响应面RSM二阶模型与参数优化器｜SPC实战工具
这个工具解决什么问题
工艺调优最常见的困境：单因子试验找不到最优点，全因子试验又做不起。响应面法（RSM）用 13 次实验拟合出带曲率和交互项的二阶模型，一次看清「功率、压强、温度」等因子的联合影响。本工具内置 2 因子 CCD 设计表生成、最小二乘拟合（纯 Python 高斯消元）、R²/调整 R² 评估与编码空间网格寻优，输出最优参数组合、预测最优响应、中心点对比改善幅度与验证试验计划——刻蚀、镀膜、回流焊、注塑等连续工艺参数优化通用。
输入数据格式
数据文件 rsm_ccd_data.csv，列顺序为：序号、x1_编码、x2_编码、射频功率 RF(W)、腔体压强 PR(Pa)、均匀性σ(%)。
示例首行：1,-1,-1,200.0,1.1102230246251565e-16,3.8702860070923673
示例输出（真实运行结果节选）
======================================================================== 响应面 RSM 二阶模型分析与工艺参数优化报告 ======================================================================== 一、实验设计（CCD 中心复合设计） 因子 A：射频功率 RF，300~500 W（编码 -1 ~ +1） 因子 B：腔体压强 PR，0.8~2.4 Pa（编码 -1 ~ +1） 设计点：析因 4 + 轴点 4（α=±1.414）+ 中心点 5，共 13 次实验 响应：刻蚀均匀性 σ（%%，望小特性，越小越均匀） 二、二阶模型拟合结果 y = 2.9983 +1.0981*x1 -0.7900*x2 +0.8549*x1² +0.5975*x2² -0.2947*x1*x2 R² = 0.9998 ｜ 调整 R² = 0.9996 ｜ 残差平方和 = 0.0046 曲率项 b11=0.855、b22=0.598 均为正 → 响应面呈开口向上的碗状，存在内点最优； 交互项 b12=-0.295，说明功率与压强的最优搭配存在耦合，不能单因子调参。 三、参数寻优结果（编码空间网格搜索，步长 0.02） 最优编码点：x1 = -0.55，x2 = +0.53 最优实际参数：射频功率 RF ≈ 245 W，腔体压强 PR ≈ 1.22 Pa 预测最优均匀性 σ = 2.49%（当前中心点预测 3.00%，改善 17%） 四、工艺建议与验证计划 1. 先把 射频功率 RF 调到 245 W、腔体压强 PR 调到 1.22 Pa 跑 3 片验证片； 2. 验证片实测均值若与预测值偏差超过 0.3 个 σ，说明模型外推失真，需补中心点复核； 3. 参数落点建议按「预测值 + 1 个标准差」留裕量设定量产 Recipe； 4. 若产能要求与最优点冲突，可在等高线 y<=2.69% 的范围内权衡。 五、结论 两因子对均匀性的影响以二阶曲率为主（b11=0.85、b22=0.60）， 网格寻优给出最优工作点 射频功率≈245 W / 腔体压强≈1.22 Pa， 预测均匀性可从中心点的 3.00% 降到 2.49%。模型 R²=1.000，可信度充分。
一句话
用中心复合设计拟合二阶响应面，把「凭手感调参数」变成网格寻优给出的最优工作点。
运行环境与快速开始
python rsm_optimizer.py
输入数据格式（换成你的数据即可）
· 自动生成 CCD 设计表（析因 4 + 轴点 4 + 中心点 5） · 因子定义处修改名称/低水平/高水平即可换成你的工艺
输出说明
二阶回归方程、R² 与调整 R²、最优编码点与实际工艺参数、预测最优响应与改善幅度、工艺验证建议。
算法口径（关键公式）
· y = b0 + b1x1 + b2x2 + b11x1² + b22x2² + b12x1x2 · 正规方程 (X'X)b = X'y · R² = 1 − SS_res/SS_tot
判定标准说明
脚本顶部集中了主要阈值与常量：CSV_PATH=os.path.join(HERE, "rsm_ccd_data.csv")、RPT_PATH=os.path.join(HERE, "示例输出报告.txt")。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：rsm_ccd_data.csv、示例输出报告.txt。
脚本里的主要处理步骤
true_response()：真实物理响应（演示用隐藏模型）：均匀性 σ%，望小，最优在编码约 (-0.55, +0.53)。build_design()：生成 CCD 设计表与响应（含轻微测量噪声由固定偏置模拟，保证可复现）。lstsq()：解 (X'X)b = X'y（纯 Python 高斯消元）。optimize()：编码空间网格搜索最小值，再围绕最优点细扫。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- 射频功率 RF
- 腔体压强 PR
- 生成 CCD 设计表与响应（含轻微测量噪声由固定偏置模拟，保证可复现）。
- x1_编码
- x2_编码
- 均匀性σ(%)
- 解 (X
- y（纯 Python 高斯消元）。
- 设计矩阵奇异
- 编码空间网格搜索最小值，再围绕最优点细扫。
- R2=%.3f 拟合异常
- 最优均匀性 %.2f%% 数量级异常
- 最优点越界
- 二阶项应为正（存在内点极小），示例口径异常
- 响应面 RSM 二阶模型分析与工艺参数优化报告
- 一、实验设计（CCD 中心复合设计）
- 因子 A：%s，%.0f~%.0f %s（编码 -1 ~ +1）
- 因子 B：%s，%.1f~%.1f %s（编码 -1 ~ +1）
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：rsm_optimizer.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 6 列：序号、x1_编码、x2_编码、射频功率 RF(W)、腔体压强 PR(Pa)、均匀性σ(%)。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
同分类的其它工具
分类归属：SPC与质量分析工具包；完整清单在 工具资源包下载页。
