- •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.
Свойства пфэ типа 2k.
Целью ПФЭ является получение модели, поэтому будем рассматривать только те свойства матриц, которые определяют качество модели. Модель должна обеспечивать точность предсказываемого параметра оптимизации, и не должна зависеть от направления в факторном пространстве, т к заранее неизвестно куда предстоит двигаться в поисках оптимума.
Симметричность относительно центра эксперимента – алгебраическая сумма элементов, вектор-столбца каждого фактора =0.
j – номер фактора;
i – номер опыта;
N – число факторов.
Условие нормировки – сумма квадратов элементов каждого столбца = числу опытов.
Ортогональность матрицы планирования – сумма почленных произведений любых двух вектор-столбцов матрицы = 0.
j≠u
Рототабельность матрицы планирования – заключается в том, что точки матрицы планирования подбираются так, что точность предсказания значения параметра оптимизации одинакова на равных расстояниях от центра эксперимента и не зависит от направления.
Построение математической модели на основе пфэ.
Для получения математической модели процесса необходимо по результатам эксперимента найти значения ее коэффициентов. Так для математической модели y=b0+b1x1+b2x2, необходимо найти b0,b1,b2.
Очевидно, что b0,b1,b2, полученные по результатам эксперимента не являются истинными значениями коэффициента, а только их статистическими оценками. Достоверность которых тем выше, чем больше число опытов, т е эксперимент проводятся для проверки гипотезы о том, что линейная модель Ѳ=ß0+ ß1x1+ ß 2x2, адекватна, где Ѳ; ß; ß1;ß 2 – истинные значения функции откликов и коэффициентов регрессии.
№ |
X1 |
X2 |
y |
1 |
-1 |
-1 |
y1 |
2 |
+1 |
-1 |
y2 |
3 |
-1 |
+1 |
y3 |
4 |
+1 |
+1 |
y4 |
Для расчета коэффициента b1, используется столбец X1.
Можно показать, что b0 есть среднее арифметическое параметра оптимизации:
Коэффициенты при независимых переменных указывают на силу влияния факторов, т е чем больше численное значение коэффициента, тем большее влияние оказывает фактор на функцию отклика.
Следует отметить, что мы только предполагаем что в выбранном интервале варьирования процесс описывается линейной моделью. Нелинейность математической модели часто обуславливается тем, что эффект одного фактора зависит от уровня на котором находится другой фактор, т е модели необходимо учитывать, эффект взаимодействия факторов.
Для ПФЭ 22 матрица планирования с учетом эффекта взаимодействия будет иметь следующий вид:
№ |
X1 |
X2 |
X1 X2 |
y |
1 |
-1 |
-1 |
+1 |
y1 |
2 |
+1 |
-1 |
-1 |
y2 |
3 |
-1 |
+1 |
-1 |
y3 |
4 |
+1 |
+1 |
-1 |
y4 |
y=b0+b1x1+b2x2+b12x1x2
b12=(+1)y1+(-1)y2+(-1)y3+(-1)y4
4
В инженерной практике расчет коэффициентов модели часто производят по методу Йетса.
1 |
2 |
2 |
y1 |
y1+ y2 |
(y1+ y2)+( y3+ y4) |
y2 |
y3+ y4 |
(y2- y1)+(y4- y3) |
y3 |
y2- y1 |
(y3+ y4)-( y1+ y2) |
y4 |
y4- y3 |
(y4- y3)-( y2- y1) |
В первом столбце таблицы выписан вектор-столбец значений параметра оптимизации.
1ая операция (2ой столбец) состоит в попарном сложении и вычитании этих значений (причем верхнее число вычитается из нижнего).
2ая операция (3ий столбец) состоит в том же действии, но уже с элементами второго столбца. Разделив числа, получившиеся в 3ем столбце на число опытов, получим значения коэффициентов.
Пример:
Пусть матрица планирования имеет следующий вид:
№ |
X1 |
X2 |
X1 X2 |
y |
1 |
-1 |
-1 |
+1 |
95 |
2 |
+1 |
-1 |
-1 |
90 |
3 |
-1 |
+1 |
-1 |
85 |
4 |
+1 |
+1 |
+1 |
82 |
b0=95+90+85+82=88
4
b1=-95+90-85+82=-2
4
b2=-95-90+85+82=-4,5
4
b12=95-90-85+82=0,5
4
Число возможных взаимодействий конкретного порядка можно определить по формуле сочетаний:
Ckm= k!
m!(K-m)!
K – число факторов
m – число факторов во взаимодействии
Так для плана 24 число парных взаимодействий будет =
C164=
16! =16*15*14*13*12!=43680=1820
4!(16-4)!
4*3*2*12!
24