六西格玛试验设计的不同分类及作用

一、根据不同的研究内容，试验设计有不同的分类方法:

根据实验中因素的多少，可以分为单因素和多因素。

根据实验目的的不同，实验设计可分为两类:因素设计和回归设计。

在不考虑区组的设计中，常用的设计是完全随机化设计；配对比较设计、随机区组设计、平衡不完全区组设计、部分平衡不完全区组设计等是正在考虑的区组设计中常用的方法。因素可分为固定效应和随机效应。在固定效果上，可分为单向布局、双向布局和多向布局。在随机效应中，主要采用嵌套设计或方差分量建模。这些实验设计所用的理论和方法都比较复杂，在实际工程中很少用到。

二、测试的两个基本目的:

第一明确哪些自变量X显著影响Y；

本实验的目的是确定在相当多的自变量中，哪个自变量X对Y的影响不显著，哪些自变量应该删除，哪些自变量X对Y的影响显著，哪些应该保留。我们称之为“筛选设计”。因为这个实验的目的是为了因子，所以这个实验设计属于“析因设计”或“因子设计”。

二是找出y和x的关系，从而进一步找出自变量x取什么值会使y达到最佳值:

这些实验的目的是确定Y和X的关系，找出Y到X的回归方程，因为这个实验的目的是针对回归关系，所以这个实验设计叫做回归设计。

三、因子设计与回归设计的相通之处

一方面，筛选因素的方法实际上是在Y和X之间建立一个简单的线性回归方程，然后根据各个系数的显著性进行筛选。需要注意的是，实验设计中的“线性”不同于一般数学概念中的“线性”。“实验设计”中提到的“线性”是指回归方程不仅可以包含每个变量的第一项，还可以包含两个或两个以上自变量的乘积项，如X1X2X3等。，这在一般的数学概念“线性”中是不允许的。建立线性回归方程后，不仅可以判断变量是否显著，还可以为求最大值或最小值的问题找到最佳值，以及达到这个最佳值的自变量的最佳设置，在实际工作中往往是有用的。总之，筛选变量也是通过建立回归方程来实现的。

另一方面，在建立回归方程，尤其是含有平方项的响应面方程后，还可以判断方程中是否存在影响不显著的因素，将其删除，达到筛选因素的目的。所以，因子设计和回归设计有一个共同点:都需要建立回归方程。但因子设计只是线性的，这里的回归设计指的是二阶。

一般来说，筛选要求比较粗糙，测试次数较少。建立回归曲面方程的要求要细致得多，测试次数也会大大增加。在因子设计中，根据因子水平的多少可分为两级因子设计、三级因子设计和混合级因子设计。

实践证明:

在因子设计中，采用两水平正交试验法，加上一些中心点，是最简单有效的。然后，有两类:全因子设计和部分因子设计。对于回归设计，以建立二次回归方程为主要工具，引入了响应面方法。

另一类:很重要的测试目的是寻求系统的鲁棒性。所谓鲁棒性，就是系统的抗干扰能力强，即当系统受到不可控因素(或称“噪声”)的严重影响时，系统输出的变化量要足够小。为了实现这一点，有必要尝试选择一些控制因子的组合，使系统对噪声变化不敏感，这就是所谓的鲁棒参数设计。在中国，这种设计通常被称为“田口参数设计法”。这种问题在六西格玛改进工作中也很显著。

还有一类:讨论配方，比如橡胶、造纸、制药等行业，通常研究的是整个产品中各成分的比例。显然，这些比例之和应该是100%。研究这类问题的实验设计称为“混合设计”。

有时候，现有的生产条件已经基本满足要求，但如果想得到更好的结果，可以在原有生产条件的基础上做一些调整来寻求解决方案，这就是所谓的“进化操作(EVOP)”。