Exect
在完成了DOE设计的第2步，下一步的工作是执行。在测试矩阵中的每一
行，代表为各种因素的一种结合，它必须经过文章中所涉及问题的针对性测试。不过，在进行这些试验前需要制备一套相应的补步行动方案；
首要的行动是进行涵盖整个测试计划
的工作危害分析（JHA）。该JHA的功能是要找出在试验中的潜在危险，并制定适当的计划（例如，使用人员保护装置，挂牌上锁等） 。当然， hazscan技术应该用来在整个测试，以确定在JHA中没有被考虑到的新的风险。
其次，评估有可能反复
的，需要对每一个测试案例（即每排的DOE测试矩阵） ，需要加以估计。这里需要两个输入去做出决定；一个是对于不同过程响应的期望值的估计，另一个是我们希望去发现的系统相应的最小差异性，我们希望的得到最小差异的测试总数是32次。这是
一个准则，即应当遵循如果可能的话，但很多时候是重复试验室不切合实际的。
可以非常有趣的发现，DOE测试是一个数值模拟（即建模，分析，仿真和
计算（ MASC ）工具） 。强大的分析工具来优化系统响应，判断自己的分析模型。在大多数情况下， MASC工具，不会有任何的过程中的变异性，所以对任何一个DOE测试条件都不存在需要进行重复性试验 DOE运行测试的顺序，应尽可能的随机，以此来减少外界环境对于最终结果的潜在影响。另一个因素是我们在测试过程中不知道会发生什么事，而不得不去停止测试矩阵；运行随即程序的话，我们不会遗漏任何东西；如果，从另一方面，例如采用标准表上的全因子分析进行第一个因子的分析，或者只是前一半，那么，如果测
试是停止在这一部分，就不会从第一个因子里得出任何结论。但是，这个随机增加了相当多的时间和费对于DOE测试项目，而且可能不值得。
在进行实际测试之前所需要讲的最
后一个重要环节是进行测量系统的评估。事实上，这项评估工作应尽可能早的进行，以确保获取高质量的数据。标准DOE术语称这部分工作为可重复性和可再现性（Gage R&R） 。重复性定义由一个人用同一个测量系统多次重复测量同
一个系统。再现线定义不同的人用同一个测量系统测量同一个系统。商业DOE的软件包，如minitab ，提供最先进的方法来分析Gage R&R，一般准则，是测量差异小于整体期望差异的20%。如果不是，那么在DOE测试即可开始前必须找到一种改进或替代手段；
Analyze Data
完成DOE试验并填完矩阵中的响应后，下一步就是对数据的分析，有一大堆的分析工具可以用来对DOE的数据进行分析。这章将着重讲述这些工具，以及如何在主要的3类DOE试验中使用它们（筛选型、建模型、鲁棒型DOE设计）。 让我们从筛选型DOE试验的数据开始。一个典型的12次筛选型试验设计，可用于筛选6-11个潜在因子。筛选型DOE的目的是找出对结果影响最大的因子，来减少试验中的因子数目。两类图对该评价效果显著，主效应图和帕累托图。 一个简单的9因素案例如右图所示。每个因素都有2水平（在这里显示为+1和-1）首先，我们可以用主效应图找出9个因素中对结果影响最大的因子，如图2.2所示.这幅图
里，每个因素都有其对结果影响的一幅小图，显示两个水平对结果音响的高低。筛选型DOE设计通过使因子有相同多的相应数据，来保持其评价的公平性。 主效应图因此被用来确定哪个因素影响最大。因此，这些有着最大斜率的因素也对结果影响较大，他们将被延用至下依次的试验。在这个案例中，因素A和G是最显著的
帕累托图示另一类典型的DOE分析图，他也可被用在筛选型DOE试验中，来寻找关键因素。他把主效应的斜率直接反映在图上来进行对比。图2.3是一个简单的帕累托图，通过它也可看出A和G是显著因素。
接下来，建模型的DOE设计将被讨论。这类DOE的目的是通过观测试验反应来建立数学模型。该模型也有对结果影响明显的2水平，并得出经验性，线性和非线性的模型。两类模型都可以用简单的图形工具看出来。 例如，一个2因素，3水平，2仿行的全析因的测试数据如右图所示。在这个案例中，潜在的线性和非线性被考虑在内。
左边的主效应图显示当X变化时结果不在同一体条线上，表示其存在明显的非线性。
同理，左边的图交互作用图，显示XY的共同变化存在着明显的线性。
这些图表提供视觉洞察到系统响应。实际估计的参数值为经验模型，可利用方差分析（ANOVA）技术，这是一个支持DOE的商业包的线性回归法软件
一个例子，右边图标的样本建模设计是一个典型的方差分析。评估可以为六个系数（ 1个斜线，2个主要的影响项，2非线性项，和1个交互作用项） 。首先， 我们应该通过看R-Sq来评估整个经验模型。这是一个通过实际标准数据来评估整个经验模型相互关系是否恰当。当R-Sq > 80 ％ ，是理想的建模DOE测试。在这种情况下，模型的拟合优度非常好（即99.9 ％ ） 。
估算的六个潜在经验模型系数在表中的“Coef”栏中体现。所有DOE软件包用\值提供一个统计显著性。一般规则是，如果P值小于0.1 ，这一项是有巨大意义的，应该被保留在DOE经验模型中。
最终的DOE数据分析程序，以涵盖所有与之相关的鲁棒性。你会回想起，鲁棒性设计的目的是否是要选出最佳的组合控制因子值（所谓内排列） ，使得因子对于系统响应的敏感性达到最小（称为外阵） 。第一步就是要转换成测量系统响应值在两个噪音水平，设定一个适当的S / N比。三种常用的S / N值给在右边的表上给出指示。\较大的是更好地\， \正常是最好的\， \较小就是更好的\，指的响应值。举例来说，如果我们正在处理
的系统响应时噪音水平，我们自然会选择\较小，是较好的\比率，因为我们想尽量减少噪音水平，同时也最大限度地减少其差额。
为了说明这个过程中，假设我们可以得到鲁棒性DOE数据集如下图右。Taguchi L4 2-factor DOE被用来提出系统响应中高的或者低的期望值。我们将用一个\较小是较好的\值。最适宜的控制因子值