- •Основные требования к объектам исследований.
- •Основные принципы планирования эксперимента.
- •Основные этапы пэ.
- •Требования к параметру оптимизации.
- •Задачи с несколькими выходными параметрами.
- •Факторы.
- •Выбор модели.
- •Геометрическая интерполяция модели.
- •Поверхность отклика будет иметь следующий вид.
- •Допущения относительно свойств модели.
- •Предпосылки выбора модели.
- •Факторный эксперимент.
- •Преимущества факторных экспериментов.
- •Метод варьирования факторов по одному:
- •Полный факторный эксперимент.
- •Алгоритм принятия решения при выборе основного уровня.
- •При выборе интервала варьирования необходимо учитывать:
- •Полный факторный эксперимент 2 типа.
- •Геометрическая интерпретация пфэ 22.
- •Приемы построения матриц.
- •Свойства пфэ типа 2k.
- •Построение математической модели на основе пфэ.
- •Дробный факторный эксперимент.
- •Минимизация числа опытов.
- •Правила минимизации числа опытов.
- •Дробная реплика.
- •Порядок проведения эксперимента.
- •Оценка значимости результатов опытов
- •Проверка однородности дисперсии.
- •Критерий Фишера.
- •Критерий Кохрена.
- •Обработка результатов эксперимента.
- •Система нормальных уравнений мнк.
- •Геометрическая интерпретация уравнений(коэффициентов) регрессии.
- •Условие корректного применения регрессионного анализа.
- •Проверка значимости коэффициентов регрессии.
- •Проверка адекватности модели.
- •Методы поиска оптимума функции.
- •Шаговый метод.
- •Анализ результатов моделирования процессов.
- •Принятие решения после принятия решения.
- •Выделение существенных факторов.
- •Насыщенность плана:
- •Насыщенные дробные факторные планы.
- •Насыщенный эксперимент, планы Плакетте – Бермана.
- •Построение матриц.
- •Метод случайного баланса.
- •Планы для изучения поверхности отклика.
- •План подбора модели 2го порядка.
- •Центральные композиционные планы.
- •Ортогональные планы второго порядка.
- •Рототабельное планирование 2го порядка.
Выделение существенных факторов.
При исследовании сложных процессов, на которые воздействует большое число факторов, обычно заранее неизвестны, какие из этих факторов считать доминирующими.
Такие методы построения математических моделей, как регрессионный анализ, включают в себя проверку значимости коэффициентов регрессии при большом числе факторов неприемлемы ( Почему? Требует большого числа опытов.).
Цель полученных методов: получение грубых оценок взаимодействия факторов при возможно меньших затратах (при минимизации числа опытов).
Дисперсионный анализ, в основу которого положено предположение о том, что существенность некоторого дискретного фактора характеризуется его вкладом в дисперсию входной величины (в курсе статистических методов).
Насыщенные дробные факторные планы основаны на предположении о наличие эффектов и, приводящие к оценке существенных факторов по их вкладу в математическое ожидание выходной величины.
Насыщенные экспериментальные планы Плакетте - Бермана, которые предполагают наличие только линейных эффектов.
Метод случайного баланса предполагает, что среди рассматриваемых факторов не все являются существенными, что позволяет применять сверхнасыщенное планирование, в котором число факторов больше числа опытов.
Опрос экспертов с целью ранжирования факторов по степени их влияния.
Введем понятие
- число степеней свободы;
N – число опытов;
К – число искомых параметров.
Насыщенность плана:
Если > 0 и N>K, то есть число проведенных опытов превышает число оцениваемых параметров, то план называется насыщенным.
При = 0, N=K – насыщенный;
При <0, N<K – число оцениваемых параметров превышает число опытов – сверхнасыщенный.
Насыщенные дробные факторные планы.
Зависимость между целевой функцией и факторами, представляется в виде линейной модели:
y=b0+∑ni=1bixi
Допущения: доминирующими являются только линейные эффекты. Число опытов 1 на уровне +1;-1 = числу искомых параметров.
С помощью дробного насыщенного факторного плана
2k-m , где
2 – число уровней;
k – число факторов;
m – число взаимодействий, которые занимает фактор.
Можно исследовать фактор 2k-m факторов, т е 3,7, 15, 31, 63 и т д факторов (вместо k подставить цифры).
Оценка коэффициентов регрессии bi определяется независимо друг от друга и смещена с взаимодействиями, если таковые имеются. Значимость коэффициентов регрессии а => и факторов проверяется с помощью t критерия, доверительные границы для каждого коэффициента следующие:
bi - tSbi < βi < bi + tSbi
βi - искомое значение коэффициента регрессии;
bi - оценка коэффициента регрессии βi;
t – табличное значение критерия Стьюдента (знать уровень значимости – ошибка (примерно = 5%) + число степеней свободы).
Sbi - ошибка определения bi.
(Несколько раз определяем коэффициент bi, определяем разброс – эмпирически СКО).
Если попадает βi попадает в доверительный интервал для некоторого коэффициента регрессии, то соответствующий фактор признается несущественным.