- •Содержание Модуль 5
- •5.2 Параметры оптимизации и требования к ним
- •5.3 Факторы и требования к ним
- •5.4 Планы первого порядка
- •5.4.2 Дробный факторный эксперимент (дфэ)
- •5.4.3 Дробные реплики
- •5.4.4 Выбор плана дробного факторного эксперимента
- •5.5 Симплексный метод планирования эксперимента
- •5.6 Интерпретация и принятие решений по результатам математическогомоделирования
- •5.6.1 Интерпретация результатов математического моделирования процессов
- •5.6.2 Принятие решений после построения математической модели процесса
- •5.7 Оптимизация технологических процессов
- •5.7.1 Метод Гаусса-Зейделя
- •Градиентные методы
- •5.7.4 Симплексный метод оптимизации
- •Лекция 14
- •5 .8 Планы второго порядка.
- •5.8.1 Полный факторный эксперимент.
- •5.8.2 Центральные композиционные планы.
- •5.8.3 Ортогональные центральные композиционные планы
- •5.9 Решение задачи оптимизации
- •5.9.1 Исследование поверхности отклика второго порядка
- •5.9.2 Методы оптимизации
- •7 Градиентные методы
- •9 Дробные реплики
- •25 Методы оптимизации
- •34 Полный факторный эксперимент
- •Список использованных источников
5.4 Планы первого порядка
Процессы химической технологии являются сложными. Выражается это в том, что на процесс влияет не один, а ряд факторов. Эксперимент в этом случае называется многофакторным. Планирование эксперимента с целью оптимизации начинают тогда, когда процесс предварительно исследовался. Информация, содержащаяся в предыдущих исследованиях, называется априорной. Выбор экспериментальной области факторного пространства связан с тщательным анализом априорной информации.
Планы первого порядка служат для построения математической модели в виде полиномов первой степени (линейных уравнений регрессии).
|
(5.1) |
5.4.1.Полный факторный эксперимент
Полный факторный эксперимент – это эксперимент, в котором реализуются все возможные сочетания уровней факторов.
Необходимое количество опытов (n) при этом определяется по формуле:
|
(5.2) |
где N – количество уровней факторов,
k– количество факторов.
Порядок построения плана:
а) на основании априорной информации выбираем наилучшие условия проведения эксперимента и принимаем эту точку за центр плана. Значения факторов в этой точке называют основным, нулевым или центральным уровнем (Хiц);
б
)
выбираем интервал варьирования для
каждого фактора ()
и вычисляем верхний (
100
200 300
Хв = 300, Хн = 100, = 100.
Интервал варьирования – это число (свое для каждого фактора) прибавление которого к основному дает верхний уровень, а вычитание из основного – нижний. Или иными словами – это расстояние на координатной оси между центральным и верхним (нижним) уровнем фактора.
|
|
|
(5.3) |
Известно, что оптимальными свойствами обладают планы первого порядка, в которых каждый фактор принимает лишь два значения, варьируется на двух уровнях, верхнем и нижнем.
Мы будем изучать только такие планы.
в) кодируем переменные по формулам:
|
|
(5.4) |
где хв, хн – верхний и нижний уровни факторов в кодированном виде;
Хв, Хн – верхний и нижний уровни факторов в натуральном виде.
Кодирование переменных проводят для упрощения вычислений и интерпретации полученных результатов. Координаты центра плана равны 0.
|
(5.5) |
г) строим матрицу планирования.
Рассмотрим построение матрицы планирования на примере двухфакторного эксперимента.
K=2 n=22=4
Допустим Х1 – температура, Х2 – давление.
Х1 – принимает значения: Х1в=3000С, Х1н=1000С, Х1ц=2000С.
Х2 – принимает значения: Х2в=3атм, Х2н=1атм, Х2ц=2атм.
Область факторного пространство для данного эксперимента будет иметь вид (рис. 1) квадрата с вершинами 1,2,3,4.
Перенесем начало координат в точку 5, то есть в центр области факторного пространства. Это действие соответствует переходу к новой безразмерной системе координат с началом в центре исследуемой области.
Рисунок 5.1 – Область факторного пространства
Координаты точек в новой системе записывают в виде таблицы, называемой матрицей планирования эксперимента (а). Этой матрице соответствует матрица в натуральном виде (б).
Таблица 5.1 Матрицы планирования эксперимента
n |
x1 |
x2 |
|
n |
X1 |
X2 |
|
1 |
-1 |
-1 |
|
1 |
100 |
1 |
|
2 |
+1 |
-1 |
(а) |
2 |
300 |
1 |
(б) |
3 |
-1 |
+1 |
|
3 |
100 |
3 |
|
4 |
+1 |
+1 |
|
4 |
300 |
3 |
|
Каждая строка полученной матрицы – это условия проведения одного опыта, в результате которого получают значение параметра (У).
Правило построения матрицы:
-первый столбец матрицы – фиктивная переменная х0 всегда равна (+1);
-второй столбец – равномерное чередование знака (+) и (-) в столбце(+1,-1, +1,-1) и т.д.;
-третий столбец – чередование двух строк одного знака, двух другого;
-к-ый столбец – чередование 2(к-1) одноименных знаков.
Например, в 5-ом столбце 24=16 знаков +1 и 16 – минус 1 .
Свойства матрицы ПФЭ типа 2k:
Мы научились строить матрицы ПФЭ с факторами на 2 уровнях (в кодированном виде). Теперь выясним какими свойствами эти матрицы обладают независимо от количества факторов.
Первые два свойства следуют непосредственно из построения матрицы.
1 свойство – симметричность относительно центра эксперимента. Формулируется следующим образом: алгебраическая сумма элементов вектор-столбца каждого фактора равна 0 , или
(5.6)
2 свойство – так называемые условия нормировки – сумма квадратов элементов каждого столбца равна количеству опытов, или
(5.7)
Эти два свойства позволяют значительно упростить вычисление коэффициентов вi и дисперсий sвi .
3 свойство – ортогональность матрицы планирования - сумма почленных произведений любых двух вектор-столбцов матрицы равна 0.
(5.8)
где j не равен u j,u = 0,1,2…k.
Это свойство позволяет вычислять коэффициенты уравнения регрессии независимо друг от друга, поэтому после исключения незначимых коэффициентов из уравнения не требуется перерасчет оставшихся коэффициентов bi.
4 свойство – ротатабельность - точки в матрице планирования подбираются так, что точность предсказания значений параметра оптимизации одинакова на равных расстояниях от центра эксперимента и не зависит от направления.
д) проводим эксперимент по матрице.
Каждая строка матрицы – это условие проведения одного опыта. В результате эксперимента получаем значение параметра оптимизации (У). Причем, все опыты дублируются для того чтобы можно было рассчитать дисперсию воспроизводимости. Установлено, что наилучших результатов достигают, если проводят не менее 3 параллельных опытов. Порядок опытов в матрице не должен определять реальную последовательность проведения опытов. Опыты должны быть рандомизированы во времени, то есть выполняться в случайном порядке. Особенно это касается параллельных опытов.
е) проводим регрессионный анализ результатов(статистическую обработку результатов).
О бычно, реализуя активный эксперимент проводят одинаковое количество параллельных опытов. Поэтому и применяют первую схему регрессионного анализа ,согласно которой вычисляют:
а) построчные математические ожидания (yi):
(5.9)
где m – количество параллельных опытов;
yi – результаты эксперимента;
в) построчные дисперсии (Si2):
(5.10)
г) проверяют однородность построчных дисперсий по критерию Кохрена:
(5.11)
если Gp <Gтабл. – дисперсии однородны,
где Gр – расчетный критерий Кохрена,
Gтабл – табличный критерий Кохрена,
S2max – максимальная построчная дисперсия,
n – количество опытов;
д) дисперсию воспроизводимости (S2воспр):
(5.12)
е) методом наименьших квадратов вычисляем коэффициенты уравнения регрессии (вi ). В связи с тем, что матрица планирования симметрична и нормирована формулы для вычисления вi значительно упрощаются и
выглядят следующим образом:
(5.13)
где xij – значения факторов в кодированном виде;
(5.14)
ж) проверяем значимость коэффициентов вi по критерию Стьюдента:
(5.15)
где tp –расчетный критерий Стъюдента;
Sbi – дисперсия коэффициентов bi ;
tтабл.- табличный критерий Стъюдента.
(5.16)
если tр>tтабл. – коэффициент вi значим, в противном случае – не значим. Исключаем незначимые факторы из уравнения регрессии.
Значимость коэффициента bi свидетельствует о том, что фактор, соответствующий этому коэффициенту, оказывет существенное влияние на процесс .В противном случае, фактор в пределах области факторного пространства не оказывает существенного влияния на процесс и поэтому из дальнейших расчетов исключается.
з) проверяем адекватность уравнения регрессии по критерию Фишера (F):
(5.17)
где Fр – расчетный критерий Фишера;
Sад2 – дисперсия адекватности;
Sвоспр2 – дисперсия воспризводимости.
(5.18)
где уiр - расчетный параметр оптимизации;
l – количество значимых коэффициентов в уравнении регрессии, считая b0.
Находим табличный критерий Фишера, который зависит от степеней свободы числителя и знаменателя.
Значения степеней свободы для числителя (fч) и знаменателя(fзн) вычисляют по формулам:
fч = n – l; fзн = (m – 1). (5.19)
Если Fр<Fтабл. – уравнение адекватно. В противном случае –неадекватно и следует перейти к планам более высокого порядка.