试验做完了，结论却选错了？——某电子企业 DOE 结果分析全流程案例剖析

很多企业导入试验设计（DOE）后，把精力全押在"方案设计"上：因子选几个、水平怎么定、用全因子还是部分因子，反复推敲；可真到试验跑完、数据摆在面前时，却只会拉个平均值、比个高低，草草收场。结果往往是：试验做了，钱花了，结论却选错了。本文以某电子制造企业的波峰焊工艺改进为案例，完整复盘一次"会做试验、不会看数据"的翻车现场，以及正确的 DOE 结果分析应该怎么做。

一、案例背景：18 次试验做完，良率纹丝不动

某电子制造企业主要生产电源板卡，波峰焊工序的焊接不良率长期在 2.8% 左右，虚焊、连锡、桥连三类缺陷占八成。客户连续两个季度投诉，企业立下军令状：三个月内把不良率压到 1.0% 以下。

工艺团队选了四个候选因子做全因子试验：预热温度（100～140℃）、锡炉温度（245～265℃）、传送链速（0.8～1.4 米/分钟）、助焊剂喷涂量（0.6～1.0 毫升/分钟），采用 2 的 4 次方全因子设计，另加 2 个中心点，共 18 次试验，每次随机抽 200 块板统计不良率。

试验三天跑完，数据却让团队犯了难。有人把四个因子分别按"高水平平均不良率对低水平平均不良率"拉了一遍：锡炉温度高时平均 1.6%、低时 3.0%，结论是"锡温越高越好"；链速快慢平均都是 2.3%，结论是"链速没影响"；预热温度和喷涂量也"没影响"。于是团队把锡温调到上限 265℃，链速取高速 1.4 米/分钟——理由是"既然没影响，跑快点还能提产能"。

试产一周，结果当头一棒：不良率不降反升到 2.5% 左右，离 1.0% 的目标差了一大截；而试验记录里明明出现过 0.7% 的好成绩，却怎么也复现不出来。团队内部开始有人嘀咕："DOE 是不是就是碰运气？"

二、第一道坎：平均值对比，把交互作用"平均"没了

问题出在分析方法上。"分别比较单个因子的平均值"有一个致命前提——因子之间互不影响。一旦因子之间存在交互作用，这个办法就会把真相"平均"掉。

看这次试验里锡炉温度（B）与链速（C）的组合数据：锡温 245℃、慢链速时不良率 2.1%，锡温 245℃、快链速时 3.9%；锡温 265℃、慢链速时 0.7%，锡温 265℃、快链速时 2.5%。链速的影响方向完全取决于锡温：锡温高时必须配慢链速，配快链速反而更差。把四个组合一平均，链速快慢都是 2.3%，"没影响"的结论就是这么来的——不是没影响，是影响被平均掉了。

交互作用在工程上非常常见：温度高了，焊料流动性变好，板子在炉子里多待一会儿（慢链速）才能充分浸润；温度不够时，待得越久氧化反而越严重。两个因子必须"配对"看，不能单独看。

三、正确的打开方式：先看模型，再看效应

正确的 DOE 分析不是拉平均值，而是做方差分析（ANOVA），流程分四步。

第一步，看模型整体。先看模型 P 值是否显著、失拟项是否不显著，确认试验没白做、模型没漏项。第二步，逐项检验。把主效应和所有二阶交互项列出来，逐个看 P 值，剔除不显著的项。本案例中，锡炉温度（P＜0.001）和"锡炉温度×链速"交互项（P＜0.001）显著，其余各项都不显著。第三步，看拟合优度。修正后的 R 方达到 0.93，说明模型解释了绝大部分波动。第四步，也是最重要的一条铁律：只要交互项显著，就不能单独解读主效应。"锡温越高越好"这句话，只有在链速固定时才对。

很多团队在这里栽跟头：只盯着主效应的 P 值，交互项要么没看、要么看不懂，最后拿着"半截模型"去调参数，当然会翻车。

四、交互作用图：把统计结论翻译成工程语言

统计结果要落地，离不开图形。把 B、C 两个因子画成交互作用图：横轴是链速，两条线分别代表锡温高低。两条线几乎平行，说明没有交互；两条线交叉，说明交互强烈。本案例的两条线呈明显的"X"形交叉——这正是交互作用最直观的证据。

从图上可以读出工程结论：锡温 265℃ 必须配 0.8 米/分钟的慢链速，预期不良率约 0.7%；锡温 265℃ 配快链速，预期 2.5%。主效应图、交互作用图配合 P 值表，就能把"统计显著"翻译成"参数怎么设"。

五、残差诊断：别让一个异常点带偏整场试验

分析还没完。模型建好后必须做残差诊断，检查三件事：残差是否近似正态、是否随拟合值波动、是否有异常点。

本案例就抓到一个"内鬼"：第 13 号试验的不良率是 4.1%，明显偏离模型预测。翻试验日志发现，当天助焊剂喷头临时堵塞，操作员记录了异常但没当回事。如果不做残差诊断，这个点会把"助焊剂喷涂量"硬生生拽成显著因子，误导后续决策；把它识别出来、结合日志确认原因后剔除，模型立刻干净了。这也提醒我们：试验日志和随机化顺序一样重要，异常点不是"脏数据"，而是带着信息的线索。

六、确认试验与工程权衡：显著不等于照搬

模型给出最优组合：锡温 265℃、链速 0.8 米/分钟、预热温度取中值、喷涂量取中值。团队按此做了 5 天确认试验，不良率分别为 0.6%、0.8%、0.7%、0.9%、0.7%，均值 0.74%，良率稳定在 99.3%，达到并超过了 1.0% 的目标。

不过工程决策没有停在统计上：慢链速意味着产能下降约 15%，车间一度反对。财务算了一笔账——不良率从 2.8% 降到 0.7%，每年减少返工、报废和客户索赔约 80 万元，远超产能损失，最终按新参数固化，写入标准作业书和控制计划。另外，中心点试验结果与线性模型预测基本一致，说明不存在明显弯曲，不需要再上响应曲面做二次优化，省下了一轮试验。

七、复盘：DOE 结果分析的五条要点

回头看，这次改进真正难的环节不是跑完 18 次试验，而是把 18 个数字读对。五条要点值得记住：一是别用平均值对比代替方差分析，交互作用会被"平均"掉；二是交互项显著时，主效应不能单独解读；三是交互作用图必须和 P 值一起看；四是残差诊断能揪出异常点，避免假显著；五是统计结论必须经确认试验验证，并结合成本、产能做工程权衡。

同样的试验，会分析的人拿到 0.7% 的良率，不会分析的人拿到 2.5% 还质疑方法。DOE 的差距，往往不在设计，而在分析。

DOE 的上半场是设计试验，下半场是读对数据；读不对数据，再精巧的设计也会被浪费。

知识编号：6.4.1

版本：v20260825

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。