Основы научных исследований и патентоведение

130

верхнем и нижнем уровнях, что соответствует xi = +1, xi = –1. Для удобства планирования эксперимента составляют планы (рисунок 5.3) и матрицу (таблица 5.1) двухфакторного эксперимента, в соответствии с которыми и проводят исследования.

x2

6рот

7рот

-x2

Рисунок 5.3 – Планы для функций y = f(x1, x2)

Таблица 5.1 - Матрица планирования эксперимента

Как следует из матрицы, первый опыт проводят при минимальных значениях факторов z1 и z2, четвертый – при максимальных значениях z1 и z2,

второй – при минимальном значении z2 и максимальном z1, а третий – наоборот.

Аналогично составляют полином, план и матрицу планирования для проведения 3-х, 4-х и большего количества факторов. План трехфакторного эксперимента представлен на рисунке 5.4, матрица – в таблице 5.2.

132

уровней варьирования каждого последующего фактора вдвое меньше, чем у предыдущего. У последнего фактора уровни изменяются всего два раза.

Матрица планирования полного факторного эксперимента в этом случае обладает следующими свойствами:

Здесь m – число опытов полного факторного эксперимента; j – номер опыта; i, u – номер факторов.

Свойство, выраженное уравнениями (5.3), называется ортогональностью, а матрица – ортогональной (прямоугольной). Это свойство обеспечивает относительную простоту вычисления коэффициентов регрессии, которые определяют по формулам:

Формулы (5.4) применимы только для вычисления коэффициентов ортогонального линейного полинома. В самом же общем виде коэффициенты регрессии вычисляют с помощью многочленов Чебышева, обеспечивающих минимум суммы квадратов отклонений.

Некоторые из коэффициентов уравнения регрессии могут оказаться незначительными, т.е. пренебрежимо малыми. Коэффициент регрессии значим и им пренебрегать нельзя, если

где t – критерий Стьюдента; Da – дисперсия, при определении коэффициента регрессии Da Dy / m , Dy – дисперсия среднего значения фактора.

Полученные таким образом уравнения линейной регрессии проверяют по условию адекватности (например, по критерию Фишера). Адекватность линейного полинома можно определить и путем вычисления коэффициентов

регрессии a12, …, a(n – 1)n, которые при адекватности линейного полинома равны нулю.

В случае линейного полинома для нахождения коэффициентов регрессии, используя метод дробного факторного эксперимента (ДФЭ), можно уменьшить количество опытов, которые представляют собой часть матрицы полного факторного эксперимента (например, 1/2, 1/4 часть и т.д.). Так, чтобы найти коэффициенты регрессии уравнения

y = a0 + a1x1 + a2x2 + a3x3,

необходимо провести восемь опытов согласно матрице планирования полного трехфакторного эксперимента. Однако их можно найти и при уменьшении количества опытов до четырех, реализовать половину матрицы, поскольку план трехфакторного эксперимента представляется в форме куба, параметры которого полностью определены, если зафиксирована диагональная плос-

133

кость и вершины куба, лежащие на ней (рисунок 5.4). В этом случае основу матрицы планирования составляет матрица двухфакторного эксперимента,

варьирование третьего фактора соответствует произведению x1x2 (таблица

5.3). Это преобразование допустимо, если коэффициент регрессии a12 незначим или равен нулю.

Таблица 5.3 - Матрица планирования эксперимента

Такое планирование эксперимента, когда некоторые факторы приравнивают к произведению нескольких факторов, называется планированием со

смешиванием. Его обозначают 2n – p, где n – число факторов; р – число факторов, приравниваемых к произведениям. Например, описанное выше планирование (таблица 5.3) обозначают 23 – 1.

Использование метода ДФЭ или дробных реплик дает возможность в несколько раз уменьшить число опытов при исследовании линейных моделей.

В таблице 5.4 приведена матрица планирования 27 – 4, позволяющая при восьми опытах определить коэффициенты регрессии линейного полинома:

y = a0 + a1x1 + a2x2 + a3x3 + a4x4 + a5x5 + a6x6 + a7x7.

Здесь принято х4 = х1х2; х5 = х1х3; х6 = х2х3; х7 = х1х2х3. Такие равенства называют генерирующими соотношениями, их выбор произволен, однако по-

вторение не допускается. Широко используются планы 23 – 1, 25 – 2, 26 – 3, 27 – 3 и т.д., позволяющие уменьшить количество опытов в два и более раз.

Таблица 5.4 - Матрица планирования 27 – 4

134

Если же экспериментальные данные не согласуются с линейной моделью, то исследуемый процесс стремятся описать поверхностью второго порядка. Использование полинома второго порядка для описания объекта ис-

следования на двух уровнях варьирования факторов xi недостаточно. При ис-

пользовании ПФЭ типа 3n резко возрастает количество опытов, план становится трудоемким, а формулы для вычисления коэффициентов регрессии – громоздкими.

Используя концепцию факторного пространства, можно дополнить двухуровневый план ПФЭ определенными (звездными) точками (рисунок

где 2n – количество опытов ПФЭ при q = 2; 2n – количество звездных точек;

N0 – нулевые точки.

Такие планы называются центральными, композиционными (ЦКП). Различают ортогональные (почти ортогональные) и ротатабельные ЦКП. При

ортогональных ЦКП количество опытов определяют по формуле m = 2n + 2n + 1.

При этом значение звездного плеча зависит от количества факторов n.

чать из планов 2n. Для этого к реализованному плану линейного полинома добавляют опыты в промежуточных «звездных» точках и в центре плана. Полученную при этом «композицию» используют для математического описания процесса в виде многочлена второй степени:

С учетом изложенного матрица ортогонального ЦКП для двух факторов представлена в виде таблицы 5.5.

В принятой матрице «0» показывает, что значения zi приняты в начале координат (рисунок 5.3). Коэффициенты регрессии в этом случае вычисляются с помощью формул:

136

Dy2

Daiu m (i 0), xij xiu 2

j 1

Коэффициенты a0, ai, aiu значимы, если выполняется условие (5.5). Адекватность полученного уравнения регрессии проверяется с помощью критерия Фишера. Для двух- и трехфакторного эксперимента вычисление коэффициентов регрессии можно производить вручную:

где с и - коэффициенты, которые приведены в таблицах 5.6 и 5.7. При проведении опытов с четырьмя и более факторами для вычисления коэффициентов полинома по формулам (5.7-5.10) необходимо использовать ЭВМ.

Таблица 5.6 - Значения коэффициентов c и

С учетом изложенного последовательность оптимального планирования эксперимента заключается в следующем.

1. Выбирают из n действующих в системе факторов наиболее значимые z1, z2, …, zi, …, zn.

137

2. Устанавливают пределы изменений выбранных факторов zimax и zimin, вычисляют основной уровень z0i и интервал варьирования zi и заменяют переменные zi кодированными хi.

3.Определяют комбинации факторов zi, при которых будет изучаться заданная система.

4.Разрабатывают методику измерения выбранных факторов, определяют погрешности и число повторений в каждой из выбранных комбинаций факторов.

5.Проводят эксперимент, одновременно корректируя его с учетом полученных данных. Если линейная модель не согласуется с результатами эксперимента, то проводят опыты в «звездных» точках.

6.Определяют уравнение регрессии, проверяют его адекватность, анализируют и делают соответствующие выводы.

Таблица 5.7 - Значения коэффициентов c и

Более точными планами по сравнению с ортогональными являются ротатабельные планы, что достигается благодаря увеличению количества опытов в центре плана и специальному выбору звездного плеча (таблица 5.8). Однако ротатабельное планирование не только более трудоемкое по сравне-

138

нию с ортогональным, но и вычисление коэффициентов регрессии производится по относительно громоздким формулам.

Таблица 5.8 - Значения «звездного» плеча

Частое применение ортогональных и ротатабельных планов объясняется тем, что они позволяют относительно просто определять коэффициенты регрессии и дисперсии. Выполнение эксперимента на трех и более уровнях в целях повышения его точности и его обработка представляют значительные трудности, особенно при расчетах, выполняемых вручную. В связи с развитием вычислительной техники появилась возможность считать основным критерием оптимальности неортогональность плана, что позволяет относительно просто выполнять вычисления. В.В.Налимов указывает, что эффективность оценок плана определяется не только оптимальным способом обработки результатов экспериментов, но и оптимальным расположением точек плана в факторном пространстве, что обеспечивает его высокую точность.

Одним из важнейших в современной теории эксперимента является критерий D-оптимальности, который требует, чтобы объем n-мерного эллипсоида рассеивания оценок материалов был минимальный. Очевидно, в этом случае и дисперсия переменного состояния объекта исследования будет также минимальной, т.е. качество эксперимента будет высоким. Планы, удовлетворяющие этому критерию, называются D-оптимальными. Они позволяют проводить эксперименты, в которых факторы варьируются на нескольких уровнях – двух, трех, четырех, пяти и т.д. В этом случае эффективно используется факторное пространство (рисунок 5.5, таблица 5.9). При таком расположении точек в факторном пространстве можно достаточно точно описать исследуемый объект. Количество опытов не превышает необходимого для ортогонального ЦКП (формула (5.6)).

В ряде случаев целесообразно, чтобы уровни факторов изменялись не-

одинаково, например возможен план 51; 32; 23. Это означает, что один фактор варьируется на пяти уровнях, два фактора – на трех, три – на двух. Это несимметричный план. Если все факторы имеют одинаковое число уровней, такой план называется симметричный.

Таблица 5.9 - Уровни факторов

Разработаны также А-оптимальные планы (они имеют минимальную длину диагонали прямоугольника, описанного вокруг n-мерного эллипсоида рассеивания параметров) и Е-оптимальные планы (достигается минимум максимальной оси эллипсоида рассеивания). Реализация планов эксперимента ограничивается требованиями независимости переменных факторов. Поэтому в ряде случаев, особенно при реализации наиболее универсальных несимметричных планов, на первое место в качестве критерия оптимизации выдвигается коэффициент парной корреляции между коэффициентами, который не должен превышать 0.5 (по Л.П.Рузинову).