一种多变量系统鲁棒稳定性分析方法--《中国科学技术大学学报》1993年04期
一种多变量系统鲁棒稳定性分析方法
【摘要】：本文基于特征轨迹方法,提出一种参数不确定多变量系统鲁棒稳定性分析方法,并得出相应的鲁棒稳定性判据。该方法与其它多变量频域鲁棒稳定性分析方法相比,具有计算量小、保守性少等优点。
【作者单位】：
【关键词】：
【分类号】：TP13;【正文快照】：
1引言 对于参数确定多变量系统,奈氏阵列法和特征轨迹法是设计类系统行之有效的设计技术,已得到了较为广泛的应用.虽然这两种方法设计的系统具有一定鲁棒性,但缺乏鲁棒性保证,因而不能用于参数不确定系统的设计. 七十年代后期,参数不确定多变量系统成为国内外学者研究的热点.
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【相似文献】
中国期刊全文数据库
胡汉中,程勉,高为炳;[J];控制与决策;1986年01期
胡克定;汪自勤;;[J];东南大学学报(自然科学版);1987年05期
胡克定;汪自勤;钱钟韩;;[J];东南大学学报(自然科学版);1989年01期
李言俊;;[J];西北工业大学学报;1989年01期
王庆国,孙优贤,李成立;[J];控制理论与应用;1990年01期
徐德民;[J];控制理论与应用;1990年04期
徐德民;[J];控制理论与应用;1991年03期
肖笛;程勉;高为炳;;[J];自动化学报;1991年02期
崔俊峰,吴广玉;[J];控制理论与应用;1992年04期
楼吉汉,王跃云,张钟俊;[J];上海交通大学学报;1992年03期
中国重要会议论文全文数据库
黄玉清;柯益华;;[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C];1995年
沈建京;张剑;;[A];1999年中国智能自动化学术会议论文集（下册）[C];1999年
顾兴源;邵诚;;[A];1992年中国控制与决策学术年会论文集[C];1992年
赵玲;候军;顾树生;;[A];1992年中国控制与决策学术年会论文集[C];1992年
田玉平;冯纯伯;;[A];1993中国控制与决策学术年会论文集[C];1993年
肖继烈;顾树生;;[A];1993中国控制与决策学术年会论文集[C];1993年
杨保民;孙翔;;[A];1993中国控制与决策学术年会论文集[C];1993年
高存臣;刘永清;;[A];1995中国控制与决策学术年会论文集[C];1995年
刘永清;高存臣;;[A];1995中国控制与决策学术年会论文集[C];1995年
武玉强;初学导;冯纯伯;;[A];1995中国控制与决策学术年会论文集[C];1995年
中国博士学位论文全文数据库
鲁照权;[D];合肥工业大学;2002年
杜红彬;[D];大连理工大学;2002年
郭发明;[D];四川大学;2002年
顾晓慧;[D];四川大学;2003年
申涛;[D];浙江大学;2004年
季策;[D];东北大学;2005年
周少武;[D];湖南大学;2005年
舒慧生;[D];东华大学;2005年
李宏飞;[D];西北工业大学;2004年
王欣;[D];西北工业大学;2004年
中国硕士学位论文全文数据库
张健;[D];大连海事大学;2003年
胡燕;[D];四川大学;2003年
孙超;[D];哈尔滨理工大学;2003年
王星;[D];哈尔滨理工大学;2003年
王瑞霞;[D];山西大学;2004年
焦艳会;[D];哈尔滨理工大学;2005年
王殿坤;[D];中国海洋大学;2005年
刘静;[D];鲁东大学;2006年
金杰;[D];大连理工大学;2006年
林荣松;[D];哈尔滨工业大学;2006年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号品质七大手法_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
品质七大手法
上传于||暂无简介
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢[转载]改进质量分析的7种数据收集方法
数据和信息对于调查和决策的重要性毋庸置疑，但是各种数据的作用各不相同。在进行质量分析时，了解数据的作用以正确选择需要的数据可以加深对产品和过程的了解，为研究寻找到最重要的正确答案。
以下介绍的7种数据收集和分析方法，各有其优势，但也有不足甚至是局限。它们都可以和定义、测量、分析、改进和控制（DMAIC）这5种方法以及问题解决过程相联系。
&&当然，这些方法的研究可以非常深入细致，并且每种方法都可以辅助以一系列相关的工具。本文仅简要介绍这些方法和其中的一些基本工具，列出了他们的主要特点和一些关键的术语和目标，并在附录中给出了一个详细的参考目录以便读者进一步学习。
&&在介绍不同的方法时，涉及的内容可能难免有所交叉。例如，观测研究可用来监视过程，而许多测量评估方法会用到实验设计。总之，本文介绍这几种数据收集方法旨在阐明这些方法的精华和预期的使用效果。
1.观测研究
&&这种方法应用非常普遍，通常可以省钱省力地进行，观测数据提供的是过程和产品特征方面的深入信息。观测数据有多种类型，如连续测量值、分类数据（顺序的和名义的）
及文本内容。
&&在DMAIC过程中，这种类型的数据可在任何阶段出现。但是由于无法对输入进行操纵，因此，这种方法在确定解决办法上所起的作用比从实验设计获得数据的方法更有限。
&&这种数据的一种关键用途是在定义阶段，观测数据可概况提供当前状况及问题的程度。它可能提示出可能导致好的或坏的结果的潜在驱动因素，以便深入探究。在指明前进方向上，观测数据可以起到重要作用，但这种数据不宜用来作为最终决策的首要依据。
&&根据可获得的不同数据，探究型工具或图表工具、回归表和相依表可帮助确定数据间的关系。如果从数据呈现的模式中能体现输入和输出之间存在的关系及其关系形式，则有助于发现其中存在的基本关系模式。
&&在使用探究数据时存在的较大风险有以下几种：推断在便利样本中观测到的模式也会在样本增大时出现；推断一组输入与反馈结果的因果关系；观测时遗漏了潜在的变量，而该变量在输入值和反馈结果中都是推动因素；因对全部样本中的部分进行抽样，结果可能导致对数据关系理解的偏差；观测研究中获取的数据是有帮助的、有益的并且具有启发性的，但是重要的是要注意仅依据收集到的部分信息得出正式结论，或做出最终判断时需要万分小心。
&&如果数据分析是基于全部数据来源，而非来自抽样，那么，情况则有所不同。在这些情形中，通常使用的数据量非常大，并且数据挖掘中的领域概念有助于找出数据内部的规律。之所以这种情形与使用抽样数据不同，究其原因，是因为如果使用了全部的数据，则观测到的确实就是实际存在的模式。如果需要查看具体的例子，请在查阅本文网上电子版（）。
&&数据挖掘提供了一系列的工具，可有效地总结全部数据，其目标是从大量的复杂的数据中识别并找出其相互关系。因此，在查看观测数据时，需要注意的3个关键点是：
& & 1.抽样数据与所研究项目的相关性：
在时间上、产品上或过程上是否存在关键的区别，而这些区别可能导致不同的模式；
2.数据的质量：选择的数据单元质量如何，是否收集了所有的潜在相关输入；
3.由于因果关系未确立，如何既使用数据来推进研究，又避免得出不合理的结论。
2.监视技术
&&所有过程都存在变异性（variability），不论过程维护得多么稳妥。变异性通常有以下两种类型：1.普通原因变异性(Common-cause&variability)，过程内在的原因产生的，或者必然发生的变异；
2.可指定原因变异性(Assignable-cause
variability)，由于受到干扰或外部原因造成的，是需要识别并消除的变异。
&&可指定原因变异性通常是最容易造成问题的，它造成系统不稳定甚至失控状态。控制图是最经常使用的工具，它可迅速察觉这种变异的原因，并能尽量减少误报的情况。
&&控制图是在80年前为制造业研发的，这种图表至今依然在使用，且使用范围已延伸到医疗、服务业、生物学监测和公共卫生监测中。更进一步的是，它已从对单个过程特性的控制，诸如过程均值或不合格分数（fraction
nonconforming）（单变量过程），扩展到了对多个质量特征的同时监视（多变量过程）。
&&DMAIC过程中，在分析中经常使用图表对过程进行控制和监视，以评估某一时点的情况，并进行控制，以保持领先状态。
&&下边概述的是做选择的一些原则。在过程或系统中使用控制图之前，你需要识别需要测量的变量和需要监视的质量特征的类别。需要重点关注的质量特征是什么？
需要关注的变量是连续的，离散的，还是分类的?
&&例如，如果你生产的是医用乳胶手套，那么，手套的厚度应该是需要关注的变量，而且这种变量是连续的。因此，手套平均厚度可以是监视的质量特征，可使用控制图进行监视。在网上的电子文档中可以找到一些其他方面的例子。
&&对质量特征进行监视的控制图分为以下两类：
对连续质量特征的变量控制图；离散或分类变量的属性控制图。
&&在乳胶手套的例子中，从始至终监视的是单一的质量特征，因此单变量控制图较为合适。当需要监视两个或更多的质量特征时，特征之间可能存在关系或关联。此时，应使用多变量控制图。图1比较了单个控制表——前2个——与能更好的检测变化的多变量控制图之间的比较。
&&这方面还有一个很好的例子是在公共健康的监视方面，这种情况下同时监视多家医院的疑似流感发生数量是更加恰当的。如果即将发生流感疫情，从看急症的人数方面应该能发现相关变化，即各家医院同时都能监测到急诊人数的增加。在这种情况下，各家医院各自采用单变量控制图进行监视，不如通过多变量控制图对多家医院同时进行监视更有效，多变量控制图同时监视可以更迅速发现情况变化，及时发出信号。
&&另外，在对某项质量特征引入控制图方法进行监视之前，应认真考虑目的所在，尤其是，思考正在使用的过程或系统是否存在不稳定或不易控制的情况，也就是说，分析该过程/系统是否仅存在普通原因变异性。这种情况在新建立的或不稳定的过程中是常见的。对此，一般会收集历史数据并采用相应的控制图进行分析。我们称之为分析的第一阶段。
&&分析的第二阶段，通常是在过程或系统已达到相对稳定的情况下进行的，目的在于识别微小或中等的偏差。如需了解更多的各阶段分析的详细内容，请查阅本文的网络版。
&&在识别需要研究的变量、质量特征之后，接着需要做的是确定抽样规模的大小，以及抽样的频率和抽样的时间。在进行资源准备时，还需要考虑其他一些因素。
&&进行抽样会影响操作批次的完成，产生一定成本，抽样本身存在一定的成本，且抽样对生产率有影响，这些因素都会深刻影响抽样的样品量和抽样频次。选择少量样品并增多抽样频次和增大样品量但减少抽样频次这两种做法也是各有利弊。
&&控制和监视技术是非常重要的质量工具，这些收集和呈现数据的方法有助于岗位人员识别过程是否偏离控制。重要的是要认真考虑需要进行监视的质量特征以及如何进行抽样。请查阅本文的网络版了解常用的控制图（休哈特图、时间加权图、多变量图）
以及监视技术和应用方法。
&&监视技术应用成功与否关键在于策划和数据收集是否做得好。操作得当时，使用这些工具的费效比很好，对企业和客户都是有好处的。
3.过程能力研究
&&使用控制图等监视工具确定系统处于稳定状态后，另一个重要工作是要确定过程是有能力的。一个有能力的过程指的是能够按照确定的要求运行。
&&上述的要求通常是以标准（规范）限值进行表述的，它与顾客的要求有关，与控制限值有所区别。控制限值是基于过程分布，通过统计方法确定的；规范限值是与产品性能有关的要求。
&&过程稳定性指的是将过程变量与控制限值进行比较，而过程能力指的是将过程变量与标准限值进行比较。如果双方向都有控制限，上下控制限通常分别表示为USL和LSL。
&&过程能力研究在DMAIC实施过程中使用较普遍，可使用在分析和改进阶段，也可用在后续的控制阶段，其目的是判断实施的变化是否提高了过程能力。
过程能力参数
&&过程能力通常通过各种参数进行评估，这些参数包括能力指数（例如：
Cp， Cpk，Cpm，Pp以及Ppk），单位疵点数（DPU，defects per
unit），百万缺陷数（DPMO，defects&per million
opportunities）
以及不合格百分比。诸如直方图的各种图表能够识别出偏离的过程和离群值，这些是可能需要进一步调查及处理的情况。对于属性数据来说，DPU和DPMO这类参数在能力测量时是很有用的。
&&最常用的参数是能力指数，它是过程变量和规范限值的比率。因为通常认为需要研究的质量特性是呈现正态分布的，过程变量（分母）
通常是6倍的过程标准方差，即Cp=(USL-LSL)/6σ。
&&通过收集大量的过程能力数据，有助于判断过程是否能够生产出持续满足或超出顾客要求的产品。能力指数之所以经常被采用是因为可以通过它把复杂的信息简化归结为一个数字。
&&当然，仅仅凭着一个参数来判断，在分析复杂的系统时可能不免太简化了，不一定能捕捉到所有的重要能力信息。因此，我们建议的是在真正使用过程能力指数时，不仅要报告预测的能力指数，还应确定置信区间。另外，还可以图表形式提供一些相关数据（比如使用直方图或控制图）
来帮助理解。
短期和长期变量
&&在使用短期变量或是长期变量以及他们与能力分析的关系方面，一直存在着一些不同意见。对于能力指数Cp来说，它是使用一个稳定过程的短期变量进行计算的，但是在一个给定的周期，每个子群又存在一定的变异。短期变量可用来确定控制图的限值。
长期变量是在给定的时间内使用所有数值计算出的标准方差。它能捕捉由于普通原因和可指定原因产生的变异。图2表明的是在不稳定（左）
和稳定（右）的过程中，短期变量和长期变量的区别。欲了解何时需要对长期变量进行考虑，请参见本文的网络版。
&&建议在进行过程能力研究时考虑以下内容：
&&时间安排：在控制抽样成本的条件下，研究的时间应能满足对过程绩效进行充分评估的需要。有时数据收集的时间可能由顾客决定，因为顾客通常要求按月或按季度提供过程能力报告。
&&抽样方法：所选择的数据应能代表过程的绩效。抽样中重要的步骤包括确定合理的抽样规模、合理的抽样频次以及选择合适的群组。在过程能力研究中，合理的分组起着重要作用。
&&结果的描述：过程能力报告应包括数据和相关图表，诸如直方图和控制图以及能力指数，在可能情况下还应包含置信区间。
&&过程能力研究是确定某个阶段中与顾客要求相关的过程绩效的重要手段。为了获得有指导意义的分析结果，被分析的过程必须是稳定的，这是在试图解读过程能力结果之前必须做到的。
4.测量系统能力研究
&&通过系统的能力分析可以了解系统的特征，但还有一个重要之处是确定用以总结过程能力的测量系统本身的能力是没有问题的。
&&通过收集相关数据，可以对与系统最重要属性相关的关键质量特征进行分析并得出结论。反馈数据中出现的变异可能由过程本身导致，也可能由于获取数据的测量系统造成。
&&因为测量必定会受变异的影响，所以除非测量结果可重复或再现，对过程的分析很难准确进行。如果与过程变量相比由于测量系统导致的变量非常微小，那么应判定测量系统是可靠的。对于DMAIC整个过程中的测量（M）阶段，测量系统的能力研究是一个重要工具。
&&测量系统能力研究包括：对系统进行分析以确定由于测量系统导致的变异数量；在测量系统中对变异的来源进行识别和隔离；评价测量系统对于预期用途的适用性。
&&通常对测量系统变异来源的识别和隔离是通过对计量器具进行重复性和再现研究（GR&R&study）完成的。
计量器具的重复性和再现研究（GR&R）
&&一个测量系统可包括多个独立的组成部分：测量设备（如量具），测量人员（如操作员），测量时间或测量设置。为了评价测量系统的特征，通常在几种不同情况下重复测量并记录结果。
&&GR&R的目标是确定测量系统的变异与过程变异相比是否是微小的。重复性指的是同一名操作员在同样的测量设置下进行多次测量操作，记录操作结果以反映出量具本身的变异。再现性反映的是由不同操作员操作引起的变异。
&&传统的GR&R研究包括两种交叉因素的实验设计，即由多名操作员分别对被多个被测物进行多次测量操作。在这种研究中，对测量系统的变量（包括重复性和再现性）、过程变量以及总变量都进行尽量精准的估算。
&&估算方差分量有以下两种常用办法：
&&一是表格法（tabularmethod），即运用量程和控制图，但这种方法有不足之处。首先量程并非估算量具变异的有效方法，尤其对于中等大量样品规模。另外，用这种方法确定某些需要关注的特征的置信区间比较困难或基本不可能。
&&二是方差分析法（ANOVA），即基于设计的实验，包括对操作方式、测试件、复制品及其他一些因素进行设计以估算适宜的方差。这种分析法对大多数实验都适用，经过调整还可用于复杂的实验，并用来确定变异因素的置信区间。
&&可以通过某些指标的计算和解读得出测量变量和过程变量，进而确定某测量系统是否具备能力。以下是两类测量系统能力指标：
&&一是测量变量与全变量（或部分变量）
的比值， 如总GR&R标准或部分GR&R标准，以及某些分类的标准，包括信噪比（SNR）、识别率（DR）
以及显著类别的数量（ndc）。
&&二是测量变量与公差或规范限宽，包括精度公差比（PTR）和误识率。
&&各种指标都有一些通用的规则，但使用的时候应多加注意，因为规则可能并不一定适用于所有的测量系统。请参考本文的网上电子版了解更多范例和其他注意事项。
&&对某些质量属性进行GR&R研究适用于对结果可进行分类的情形。很多指标可能并不适合做属性数据的GR&R研究。在服务业中适用的一致性分析，评价针对某已知相关标准不同评价人之间的一致性。
测量系统分析（MSA）的其他因素
&&一个完整的测量系统分析所涵盖的不仅仅是能力研究一项内容，需要考虑的另外三项内容有测量系统的稳定性、系统的偏差以及测量系统的线性。
&&稳定性指的是测量系统测量相同的样本时，不论时间如何变化总能够得到相同的值。如果测量系统是稳定的，则只能存在普通原因变量，这方面和过程监视中的控制图是一样的。
&&偏差计算的是真值与多次测量得到的平均值的差异。
&&线性测量的是偏差在测量设备的整个量程中是否呈现一致性，回答的是偏差值在可能测量的整个量程中是否都一样的问题。
&&测量系统能力研究说明了是否能信赖系统测量的结果，即该结果是否能反映系统的真实情况。如果当前的测量系统能力不够，那么系统中肯定存在某些可指定原因变异。其结果是，基于该测量系统的其他分析也不一定可靠，据以做出决定则未见妥当。
&&如需了解测量系统能力不足的情况下应如何进行改进，请参考《质量进展》2013年第4期题为“统计人圆桌会议”的专栏文章《图解法浅议》
如果研究的目的在于了解一个群组的特征，与进行普查相比，采用抽样方法既节省又实用，因为前者不需要检查群组内的每一个单位。对于需要进行破坏性试验的产品来说，抽样就更加关键，因为不能因检测而消耗掉全部的产品。抽样最重要的意义在于，通过仔细策划，这种方法可以用很小的代价正确估测出群组的精细特征。
&&读者可能对政党选举中的民意调查有所了解，这就是一种基于较少人口的反馈来预测选举结果的方法。抽样研究常见的例子包括对不同群体进行评估以了解某种行为的有效性，或从顾客收集数据以形成顾客意见的量化信息。在DMAIC的过程中，抽样的方法在分析阶段非常有用，常被采用来评估过程现状；而在控制阶段，可采用抽样的办法量化分析调整后的过程是否取得了改进。
&&有关抽样研究的5个关键考量因素如下：
&&1.确定样本的范围（frame）。这是说明希望抽样的样本将包括哪些个体的准确描述。比如，在制造业应用中，你可能将样本限制于某台经常出问题的设备的产品或者是整个加工过程的产品。
&&你所做出的不同选择将影响问题的答案，以及这些答案能推导出的覆盖面更广的结论。比如以顾客为对象的研究，明确说明包括哪些群体将决定你的结果能覆盖所有顾客或仅仅是某个顾客群，也就是说，也可能仅覆盖那些投诉过的顾客。
&&2.代表样本。通过抽样从总体中得到待研究群（批）
的特征的关键在于取得有代表性的样本。举个例子，
如果需要了解顾客对某种产品的满意度，有些情形下取得的样本可能不见得有代表性，比如，你从打入投诉电话的顾客记录中抽样，那么你得出的结果必然没有普遍代表意义。
&&另外，如果在制造业环境下，如果仅从一条生产线的产成品中抽样，抽样结果就不能代表所有生产线产成品的特征。从统计学来说，通常保证样本具有代表性的基础是确保每个个体被抽到的几率是平等的，并且代表了群（批）中的不同的子群。
&&3.抽样单位和样本量。确定是从不同的单独个体中进行抽样还是从不同的组中进行抽样也很重要。通常从若干个单位组成的小组中进行抽样有利有弊，同样，抽样时抽多少数量也是一个问题。
&&对于大多数据采集来说，数据越多准确性越好，但同时效益会递减。确定适当的样本量时要考虑可获得的资源、研究的目标以及希望得到的精确程度。
&&4.使用补充信息。如果有与抽样单位以及整个群相关的有统计学意义的其他信息，可以使用这些信息增加估算的准确度，并验证样本的代表性。
&&5.无代表性或观测遗漏。在人群抽样中有一种典型情况（有时对其他物体抽样时也可能存在这种情况），即经常无法得到全部抽样单位的反馈。如果反馈中总是遗漏某些值，比如往家庭电话号码打调查电话时，一定无法联系到朝九晚五的上班族；或者当测量某些物品特征时，那些已报废的个体就无法测到，因此抽样
特征的汇总信息可能不一定反应了相应群（组）的全部特征。
&&有一些办法可以调整抽样设计以增加反馈率，比如采用恰当的估算技巧来量化未反馈的部分对估算的影响，以及减少由于系统化的数值缺失可能造成的偏差。
&&图3描述的是一些更常见的抽样技巧。从本文网络版中你也可读到更多有关这5种抽样方法的相关内容。
&&概括来说，抽样是一种有优势的能回答与群（组）相关问题又不需做百分百检查的方法。有时候抽样可以和实验设计相结合，以挑选出一部分单位，看是否满足那些已知的实验设计的设计结构要求。
6.实验设计
&&通过实验设计（DoE）的方法策略地采集数据，为解答究竟是何种输入因素导致反馈值发生变化提供了一个解决途径，由此可建立因果关系。这种方法最早是由罗纳尔德·费歇（Ronald
Fisher） 和乔治·博克斯（George&Box）
提出的，目前DoE已经是统计学的一个重要分支，有多种可量身定制的设计思路，为各种各样的问题提供解决办法。
&&采用实验设计最大的一个优点是实验者能完全掌控探究中的各种输入组合，因而能够控制研究的范围，同时也能够确定输入和输出之间的关系。这一点和数据观测完全不同，在采用数据观测方法时，实验者根本不控制输入因素，也不能对因素进行积极干预。
&&在DMAIC过程中，实验设计是改进阶段的一种重要工具，因为可以对不同的输入进行干预，由此确定何种方式能够实现期望的改进。
&&许多实验的一个基本设置就是由实验者对实验单位进行干预，即通过各种不同程度的因素（输入），并观察在这种不同因素设置的条件下得到的反馈。
&&如果你想要查出4周龄的幼苗之间为何长势有差别，你可以从种子（实验单位）开始分析，比如让它们处于不同的光照、水分和养分条件（因素的量值，比如接触光照的时间分每天0小时、2小时到4小时等不同的情况），然后在4周后测量幼苗长成的高度（反馈结果）。
&&采用实验设计的方法指导决策通常包括一个有序的过程，即在这种过程中，用前一阶段的经验教训指导随后的实验过程。
&&实验的第一阶段通常是进行试点研究，以明确哪些数据有可能获取，对因素的研究分为哪些量级有意义，是否能对反馈结果进行有效的测量（参见测量评估部分），以及在相似的实验单位之间存在的自然变量是什么。
&&第二阶段，一般称之为筛选设计，是从潜在的众多因素中确定对反馈产生最大影响的因素。普遍使用的方法有因子设计、部分因子设计、明确设计法（definitive
designs） 或采用D优选法进行实验设计优化（constructed
design&optimized using
D-optimality），即模型参数的准确估算（参见图4）。这几种方法基本上考虑的因素量级层次较少，因为这些设计的重点是通过线性分析和双因素交互影响效应分析，对输入和输出之间的显而易见的关联进行调查。
&&在识别重要因素之后，第三阶段要完成的是采用相应曲面法对输入因素和反馈结果的关系进行描述。在这一阶段，设计采用大量的因素层级来估算形成输入与输出之间关联的曲面。这样有助于更加明确各种不同关联的特征，并有助于进行优化，即了解反馈的极大极小值或者目标值。这个阶段常用的方法有中心合成设计法（图4）、箱线图设计法或采用I优选法或G优选法进行实验设计的优化，即对实验输入范围进行准确地预测。
&&最后一个阶段是确认前期的实验是否真正找到了理想的输入因素组合，并且取得了相应的估算反馈结果。
&&因此，总的说来，实验设计方法有以下3个核心原则：
&&随机化：随机确定对实验单位的各种处置以及实验顺序的安排，这样的分析可以得出并确定与自然变异有关的因素影响程度大小的概况。随机化还可以防止未知的影响反馈结果的系统偏差，比如实验顺序或遗漏因素的影响。
&&复现性：为了了解过程和产品的自然变异性，有必要研究在给定的相同的实验条件下反馈值的可能范围。
&&区别度（blocking）：有时候，我们认为实验单位的特征并非是完全均质的。在这种情况下，将最相似的单位分到同组中，并在不同组间实验时采用一些不同的处理方式是有好处的，这样做有可能识别出反馈中的更细微的差别。
&&因为实验的目的各不相同，而且对实验是否能进行干预经常又有各种限制，因此有各种不同的实验设计，可以参阅本文的网络版了解更多的常见变化。
&&实验设计是质量专业人士的一个重要工具，是一种在指导下探索输入因素和反馈结果关系的方法，是确定因果关系的一种正规方法。回答以下问题有助于确定应进行何种实验设计：
&&实验的重点是在于筛选，确定模型表面还是进行确认；
&&实验应包括哪些因子（因素）；
&&哪些范围的因子（因素） 水准（量级）
是研究对象；
&&为了平衡实验成本和结果精确性之间的关系，实验的规模如何选择。
7.补充数据和信息
在研究产品或过程的时候，除了基本的量化数据之外，通常人们还会把搜集到的某些补充数据和信息纳入研究。在DMAIC的不同阶段中，这类数据发挥着重要作用，包括在问题形成的定义阶段以及分析阶段，以加深对过程的了解。
&&曾经有些文章对与这类数据相关的一些关键工具进行过概括。《质量进展》杂志4年前有篇关于“基础知识”的文章曾经描述过7种质量工具：直方图法、控制图法、帕累托分析法、因果图法、检查表、散布图法以及分层法。
&&这些工具有助于掌握当前过程的基本情况，包括输入和输出的相互关联，造成系统变化的可能动因以及各种失效机理的重要性。
&&2012年《质量进展》杂志有一篇关于“基础知识”的文章介绍了另外一系列补充的质量工具，包括亲和图、矢量图、矩阵数据分析法、矩阵图、过程决策方案流程图（process
decision program
chart）、关联图以及树形图。这类不同工具的综合应用，对将过程的各种特性按照其相互间的关系、结构和重要性进行整理非常有帮助。
&&另外还有一些工具和方法可以进行更有价值的深入解析。比如有些方法和工具可以将顾客反馈数据与（产品或过程的）
结果/成果进行对照，以识别可能的问题（失效） 或改进机会，这种方法对任何企业都是有用的。
&&这类工具和方法包括：失效模式与影响分析、缺陷集中图、流程图、质量功能部署矩阵（质量屋）
以及时间管理优先矩阵。
&&在开始了解一个过程的时候，如果具备数据采集和知识、信息和数据的整理技能可以避免费时费力，取得事半功倍的效果。大家如果在基本了解数据采集知识的基础上继续努力和实践，那么，成为个中高手指日可待。
作者Christine M. Anderson-Cook &&Connie M.
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。