- •Глава 3 активный эксперимент. Ортогональные планы первого порядка
- •Полный факторный эксперимент
- •Обработка результатов эксперимента
- •Дробный факторный эксперимент
- •Применение планов первого порядка в отсеивающих экспериментах
- •Глава 4 планирование эксперимента при отыскании экстремальной области
- •Классические методы определения экстремума
- •Факторные методы определения экстремума
- •Центральные композиционные планы второго порядка
- •Ортогональные центральные композиционные планы
- •Глава 5 дисперсионный анализ при экспериментальном исследовании
- •Однофакторный дисперсионный анализ
- •Двухфакторный эксперимент. Иерархическая и перекрестная классификации
- •Латинские и греко-латинские квадраты
Центральные композиционные планы второго порядка
Полный или дробный факторный эксперимент позволяет получить независимые оценки коэффициентов при независимых переменных уравнения регрессии, а также их некоторых линейных взаимодействиях.
Из теории аппроксимации известно, что для получения линейной модели достаточно каждый из факторов варьировать на двух уровнях.
Коэффициенты
при факторах во второй степени из
двухуровневого планирования
определить нельзя, так как они смешаны
со свободным членом. Вектор-столбец
для фактора во второй степени
во всех строках будет содержать лишь
+1,
независимо
от уровня варьирования фактора xj,
и
Чтобы, например, определить положение кривой на плоскости, необходимо фактор варьировать на трех уровнях (известным примером является проведение окружности через три точки).
Таким образом, для получения регрессионной модели, включающей и факторы во второй степени, необходим план активного эксперимента, предусматривающий как минимум три уровня варьирования каждым фактором. В качестве такого уровня может быть выбран «нулевой» уровень, при котором хj = 0. Однако ПФЭ с числом уровней варьирования k = 3 обладает большой избыточностью, так как число опытов N = 3n.
Одним из подходов при построении планов второго порядка состоит в использовании результатов планирования на последнем шаге крутого восхождения. План такого вида получается достраиванием плана, представляющего собой факторный эксперимент в окрестностях базовой точки, дающего неадекватную регрессионную модель и называемого композиционным, или последовательным, состоящим из нескольких частей, которые осуществляются последовательно. Эти части таковы [20]:
«ядро» плана, включающее точки ПФЭ или ДФЭ, в которых уже были поставлены опыты, но результаты которых дали неадекватную линейную модель;
«звездные» точки, лежащие на всех п осях-факторах по обе стороны от центра плана (базовой точки) на расстоянии α, называемом «звездным» плечом (точки называются «звездными», так как они обычно обозначаются крестиками, как показано на рис. 4.5);
центральная точка с кодированным значением фактора xj = 0, в которой проводится серия из N0 параллельных опытов.
Рис. 4.5. «Звёздные» точки плана
Общее число точек в факторном пространстве, в которых реализуются опыты:
N = Nф + Nα + N0,
где Nф = 2n-p (при ПФЭ р = 0) — число точек факторного планирования на двух уровнях; Nα = 2 • п — число «звездных» точек (п — число факторов); N0 — число точек (опытов) в центре плана.
Поскольку композиционный план предусматривает постановку опытов в центре плана и его точки расположены симметрично относительно центра (рис. 4.5), то его называют центральным.
Таким образом, в центральном композиционном плане (ЦКП) осуществляется варьирование независимыми переменными на пяти уровнях:—α; —1; 0; +1; +α. Значение «звездного» плеча α выбирается из условия выполнения критерия оптимальности плана. Из этих же соображений выбирается и число центральных точек N0.
Центральные композиционные планы в зависимости от критерия оптимальности бывают двух видов:
ортогональные, для которых критерием оптимальности является Ортогональность всех вектор-столбцов матрицы планирования, что обеспечивает независимость оценок коэффициентов уравнения регрессии (в том числе и при квадратичных членах);
ротатабельные, для которых критерием оптимальности служит одинаковая точность прогнозирования функции отклика по уравнению регрессии в любом направлении исследуемой области факторного пространства на равном расстоянии от центра плана, обеспечивающие равномерное распределение информации по гиперсфере, центр которой совпадает с центром плана (с базовой точкой).
