V | 主效应和二阶交互都不被混杂 | 精确建模，推荐使用 |
4.3 响应曲面法
正交实验和因子实验，说白了都是在“离散的点”上做文章。但现实中的材料性能往往是连续变化的，比如温度从 100℃ 升到 200℃，强度可能先升后降。这时候，响应曲面法就派上用场了。
响应曲面法的核心是：用数学模型拟合实验数据，然后在这个模型上找最优解。常用的模型有二次多项式：
Y = β0 + β1*A + β2*B + β11*A² + β22*B² + β12*A*B其中 Y 是响应值（比如强度、硬度），A 和 B 是因子，β 是回归系数。
常用的两种设计：
- 中心复合设计（CCD）：包含全因子点、中心点和轴点。适合做二次模型拟合。
- Box-Behnken 设计（BBD）：不需要做全因子实验，实验次数更少。适合因子数 3-7 的情况。
我个人习惯：在做响应曲面之前，先用部分因子实验做一轮筛选，把不重要的因子剔除掉。然后只保留 2-3 个关键因子做响应曲面。这样既节省实验次数，又能得到精确的模型。
一个实际案例：
我在优化锂电池电解液配方时，用了中心复合设计。两个因子：溶剂比例（A）和添加剂浓度（B）。做了 13 组实验（5 个中心点），拟合出二次模型。然后通过等高线图和曲面图，找到了电导率最高的配方点。
# 中心复合设计实验矩阵示例（2因子）
实验号 | A(溶剂比) | B(添加剂浓度)
1 | -1 | -1
2 | +1 | -1
3 | -1 | +1
4 | +1 | +1
5 | -α | 0
6 | +α | 0
7 | 0 | -α
8 | 0 | +α
9-13 | 0 | 0 (中心点重复)我的经验：响应曲面法对模型的拟合质量很敏感。我建议你在做完实验后，先检查 R² 和调整 R²，如果 R² 低于 0.9，说明模型拟合得不好，可能需要考虑更高阶的模型或者变换响应变量。
另外，中心点一定要重复做 3-5 次。这能帮你估计实验误差，还能检验模型的“失拟”情况。
4.4 三种方法的对比与选择
说了这么多，到底什么时候用哪种方法？我总结了一张表，你直接照着选就行：
| 场景 | 推荐方法 | 原因 |
|---|---|---|
| 因子很多（≥6），只想找关键因子 | 部分因子实验（分辨率 III） | 实验次数少，快速筛选 |
| 因子数 3-5，想找最优组合 | 全因子实验 + 响应曲面法 | 信息完整，精度高 |
| 因子数 2-3，且怀疑有交互作用 | 全因子实验 | 实验次数不多，结果可靠 |
| 只想粗略看看哪个因子影响大 | 正交实验 | 简单快速，不需要复杂软件 |
| 需要精确的数学模型和最优解 | 响应曲面法（CCD 或 BBD） | 能给出连续预测和最优区域 |
嗯，这里要注意：没有万能的方法。我见过有人不管三七二十一，上来就用响应曲面法，结果因子太多，实验做到崩溃。也见过有人死守正交实验，明明有交互作用却视而不见。所以，根据你的实际需求，灵活选择，才是正道。
4.5 知识体系总览
下面这张图，把本章的核心逻辑串起来了。你一看就明白：
好了，这一章的内容就到这里。实验设计这东西，光看理论没用，你得亲自上手做几次才能找到感觉。下次做实验前，先花半小时想想：我到底想解决什么问题？该用哪种设计？相信我，这半小时不会白花。
公众号:蓝海资料掘金营，微信deep3321