流程制造中，工艺参数设定决定了产品质量、收率和能耗。温度高一度，收率可能降两个点；压力低一点，产品纯度可能不达标。很多企业的参数设定是“当年开车时定的值”，设备用了十年，参数用了十年。原料批次换了、设备老化了、环境条件变了，参数还是老样子。

工艺参数优化就是用数据找到最优的操作区间，不是“老师傅觉得多少好”，而是“数据证明多少好”。

一、为什么要优化工艺参数

原料变了。同一牌号原料不同批次之间有差异，用同一套参数处理不同批次的原料，结果自然不一样。

设备老了。换热器结垢了，传热效率下降；催化剂老化了，活性降低。十年前的最佳温度，今天已经不是了。

产品要求变了。客户对质量的要求在提高，老参数可能满足不了新标准。或者质量过剩，老参数太保守，成本高。

操作人员在变。老法师退休了，新员工接班。经验没有传承，参数就慢慢漂移了。

问题是很多企业不知道怎么优化。靠老师傅试，效率低、风险大；靠DOE(实验设计)，周期长、成本高；靠经验调，调来调去又调回去了。

二、参数优化的数据基础

参数优化需要数据，但很多企业的数据不能用。数据质量问题是第一道坎。历史数据中大量批次是在不同条件下生产的，参数已经调过了，用这些数据做分析会得出错误结论。参数没有记录或记录不全，不知道每批实际运行参数是多少。仪表不准导致记录值不可信。关键质量指标只有合格/不合格，没有连续数值，无法做相关性分析。

数据准备需要做几件事：仪表校准，确保采集的数据可信。参数自动化采集，不要人工录入。记录足够多的批次，最好超过50批。覆盖参数的各种取值范围，不能只有“正常范围”的数据。

三、参数优化的方法

单参数优化是最简单的方法。固定其他参数，只改变一个参数，观察质量/收率的变化。比如温度从75℃到85℃，每2℃做一批，找出最佳区间。适用于参数间耦合不强的场合，但效率低，多参数组合时批次太多。

正交试验是工程上最实用的方法。用少量试验覆盖多参数多水平的组合。比如3个参数、3个水平，全试验需要27次，正交试验只需9次。适用于参数个数适中(3-5个)的优化问题。

响应曲面法比正交试验更精细，可以建立参数与响应之间的数学模型，找到最优组合。适用于精度要求高的场合，但试验次数更多，对数据质量要求更高。

基于历史数据的分析是成本最低的方法。从正常生产的历史数据中找出质量/收率最好的批次，反向分析这批的参数组合。不需要做试验，直接用历史数据，但要求历史数据本身已经覆盖了较宽的参数范围。

四、实际案例：反应温度优化

问题：某精细化工产品，收率在72%-78%之间波动，平均值75%。希望稳定在77%以上。
数据准备：收集过去3个月、150批次的生产数据。每批记录：反应温度(控74-82℃)、反应时间(6-8小时)、催化剂用量(0.8%-1.2%)、原料纯度(98%-99.5%)、收率。
初步分析：散点图显示收率与温度呈倒U形，75-77℃时收率最高，低于75℃或高于77℃收率都下降。收率与催化剂用量正相关，与原料纯度正相关，与反应时间在7小时以上趋于平稳。
结论：最佳反应温度75-77℃，催化剂用量≥1.1%，原料纯度≥99%时收率可稳定在78%以上。
措施：将反应温度目标值从76±2℃收窄到76±1℃。催化剂用量从0.9%-1.1%调整为1.05%-1.15%。原料纯度低于99%时单独处理，用不同参数。
效果：调整后收率稳定在77.5%-79%，平均值较原来提升3个百分点，年效益超过200万元。