在介绍试验设计的具体类型（design options）之前，有必要先思考一个问题：我为什么要做这个实验？因为试验的目标（objectives）决定了你要选择的试验设计类型。
在试验设计（Design of Experiments, DoE）中，我们常常陷入复杂的工具细节。但如果一开始没有明确目标，设计再复杂，也可能解决不了真正的问题，甚至误入歧途。
试验设计的目标
试验设计的目标，对应试验设计DoE的步骤 第一步“问题的识别与表述”，具体又分成两小步：
– 阐明问题：简明扼要、清晰地描述问题；
– 申明目标：抽离具体的问题，用可验证的语言明确目标，最精确的目标描述是能够检验（可证伪）的假设。
结合两个资料[3,4]，我总结了几种最常见的试验目标：1. Screening: identify the important (principal) causes or variables2. Analysis: Determine the main effects and interaction effects of these important variables. 3. Analysis: to find the conditions that give rise to a maximum or minimum response,4. Optimization: to obtain a mathematical model in order to predict future responses. 5. Robust: Reduce the variation on the important variables through close tolerancing, re-design improve component.
以上这几个目标，也符合试验设计的序贯性，即先筛选、再分析、再优化，如需要再稳健。用表格更详细介绍以上目标：
| 目标 | 目标解释 | 试验类型 | 因子数量 | 阶段 |
| 筛选 | 识别(分离)出重要的因子； | 部分析因试验变量搜索法 | 5～20 | 早期 |
| 分析 | 量化显著因子和交互作用；量化非线性关系，即二阶甚至更高阶项； | 完全析因试验 | 2～4 | 中期 |
| 优化 | 构建预测模型；确定显著因子的最优设定值； | 响应曲面分析 | 2～4 | 中期 |
| 稳健 | 确定显著因子的控制范围；减少波动，提高CpK | 稳健设计 | / | 后期 |
还有一类特殊的试验，是”混料设计”，多了”组分之和为100%”的约束，逻辑相同，但设计和工具上有所不同。以后有机会单独介绍。
更进一步，如果同时存在配方因子与工艺因子，且二者存在交互作用（或不能排除存在的可能性），应采用组合设计（combined design）；Design-Expert可以提供相应的试验设计和统计分析。
如果配方因子和工艺因子之间不存在交互作用，就建议拆分成两个更小的试验。这也是试验设计DoE的步骤中强调的，”相比于执行一个大的综合性试验，不如拆解成一系列小的试验，序贯地进行试验。”
试验设计的类型
凯克·博特在《世界级质量管理工具》中对比了几种试验类型的精确度：
以下展开简单介绍，并补充其他方法：
1. 完全析因试验
这是精确度最高的试验设计方法，主要针对2、3、4个因子，分别进行4，8和16次试验。对于超过5个因子的情况，试验次数过多，实用性不足，此时推荐筛选试验工具。
完全析因试验常用于”分析”阶段，即量化显著因子和交互作用；如果不存在非线性关系，也同时完成了”优化”阶段。
2. 变量搜索法
这是谢恩（Shainin）DoE中推荐的”筛选工具”，精确度比完全析因试验略差，适用于5～20个变量的情况。
与部分析因试验相比，变量搜索法的试验次数更少，试验效率更高；代价是不像析因试验那样简单易用，需要试验者掌握更深入的的统计和专业知识。另外值得强调的是，要筛选哪些因子，是另一个更重要的话题。谢宁DoE推荐筛选试验之前，先使用“线索生成工具”，识别出潜在的试验因子，这是正式试验设计之前的思路创新工具，非常值得了解。
3. 拉丁方块
20世纪六七十年代的试验设计方法，现在在工程领域很少使用，直接放弃。
4. PB方法
PB方法的使用频率较低，具体介绍略。值得提一下PB方法与部分析因试验的区别，虽然PB方法也忽略了交互作用，但通过特殊设计，尽力避免交互作用对主效应的污染（混杂），保证了主效应估计的独立性和精度。
5. 部分析因试验
在经典DoE中，”部分析因试验”的目的是筛选关键因子。
我个人感觉，这是当下最常用的试验设计方法，有几个原因，一是”筛选”是试验的第一步目标；二是试验次数更少，凸显试验设计的优势，也切中工程师的痛点。
但是，试验次数更少的代价是存在污染（混杂，混淆），污染程度取决于试验次数和试验分辨率，这是其根本缺陷。我不完全认可凯克·博特在《世界级质量管理工具》中对部分析因试验的负面评价，但这个评价确实提醒我们，部分析因试验并不像完全析因试验那样”开箱即用”，需要掌握设计背后的机理，而不是机械套用模板，才能用好，用对，发挥试验设计DoE真正的力量。
6. 田口DoE
之前学习德尔拓六西格玛教材，欧立威老师强调过，重要的是田口的质量哲学，而不是田口DoE。田口DoE是污染最严重的试验方法，所以此处也不展开。
7. 响应曲面分析
完全析因试验，如果发现试验存在非线性（通过添加中心点试验），就需要进一步补充数据点，扩展成响应曲面分析。
配方开发中很少存在非线性项，一般用主效应和交互作用就足够了，所以很少见到使用响应曲面分析。
8. 稳健设计
稳健设计，是进一步完善试验过程的结论。通过”筛选-分析-优化”，我们已经找到重要因子的设定值，得到预期的响应变量。但我们还要保证响应变量稳定，抗干扰，足够的稳健（Robust）。这是一块相对独立的知识点，以后有机会单独展开介绍。
写这篇文章，主要是回答一个问题——我应该先学习哪些设计类型？
我的答案是：完全析因试验、部分析因试验、响应曲面分析。 学有余力，可以学“变量搜索法”，避免部分析因试验的根本缺陷，提供试验的效率。。
参考资料：
1. 德尔拓六西格玛培训资料
2. www.statease.com （Design of Expert官网）
3. 《Design and analysis of Experiments》—— Dean狄恩
4. 谢恩DoE培训资料：Design Of Experiments PHILIPS.pdf
5. 《世界级质量管理工具》
