- •1. Эксперимент как предмет исследования
- •1.1. Классификация видов экспериментальных исследований
- •1.2. Погрешности результатов исследований
- •2. Краткие сведения из теории вероятностей и математической статистики
- •2.1. Вероятность случайных событий, их характеристики
- •2.2. Нормальный закон распределения
- •3.1. Вычисление характеристик эмпирических распределений
- •3.2. Статистические гипотезы
- •3.3. Отсев грубых погрешностей
- •3.4. Определение доверительных интервалов для исследуемых величин
- •3.4.1. Оценка доверительного интервала для математического ожидания
- •3.4.2. Оценка доверительного интервала для дисперсии
- •3.5. Сравнение двух рядов наблюдений
- •3.5.1. Сравнение средних значений
- •3.5.2. Сравнение двух дисперсий
- •3.5.3. Проверка однородности нескольких дисперсий
- •3.6. Определение необходимого количества измерений
- •3.7. Проверка гипотезы нормального распределения
- •3.8. Преобразование распределений к нормальному
- •4. Анализ результатов пассивного эксперимента. Эмпирические зависимости
- •4.1. Характеристика видов связей между рядами наблюдений
- •4.2. Определение коэффициентов уравнения регрессии
- •4.3. Определение тесноты связи между случайными величинами
- •4.4. Линейная регрессия от одного фактора
- •4.5. Регрессионный анализ
- •4.5.1. Проверка адекватности модели
- •4.5.2. Проверка значимости коэффициентов уравнения регрессии
- •4.6. Линейная множественная регрессия
- •4.7. Нелинейная регрессия
- •5.1. Оценка погрешностей определения величин функций
- •5.2. Обратная задача теории экспериментальных погрешностей
- •5.3.Определение наивыгоднейших условий эксперимента
- •6. Методы планирования экспериментов. Логические основы
- •6.1. Основные определения и понятия
- •6.2. Пример хорошего и плохого эксперимента
- •6.3. Планирование первого порядка
- •6.3.1. Выбор основных факторов и их уровней
- •6.3.2.Планирование эксперимента
- •6.3.3. Определение коэффициентов уравнения регрессии
- •6.3.4. Статистический анализ результатов эксперимента
- •6.3.5. Дробный факторный эксперимент
- •6.3.6. Разработка математической модели гидравлического режима методической печи
- •6.4. Планы второго порядка
- •6.4.1. Ортогональные планы второго порядка
- •6.4.2. Ротатабельные планы второго порядка
- •6.5. Планирование экспериментов при поиске оптимальных условий
- •6.5.1. Метод покоординатной оптимизации (Гаусса - Зейделя)
- •6.5.2. Метод крутого восхождения (Бокса-Уилсона)
- •6.5.3. Симплексный метод планирования
- •7. Компьютерные методы статистической обработки результатов инженерного эксперимента
- •7.1. Статистические функции Microsoft Excel
- •7.2.1. Общая структура системы
- •7.2.2. Возможные способы взаимодействия с системой
- •7.2.3. Ввод данных
- •7.2.4. Вывод численных и текстовых результатов анализа
- •7.2.5. Статистические процедуры системы statistica
- •7.2.6. Структура диалога пользователя в системе statistica
- •7.2.7. Примеры использования системы statistica
6.5. Планирование экспериментов при поиске оптимальных условий
Во многих случаях инженерной практики перед исследователем возникает задача не только выявления характера связи между двумя или несколькими рядами наблюдений, а требуется найти такие численные значения факторов, при которых отклик (выходной параметр) достигает своего экстремального значения (максимума или минимума). Эксперимент, решающий эту задачу, называется экстремальным. В этом случае задача сводится к оптимизационной и формулируется следующим образом: требуется определить такие координаты экстремальной точки (x1*, x2*, ..., xn*) поверхности откликаy=f(x1, x2, ..., xn), в которой она максимальна (минимальна): max y(x1, x2, ..., xn)=y(x1*, x2*, ..., xn*).
Графическая интерпретация задачи оптимизации объектаy(x1, x2, ..., xn)при двух факторахy(x1, x2)представлена на рис.6.5.1a,б.Здесь точка А соответствует оптимальным значениям факторовx1* иx2*, обеспечивающим максимум функции откликаymax. Замкнутые линии на рис.6.5.1б характеризуют линии постоянного уровня и описываются уравнениемy=f(x1, x2)=B=const.
Необходимость в экстремальных экспериментах довольно часто возникает в инженерной практике. Так, на модели шахтной печи с противоточно движущемся плотным продуваемым слоем, схема которой представлена на рис.6.5.2, требуется определить при заданных ее конструктивных и режимных параметрах расположение фурмы по высоте печиh, ее диаметрdи высовl, обеспечивающих максимальную степень использования теплового потенциала газового потока. В данном случае, факторами являютсяl, h, d, а в качестве функции откликаy(l,h,d) в первом приближении можно использовать температуру отходящих из печи газов. Заметим, что вид функции отклика в данном случаеf(x1,...,xn)исследователю заранее неизвестен, т.е. отсутствует математическая модель, адекватно описывающая данный процесс. Требуется с наименьшими затратами (минимальном числе опытов) определить оптимальные значенияl*, h*, d*, при которых температура отходящих газов минимальна.
Рис.6.5.1. Поверхность отклика (а) и линии равного уровня (б): y=f(x1,x2)=B=const дляn=2
Рис.6.5.2.
Схема шахтной печи
Требуют значительно меньшего числа опытов и быстрее приводят к цели те поисковые методы оптимизации, где шаговое варьирование факторами производится целенаправленно по определенному плану. Поисковые методы оптимизации относятся классу итерационных процедур, при этом весь процесс разбивается на шаги, на каждом шаге делается ряд опытов и определяется каким образом изменить факторы, влияющие на процесс, чтобы получить улучшение результата. При этом на каждом очередном шаге получаемая информация используется для выбора последующего шага.
Разработано множество методов пошаговой оптимизации, которые подробно рассматриваются в разделе вычислительной математики — “Численные методы оптимизации”. Мы же рассмотрим только некоторые из них, эффективность использования которых в промышленном и лабораторном эксперименте подтверждена практикой применительно к металлургическим процессам.