部分因子设计实战：16次试验筛出关键因子——某压铸企业的气孔率改进案例剖析
当工艺问题牵涉的候选因子多、试验成本又高时，质量人常陷入两难：全因子试验做不起，单因子轮换试错又不可靠。部分因子设计正是破解这一困境的武器——它用精心挑选的少量试验组合，快速筛出真正关键的影响因子，是六西格玛DMAIC改进阶段性价比最高的工具之一。今天，我们用某铝合金压铸企业的真实案例，完整还原从8个候选因子到3个关键因子的全过程。
一、为什么需要部分因子设计
先看一个朴素的算术问题。两个因子、每个因子取两个水平，全因子试验只需4次；三个因子要8次；八个因子就要256次。现实中每个试验组合往往还要重复取样，加上换模、升温、调试的时间，256次试验在量产排产的压力下几乎不可能完成。于是很多企业退回"单因子轮换法"：一次只动一个因子，其他保持不变。这种方法看似省事，却有两个致命缺陷：一是漏掉因子间的交互作用——A因子单独没影响，却会放大B因子的效果，轮换法根本测不出来；二是结论容易被试验顺序、环境漂移等噪声污染。
部分因子设计的思路完全不同：不做全部组合，只做其中精心挑选的"代表性子集"。以八个因子为例，全因子256次，部分因子设计可以用16次完成，试验量只有原来的十六分之一。代价是效应之间会产生"别名"——某些效应的估计值会互相混淆。工程上用一个概念来管理这种混淆：分辨率。分辨率III的设计里，主效应与二阶交互作用混淆，只适合纯筛选主效应；分辨率IV的设计里，主效应只与三阶及以上的交互混淆（工程上通常可忽略），但二阶交互之间可能成对混淆；分辨率V以上，主效应和二阶交互都能清晰估计。筛选阶段最常用的是分辨率IV：够用、试验次数少、结论可靠。
这套思路背后是二八法则：多数工艺问题的输出波动，往往由少数几个关键因子主导，其余因子贡献甚微。既然目标是"筛"，就不必把每个效应都估计得清清楚楚，先把大头抓住，再对少数关键因子投入更精细的试验。部分因子设计在六西格玛的DMAIC改进阶段，与因果矩阵、失效模式分析一脉相承：前者用经验缩小嫌疑范围，后者用试验验证因果关系，一个靠脑子，一个靠数据，缺一不可。
二、案例背景：气孔率超标，八个候选因子摆上桌
某铝合金压铸企业是新能源汽车电机壳体的供应商，产品交付客户后，在机加工工序频繁发现内部气孔导致的泄漏，客户投诉不断。X光抽检显示，壳体内部气孔率均值高达8.2%，机加工后泄漏报废率3.5%，每月直接损失加上返工、换产、客诉处理的间接成本，让管理层不得不把这个问题列为年度重点项目。
项目组由工艺、模具、设备、质量、一线操作骨干组成，按照人机料法环的思路展开头脑风暴，共列出12个候选因子。为了不让试验规模失控，团队先用因果矩阵按影响度和可控制性打分，筛出8个最有嫌疑的因子进入试验，每个因子取两个水平：
A 压射速度：低速／高速；B 浇注温度：660℃／690℃；C 模具温度：180℃／220℃；D 压射比压：40MPa／60MPa；E 真空辅助：关闭／开启；F 涂料喷涂量：少量／足量；G 慢压射切换位置：提前／滞后；H 保压时间：5秒／8秒。
响应变量定为气孔率：每个试验组合取3件产品做X光检测，气孔率取平均值。同时，团队先做了测量系统分析，确认X光判读的一致性能满足要求——测量不准，后面一切分析都是空中楼阁。
三、试验方案：16次试验如何"代表"256次
团队选择了2的(8减4)次方，即16次试验的分辨率IV部分因子设计。设计的关键在于"生成元"：8个因子中，4个主因子按全因子安排，另外4个因子由主因子的交互作用生成，比如E=ABC、F=ABD、G=ACD、H=BCD。这样一来，每个生成因子的主效应就与对应的三阶交互作用互为别名，而三阶交互在工程上几乎可以忽略；二阶交互之间则可能出现成对混淆，所以这个阶段不急着解读交互作用，先把主效应筛准。
试验实施前，团队做了两件事：一是随机化——16个组合的试验顺序打乱，避免设备升温、操作疲劳等随时间变化的因素系统性地污染某一组水平；二是区组化——试验跨两个班次进行，把班次作为区组变量纳入分析，把班次差异从试验误差中分离出来。每次试验前记录环境温度、设备状态，确保数据可追溯。
这里有个细节值得说明：部分因子试验通常可以在设计中加入中心点来检验响应是否存在弯曲，但本例中真空辅助是"开／关"型的定性因子，无法取中间水平，因此团队放弃中心点，改用每组合3件重复取样来估计试验误差。设计上没有标准答案，贴合实际工艺约束的方案才是好方案。
为什么16次试验就能让人放心？关键在于"平衡"二字：每个因子的高水平与低水平在全部16次试验中出现的次数完全相等，其他因子对每个水平的干扰也被设计得互相抵消。这样一来，算某个因子主效应时，其他因子的影响在平均意义上被"洗掉"了，剩下的就是该因子自己的贡献。这种正交性，正是部分因子设计敢用少量试验下结论的底气所在。
四、实施与数据分析：三个关键因子浮出水面
16个组合按随机顺序在两天内完成，数据汇总后导入统计软件分析，分析分四步走。
第一步看标准化效应的帕累托图：横轴是各因子及交互项的标准化效应绝对值，竖线是显著性参考线。图上A（压射速度）、D（压射比压）、E（真空辅助）三个因子显著超出参考线，成为第一梯队；C（模具温度）紧贴参考线，属于"边缘显著"。
第二步看正态概率图：各效应点大致落在一条直线上，说明数据中没有异常点、误差近似正态，模型假设成立。
第三步做方差分析：模型整体显著，拟合优度R²达到0.87，失拟项不显著——说明模型没有漏掉重要的结构信息，16次试验的"代表"是称职的。
第四步读主效应图：高速压射、高比压、开启真空、较高模温的方向上，气孔率明显下降，与压铸工艺理论完全吻合——高速充型减少氧化夹渣，高比压压实补缩，真空辅助排出型腔气体。
结论锁定：A、D、E是气孔率的关键因子，C保留为待优化因子。F、G、H三个因子不显著，这反而是个好消息——它们可以按成本最低、操作最方便的原则自由选择水平，比如保压时间取5秒可以缩短节拍。DOE的价值不仅在于找到"要管的"，还在于告诉我们"不用管的"，把管理资源集中到刀刃上。
分析收尾时，团队还做了两项例行体检：一是残差诊断，确认残差随机分布、没有随拟合值增大的喇叭口，说明误差稳定、模型没有漏结构；二是结合工艺知识复核显著效应的方向——高速压射降低气孔率在物理上说得通，结论才敢往外拿。数据与机理互相印证，是统计结论落地的双保险。
五、确认试验与落地效果
按最优组合——高速压射、60MPa比压、开启真空、模具温度220℃——团队连续做了5批确认试验。结果令人振奋：气孔率均值从8.2%降至0.9%～1.1%，机加工泄漏报废率从3.5%降至0.4%。确认试验之所以必不可少，是因为试验条件与量产环境存在差距，批量验证是结论落地的最后一道保险。
随后，项目组把关键因子参数固化进作业指导书：压射速度与比压写入工艺卡并纳入SPC监控，真空度纳入每班点检，模具温度由模温机自动控制并设定报警限。三个月跟踪数据显示，气孔率稳定在1%左右，没有反弹。算总账：项目投入的试验与检测费用不足10万元，年节约返工、报废与客诉处理成本约180万元，投入产出比相当可观。
更重要的是团队能力的提升：以前遇到类似问题靠老师傅"试参数"，现在学会了用设计、数据、验证的科学路径。模具排气道的优化被列为下一轮改进课题——质量改进从来不是一锤子买卖，而是螺旋上升的循环。
这次实践还有个意外收获：方法论被复制了。压铸车间把"因果矩阵筛因子＋部分因子试验定关键因子＋确认试验验证"的套路沉淀为标准化作业模板，随后两个月内，同样的方法被用于解决缩松、粘模两个相邻问题，都只用了不到两周就锁定了关键因子。一套方法的价值，不在于解决一个问题，而在于成为可复用的组织能力。
六、五个常见误区
误区一：因子多就直接上全因子。256次试验排产排不起，项目往往半途而废。筛选阶段用分辨率IV的部分因子设计，16次就能把主效应筛清楚，等锁定少数关键因子后再上全因子或响应曲面做精细优化，这才是正确的进阶路径。
误区二：分辨率选太低却想分析交互。分辨率III的设计里主效应与二阶交互混淆，用它解读交互作用等于"拆盲盒"。如果后续确认交互作用重要，可以用折叠设计（fold-over）把符号取反再补做一轮试验，解开混淆。
误区三：忽视随机化与区组化。按方便的顺序做试验，换班、升温、材料批次这些系统漂移都会悄悄混进结论，让你把噪声当成效应。随机化是DOE的基石，省不得。
误区四：不做确认试验就放大批量。试验是"小样本"结论，放大前必须用独立批次的确认试验复核，否则一次失败的放大就可能吃掉全部收益。
误区五：只盯显著因子，忽略不显著因子的成本。不显著意味着"怎么选都行"，那就选最便宜、最稳定、最省节拍的水平——DOE的隐藏红利，恰恰藏在这些"不用管"的因子里。
部分因子设计的本质，是用统计学的巧劲换取试验资源的省劲。它不是偷工减料，而是把有限的试验次数花在信息量最大的地方：先筛准，再优化。对每一个被"因子太多、试验做不起"困住的质量人来说，这16次试验的价值，远不止省下240次试验，更在于让改进从"赌运气"变成"算出来"。
试验次数可以少，结论不能含糊——先筛准，再优化，用最少的试验做最靠谱的决定。
知识编号：6.4.1
版本：v20260806
作者：卓越质量智库 卓越质量智库致力于为质量管理从业者提供系统化的专业知识、方法论与实战工具，助力企业质量能力持续提升。