用DOE方法最优化质量因子配置（DOE系列之四－RSM方法） 经过筛选实验的精简和全因子实验的描述，很多人会满足已经取得的成绩，但也有一些精益求精的人会提出这样的问题：现有的最佳因子水平组合一定是所有因子设置中最理想的选择吗？如果不是，又应当如何找出最优化的因子设置？确实，以往的DOE侧重于分析哪些因子是重要的，到底有多重要以及它们之间是否会相互影响，却没有刻意去从整体中寻觅最佳的因子设置。为了解决这个问题，需要引入DOE中另一种新方法——响应曲面方法（Response Surface Methodology, 即RSM），这也是我们本期DOE系列介绍的主题。在这里，笔者仍将借助目前业界公认的高端六西格玛统计分析软件JMP来为大家展现响应曲面方法的实现和应用，顺便提及，JMP6是迄今业界唯一的中英文双语版六西格玛软件，来自全球顶尖的统计学软件集团SAS。
在实际工作中，常常需要研究响应变量 究竟如何依赖于自变量X的，进而能找到自变量的设置使得响应变量得到最佳值。当自变量的个数较少（通常不超过4个），则响应曲面方法是最值得推荐的方法，适合于要求响应变量望大（即越大越好）、望小（即越小越好）和望目（即越接近目标值越好）等各种常见情形。
通常来说，DOE的核心技术可分为实验计划和数据分析两大类，响应曲面方法也不例外。在数据分析方面，它和以前介绍的方法没有什么本质的不同，但在实验计划方面，则有显著的改进。响应曲面方法的实验计划主要有中心复合设计和Box-Behnken设计两种形式，具体用图形说明如下。
| 
[复制链接]
发表于 2013-8-15 10:18:37
!connect_viewthread_share_to_qq!
QQ空间
腾讯微博
腾讯朋友
收藏
转播
分享
淘帖
支持
反对
谢谢