實驗設計 (DOE) 於製程與品質改

善之應用

講師：洪弘祈 副教授
朝陽科技大學工業工程與管理系

資料來源：講義中部分圖片、表格、範例擷取自 Montgomery, D.C., 2001. Design and Analysis of

Experiments, 5th Edition, (John Wiley & Sons:New York) 一書。
 &1 DOE 簡介
 實驗目的 :
 對 y 影響最大的變數
為何？
 如何設定 x1, x2, …, xp
使 y 值趨近最佳值？
 如何設定 x1, x2, …, xp
使 y 值得變異最小？
 如何設定 x1, x2, …, xp
使不可控制因素 z1, z2,
…, zp 之影響最小？

Horng-Chyi Horng DOE Training 2

 一般實驗進行方式

Best-guess approach
 No Good, Guess Again
 Switching the levels of one (perhaps two) factors for the
next test based on the outcome of the current test
 Good Enough, Stop!

 On-factor-at-a-time
 Selecting a baseline starting point
 Varying each factor over its range with the other factors
held constant at the baseline level
 Interactions ruin everything

Horng-Chyi Horng DOE Training 3

 One-factor at a time 之方法

Horng-Chyi Horng DOE Training 4

Horng-Chyi Horng DOE Training 5
 實驗計劃法 (DOE)
在一個或連串的試驗中刻意地改變製程輸入參數值 , 以便
觀察並找出影響製程輸出變數之因素 .

應用 :
– 改進製程產出率
– 降低製程變異 , 改善產品品質
– 降低研發時間
– 降低總體成本
– 評估各種可行之設定值
– 評估各替代原料
– 確定影響產品特性之因素

Horng-Chyi Horng DOE Training 6

  Example:
Optimizing a Process

Horng-Chyi Horng DOE Training 7

 基本原則
複製 (Replication)
– 估計自然誤差
– 中央極限定理

隨機化 (Randomization)
– “Averaging out” the effects from uncontrollable variables

區隔化 (Blocking)
– 增進實驗之精確度

Horng-Chyi Horng DOE Training 8

 DOE 之程序
問題之認知與陳述
選擇因子與其水準
選擇反應變數
選擇適當之實驗設計
執行實驗
資料分析
結論與建議
– Follow-up run and confirmation test
– Iterative
– No more than 25% of available resources should be invested in t
he first experiment
Horng-Chyi Horng DOE Training 9
 Notes
使用統計以外之專業知識
實驗之設計與分析應愈簡單愈好
實驗之統計分析結果與現實上之差異
– 成本
– 技術
– 時間

實驗通常是遞迴式的
– 前幾次實驗通常只是學習經驗而已

Horng-Chyi Horng DOE Training 10

 實驗設計之種類
單因子實驗設計
Variance Model
單因子區隔設計
二因子實驗設計
二水準階層實驗設計
二水準部分階層實驗設計
三水準階層實驗設計
三水準部分階層實驗設計
反應曲面技術
Horng-Chyi Horng DOE Training 11
實驗設計之種類 (Another Prospect)
因子篩選 (Screening Experiments)
– 二水準部分階層實驗設計
– Plackett-Burman Design
– Group-Screening Designs
特定區間
– 二水準階層實驗設計
– 二水準部分階層實驗設計
– 三水準階層實驗設計
– 三水準部分階層實驗設計
– 混合設計
最佳化 (Optimizing)
– 反應曲面技術

Horng-Chyi Horng DOE Training 12

 &2 變異數分析 (ANOVA)

Horng-Chyi Horng DOE Training 13

 決策模式

若 F0 > F,a-1,a(n-1) ，則不同之因子水準對反應變數有

影響。

反之，則無影響。

 為相對風險。

Horng-Chyi Horng DOE Training 14

 Example ：紙張強度之研究

Horng-Chyi Horng DOE Training 15

 ANOVA 表格

 因為 F0 > F =4.96 ，所以，在 = 0.01 下，不同之因子水

準對反應變數有影響。亦即，有足夠的證據證明， Hardwood 之
含量對紙張之強度有影響。

Horng-Chyi Horng DOE Training 16

 &3 二因子實驗設計
二因子無交互作用

Horng-Chyi Horng DOE Training 17

 二因子有交互作用

Horng-Chyi Horng DOE Training 18

 Example

Horng-Chyi Horng DOE Training 19

 決策模式：
– 因為 F0(Primer Types) = 28.63 > F0.05,2,12 = 3.89
F0(Application Methods) = 61.38 > F0.05,1,12 = 4.75
所以此二因子對黏著力皆有顯著影響。
– 但 F0(Interaction) = 1.5 < F0.05,2,12 = 3.89 ，所以此二因子的交互作用對黏
著力無明顯之影響。
殘值分析 ( 略 )

Horng-Chyi Horng DOE Training 20

 2k 因子階層設計
k 個因子，每個因子 2 個水準 (+,-) ，共 2k 次實驗（當
n = 1 時）。

在因子數不多的狀況下，常用於實驗初期，來了解因子對
反應變數之可能影響。

只能看出因子對反應變數之線性作用 (linear effect) ，

無法預估高階曲面作用。

Horng-Chyi Horng DOE Training 21

 23 因子階層設計

Horng-Chyi Horng DOE Training 22

 Example for 23 Design

– A: 速度
– B: 切割深度
– C: 切刀角度

Horng-Chyi Horng DOE Training 23

 ANOVA 表 _Example

Horng-Chyi Horng DOE Training 24

 2k Design with Center Points
增加預估曲線作用之能力

不破壞設計之平衡性 (Balanced Design)

只需增加少數幾個實驗

Horng-Chyi Horng DOE Training 25

 Example

Horng-Chyi Horng DOE Training 26

 ANOVA 表 _Example

Horng-Chyi Horng DOE Training 27

 &4 二水準部分階層實驗設計 (2k-p)

2k-p Design 具有 k 個因子，每個因子有兩個水準，共有 2k-p 次

實驗。

2k Design 所需之實驗次數隨 k( 因子數 ) 之增加而據增，例如 24=1

6 、 26=64 、 28=256 、、、。然而，以 26 為例， 64 個實驗產生 6
4-1=63 個自由度，其中只有 C61=6 個自由度是主因子作用， C62=
15 個自由度是給兩因子之交互作用，卻有 63-6-15=42 個自由度是
給三個 ( 含 ) 以上的因子交互作用。

故，若以專業知識可以假設多因子交互作用是不顯著的，且可以
予以忽略 ( 大多數情況是如此 ) ，則吾人只須做此 2k 個實驗中的
部份實驗，即可瞭解主因子作用以及低階之因子交互作用。
Horng-Chyi Horng DOE Training 28
 2k-p 實驗用途
2k-p Design 主要用於實驗初期的 Screening Experime
nts ，用以從多數可能之因子中篩選出具有顯著作用之因
子，以為之後更詳細實驗之依據。

可用於產品與製程之設計。

可用於製程上之問題排除。

Horng-Chyi Horng DOE Training 29

 2k-p 基本理念
多數系統或製程之執行成效皆由主因子作用以及低階之因
子交互作用所決定。

部份階層實驗可被進一步用來投入涵蓋部份重要因子之較
大實驗。

兩個以上之部份階層實驗可被整合來估計所有主因子作用
以及因子之交互作用 。

Horng-Chyi Horng DOE Training 30

 23-1 設計之圖示
第一組之 ABC 皆為 + 號，其產生器為 I = ABC 。
第二組之 ABC 皆為 - 號，其產生器為 I = -ABC 。

Horng-Chyi Horng DOE Training 31

 Alias 關係
計算 A 平均效應之公式與計算 BC 平均效應之公式相同；
亦即，當吾人利用上述之公式計算 A 之平均效應時，實際
上，乃是在做 A+BC 之平均效應計算。此種現象稱之為
Alias ，以 lA  A+BC 來表示。

所以，在 23-1 Design (I=ABC) 下之 Aliases 為

lA  A+BC
lB  B+AC
lC  C+AB

Horng-Chyi Horng DOE Training 32

部份階層實驗之解析度 (Resolution)
定義：
一個具有解析度為 R 之設計， p- 因子交互作用之效應不與 R-p 因子交互作
用之效應相互 Alias 。

解析度Ⅲ之設計：沒有任何主因子作用與其他主因子作用相互 Alias ；
但主因子作用卻和 2 因子交互作用相互 Alias 。如 23-1 Design 。
解析度Ⅳ之設計：沒有任何主因子作用與其他主因子作用或 2 因子交
互作用相互 Alias ；但 2 因子交互作用卻相互 Alias 。如 24-1 Design
(I=ABCD) 。
解析度Ⅴ之設計：沒有任何主因子作用與其他主因子作用或 2 因子交
互作用相互 Alias ；但 2 因子交互作用卻與 3 因子交互作用相互 Alia
s 。如 25-1 Design (I=ABCDE) 。

Horng-Chyi Horng DOE Training 33

部份階層實驗設計之使用，應循序漸進

顯 著
因 子皆
所有

刪除
不顯
著因
加入 子
其它
因子
其他設計
如 3k, 3k-p, CCD, …

Horng-Chyi Horng DOE Training 34

 24-1 Design Example
範例 “ 241.DX5” ， 24-1 Design (I=ABCD)
A 因子：溫度 B 因子：壓力 C 因子：濃度 D 因子：攪拌速度
反應變數 Y ：過濾速度

Horng-Chyi Horng DOE Training 35

 2k-2 Design (1/4 階層設計 )
2k-1 Design 需要一個 Generator I=ABCDE…. 最高階交互作用
來構建。

2k-2 Design 需要兩個 Generators 。

26-2 Design (I = ABCE = BCDF) ，建構之方式如 2k-1 Design ，

下頁之表為利用第二種方式構建而成。

由於取 I=±ABCE 與 I = ±BCDF 共有 4 組，除了 ABCE 與 BCDF 外，

應有另一個交互作用會被犧牲掉，此交互作用為
(ABCE)(BCDF) = AB2C2DEF = ADEF
所以完整之寫法應為 I=ABCE=BCDF=ADEF

Horng-Chyi Horng DOE Training 36

 26-2 Design_Example

範例： “ 262.DX5”,
26-2 Design
(I = ABCE =
BCDF=ADEF)
射出成型製程
A 因子：溫度
B 因子：轉速
C 因子：固定之時間長
短
D 因子：循環時間
E 因子：孔徑大小
F 因子：壓力
反應變數 Y ：收縮程
度

Horng-Chyi Horng DOE Training 37

 &5 反應曲面技術
已知此反應變數 (Response Variable) 受數個因子之影
響.
– 必須經由實驗設計所證實 .

吾人想知道此反應變數之最佳值
目標值
最大值
最小值

目的 : 如何設定因子之水準 ( 區間 ), 使反應變數
達到最佳值 .

Horng-Chyi Horng DOE Training 38

 RSM 之基本原理

真正的函數關係 Y = f(x1, x2) + 

反應曲面 (Response Surface)  = f(x1, x2)

若因子之區間縮小 , 則 f(x1, x2) 可用多項式來趨近 .

如:
Y = 0+1x1+2x2+…+kxk+first order)
Y = 0+ixi+iix2i+  ijxixj+second order)

Horng-Chyi Horng DOE Training 39

 反應曲面 - Example

Horng-Chyi Horng DOE Training 40

 The Method of Steepest Ascent
目的 : 為能快速達到最佳反應變數值之鄰近區域 .
假設 : 在遠離最佳反應變數值的地方 , 一般而言 , 使用
First-order Model 已經足夠 .
Steepest Ascent 是一種沿著最陡峭的路徑 ( 亦即反應
變數增加最快之方向 ), 循序往上爬升的方法 .
若用以求極小值 , 則稱為 Steepest Descent.

Horng-Chyi Horng DOE Training 41

 Steepest Ascent
- 圖解

Horng-Chyi Horng DOE Training 42

 Steepest Ascent - Example
“525.DX5”
因子 : 1: 反應時間 (35 min.)
2: 反應溫度 (155 oF)
反應變數 Y: 平均產出水準 (40%)

Coded Variable (X1;X2) = (-1 ~ 1; -1 ~ 1)

Natural Variable ( 1;  2) = (30 ~ 40; 150 ~ 160)

Horng-Chyi Horng DOE Training 43

 Example 525 之實驗數據

重複中心點
– Error 之估算
– First-order Model
是否合適 ( Fit? )

Horng-Chyi Horng DOE Training 44

 Example 之 ANOVA Table

Horng-Chyi Horng DOE Training 45

 Example 之分析結果
實驗所得之回歸模式 (Regression Model) 為
y = 40.44 + 0.775x1 + 0.325x2
x1 與 x2 之係數 (0.775 and 0.325) 相對於係數之 stand
ard error = sqrt(MSE/d.f.e) = 0.10 大的多 ; 故兩係
數均顯著 .
下次實驗之移動方向 :
– 以移動係數最大之因子一個單位 ( 以 Coded Variable 為基礎 ), 故選
擇  x1 = 1, 則 x2 = (0.325/0.775) x1 = 0.42

Horng-Chyi Horng DOE Training 46

 Example 之後續實驗結果 ( 一 )

Horng-Chyi Horng DOE Training 47

 Example 之後續實驗結果 ( 二 )

Horng-Chyi Horng DOE Training 48

 Example 之後續實驗結果 ( 三 )
-ANOVA
實驗所得之回歸模式 (Regression Model) 為
y = 78.97 + 1.00x1 + 0.50x2
需進一步之實驗以求取最佳點 .

Horng-Chyi Horng DOE Training 49

 Steepest Ascent 步驟
2k + nc center point 或 CCD 或 其他
First-order Model 顯著 , 且 Curvature 不顯著 ; 否則
已在最佳點附近 .
取係數之絕對值最大者 ; 選定其 Step Size xi.
其他因子之 Step Size =>
xi / i = xk / k

將 xi 換算成 Natural Variable; 回到第一步驟 .

Horng-Chyi Horng DOE Training 50

 Second-order Model 之分析

當非常接近最佳點時 , First-order Mo
del 便不再適用 ; 此時應用 Second-o
rder Model 或更高階之 Model 來趨近
真實反應曲面的曲線 ( 曲面 ) 情形 .

Horng-Chyi Horng DOE Training 51

 Central Composite Design (CCD) -
Example
“534.DX5”

Horng-Chyi Horng DOE Training 52

 CCD 結構圖

Horng-Chyi Horng DOE Training 53

 CCD Example 之 ANOVA

Horng-Chyi Horng DOE Training 54

 CCD Example 之反應曲面

Horng-Chyi Horng DOE Training 55

 CCD Example 之反應曲面 _Contour
Plot

Horng-Chyi Horng DOE Training 56

 &6 反應曲面技術選擇設計之原則
在試驗區間內 , 提供合理的資料點分布
允許 Model 適合度之分析 (Lack of Fit)
允許區隔化 (Blocking)
允許高階 Model 被循序漸近式的建立起來
提供自然誤差 (Pure Error) 之估計
較少的實驗次數
較少的因子水準數
估計 Model 參數之計算過程應儘量簡單

Horng-Chyi Horng DOE Training 57

 一階 Model 之 RSM 設計
考慮因素 : 直交 (Othogonal)
2k + nc center point
2k-p + nc center point, 但必須為解析度 III 以上 , Why?

Horng-Chyi Horng DOE Training 58

 設計之比較 - Example
23
– 無法估算 Pure Error - 4 d.f. 之 Lack-of-fit
– 缺點 : Model 是否合適無法得知
23-1 + 4 center point
– 3 d.f. 之 Pure Error - 1 d.f. 之 Curvature
– 缺點 : 交互作用無法得知
23-1, n = 2
– 4 d.f. 之 Pure Error - 無法估算 Lack-of-fit
– 缺點 : 交互作用及二次項無法得知
最好用 23 + 4 center point

Horng-Chyi Horng DOE Training 59

 二階 Model 之 RSM 設計 (1/2)
考慮因素 : 直交 (Orthogonal) 與 可旋轉性 (Rotatabl
e)
Central Composite Designs (CCDs)
– 2k 或 2k-1 ( 解析度 V) + 2k 個軸點 (Axial Points) + nc center poin
t
– Factoral Points [2k 或 2k-1 ( 解析度 V) ]: 估算主作用及兩因子交互作
用
– Axial Points: 估算純粹之二次項
– Center Points: 估算純粹之二次項及 Pure Error

Horng-Chyi Horng DOE Training 60

 Information Surfaces and Contours
_22 Design

Horng-Chyi Horng DOE Training 61

 Information Surfaces and Contours
_32 Design

Horng-Chyi Horng DOE Training 62

 Information Surfaces and Contours
_Second-order Rotatable Design

Horng-Chyi Horng DOE Training 63

 CCD 圖示

Horng-Chyi Horng DOE Training 64

 二階 Model 之 RSM 設計 (2/2)
Face-centered Central Composite Design (FCCD)

– 除了  = 1 以外 , 其餘與 C
CDs 同
– 當部份因子之水準數只有三
個 , 或為離散性質時
– 可旋轉性 (Rotatability) 較
差 , 應儘量避免使用

Horng-Chyi Horng DOE Training 65

 Evolutionary Operation (EVOP)
當吾人運用實驗設計及反應曲面技術得到最佳之因子水準
組合之後 , 在某些情況下 , 最佳值的位置會漂移 (drift).
以致於所求得之因子水準組合不再適用 .
EVOP 即是一種實驗方法 , 直接在線上操作 , 用以對應
此種漂移現象 , 確保得以產生最佳值之因子水準組合 .
2k + center point, 以 cycle 之方式進行 .

Horng-Chyi Horng DOE Training 66

 EVOP 之圖示

Horng-Chyi Horng DOE Training 67

 實驗設計之流程

因子皆不顯著 縮小因子之水準範
Screening Experiments 圍再重做一次 , 若
- 找出重要因子 結果一樣 , 則重新
- 2k-p+nc 解析度為 III ( 含 ) 以上 . 選取因子 .

2k+nc 2k-p+nc Fold Over

- 顯著因子數較少 - 顯著因子數較多 - 所有因子皆顯著

One Factor
Horng-Chyi Horng - 單一因子顯著 DOE Training 68
 反應曲面技術之流程

實驗設計 - 找出重要因子

Steepest Ascent - 由原操作點 , 或實驗設計結果之較佳點出發 .

- 2 +nc, 或 2 +nc 解析度為 III 以上 .
k k-p

最佳點附近

CCD Box-Behnken Hybrid

- 因子之水準數為 5 - 因子之水準數為 3 - 因子數為 3, 4, 6.
Horng-Chyi Horng DOE Training
- 實驗次數較少 69
 &7 The Variance Model
當因子之全部可能水準（水準個數較多時）皆為研究之範
圍時，吾人可利用 Variance Model 之方法來得知此因子
之影響程度。
步驟：
– 從此因子所有可能因子水準中，隨機抽樣 a 個水準。
– 利用 ANOVA 表求得 MSE 與 MSTreatment 。
– 此因子之外的自然變異：

– 此因子所造成的變異：

– 製程的整體變異：

Horng-Chyi Horng DOE Training 70

 Example
 計算此因子對製程整體變異之重要性：

m
Rando
Select

Horng-Chyi Horng DOE Training 71

  由此可知，若消除此因子所造成的製程變異，則整體製程變
異將由 8.86 降至 1.90 ，如下頁之圖形所示。

Horng-Chyi Horng DOE Training 72

Horng-Chyi Horng DOE Training 73