
курсовая работа / Оптимизация многофакторного процесса
.RTFМИНИСТЕРСТВО РФ ПО ВЫСШЕМУ И ПРОФЕССИОНАЛЬНОМУ
ОБРАЗОВАНИЮ
САРАТОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
БАЛАКОВСКИЙ ИНСТИТУТ ТЕХНИКИ, ТЕХНОЛОГИИ И УПРАВЛЕНИЯ
КАФЕДРА УИТ
КУРСОВАЯ РАБОТА
По курсу: “Моделирование систем управления”
Тема: “Оптимизация многофакторного процесса”
Выполнил: ст. гр. УИТ-42
Дорошенко А.В.
Принял: преп. каф.
Фролова М. А.
Балаково 1999
Задание1. Вариант 5.
Оптимизация процесса экстракции гафния трибутилфосфатом.
Таблица 1
Факторы |
Уровни факторов |
|
-1 |
+1 |
|
Х1 |
1 |
5 |
Х2 |
20 |
40 |
Х3 |
0,5:1 |
2,5:1 |
Х4 |
5 |
25 |
Факторы приведены через натуральные значения.
Составить 24-1.
Проведем оптимизацию дробного факторного эксперимента.
Воспользуемся для этой цели методом Бокса – Уилсона (метод крутого восхождения). Будем рассматривать задачу с максимальным числом факторов равным четырем и числом опытов 24-1=8.
Используя кодированные значения факторов, составим матрицу планирования для линейной модели.
Таблица №2
N |
х0 |
х1 |
х2 |
х3 |
х4=x1x2x3 |
y |
1 |
1 |
-1 |
-1 |
-1 |
-1 |
10,31;10,34 |
2 |
1 |
-1 |
1 |
-1 |
1 |
9,92; 9,935 |
3 |
1 |
1 |
-1 |
-1 |
1 |
7,67;7,63 |
4 |
1 |
1 |
1 |
-1 |
-1 |
10,1;10,14 |
5 |
1 |
-1 |
-1 |
1 |
1 |
10,18;10,20 |
6 |
1 |
-1 |
1 |
1 |
-1 |
11,81;11,86 |
7 |
1 |
1 |
-1 |
1 |
-1 |
10,13;10,11 |
8 |
1 |
1 |
1 |
1 |
1 |
9,49;9,51;10,1 |
Подсчитываем средние значения в сериях y.
(1)
где yi – i-ое значение в серии опытов;
n – количество опытов в серии.
Подсчитаем дисперсию S2 различных серий опытов.
(2)
Проверяем известные серии опытов на наличие ощибок.
Для этого проверим выполнение неравенства
<
t,
(3)
где t – табличный коэффициент Стьюдента. Для степени свободы (n – 1)=1 он равен: t=12,71.
В результате проверки выявлено нарушение указанного неравенства в восьмой серии опытов; при у=10,1 получаем:
=42,43,
что нарушает неравенство
(3).
Таким
образом, этот результат исключается из
дальнейшего рассмотрения.
Проверяем дисперсию на однородность.
(4)
Полученное значение меньше табличного значения критерия Фишера равного F=164 (для степеней свободы числителя f2 = n-1 =1 и знаменателя f1 = n – 1=1). То есть, можно сказать, что дисперсия однородна.
Находим дисперсию выходного параметра.
=0.00050156
(5)
Линейная модель в общем виде:
у=b0+b1х1+b2х2+ b3х3 +b4х4, (6)
где коэффициенты
bi=
(7)
Получили следующие коэффициенты:
b0=9,9584;
b1= - 0,6109;
b2= 0,3872; (8)
b3= 0,4528;
b4= - 0,6416.
Линейная модель запишется в виде:
у=9,9584 – 0,6109х1 + 0,3872х2 + 0,4528х3 – 0,6416х4 (9)
Cогласно полученному уравнению найдем значения параметра оптимизации уо (используя известные факторы; результаты в таблице 3).
После чего находим квадрат отклонения расчетного значения от экспериментального:
у2 =(уо – уср)2 (10)
и заносим полученные значения в таблицу.
Таблица 3.
yср |
S2 |
yo |
у2 |
10,325 |
4,5000E-04 |
10,3709 |
0,0021 |
9,9275 |
1,1250E-04 |
9,8621 |
0,0043 |
7,65 |
8,0000E-04 |
7,8659 |
0,0466 |
10,12 |
8,0000E-04 |
9,9235 |
0,0386 |
10,19 |
2,0000E-04 |
9,9933 |
0,0387 |
11,835 |
1,2500E-03 |
12,0509 |
0,0466 |
10,12 |
2,0000E-04 |
10,0547 |
0,0043 |
9,5 |
2,0000E-04 |
9,5459 |
0,0021 |
Затем находим дисперсию адекватности
S2ад
=
,
(11)
где f – число степеней свободы; f=N- (k+1)=8-5=3
В нашем случае S2ад=0,1222.
Проверяем модель на адекватность, для чего находим рассчетный коэффициент Фишера как отношение:
(12)
Полученное значение сравниваем с табличным значением критерия Фишера F = 215,7 (cтолбец 3, строка 1) и поскольку полученное значение превышает его, то полученная линейная модель неадекватна.
Оценим значимость коэффициентов, для этого найдем дисперсию коэффициентов регрессии:
=
=
6,2695*10-5
(13)
Определим доверительный интервал
t
=0,1006
(14)
Так как все коэффициенты по абсолютной величине больше доверительного интервала, то все они значимы.
Приступим к нахождению максимального значения параметра оптимизации движением по градиенту.
Составим таблицу уровней факторов, их интервалов варьирования (Ij) и кодированные значения факторов.
Таблица 4.
Натуральное значение |
Х1 |
Х2 |
Х3 |
Х4 |
у |
Основной уровень |
3 |
30 |
1,5:1 |
15 |
|
Ij |
2 |
10 |
1,0:1 |
10 |
|
Верхний уровень |
5 |
40 |
2,5:1 |
25 |
|
Нижний уровень |
1 |
20 |
0,5:1 |
5 |
|
Кодированное значение |
х1 |
х2 |
х3 |
х4 |
y |
Опыт:1 |
-1 |
-1 |
-1 |
-1 |
10,325 |
2 |
-1 |
1 |
-1 |
1 |
9,9275 |
3 |
1 |
-1 |
-1 |
1 |
7,65 |
4 |
1 |
1 |
-1 |
-1 |
10,12 |
5 |
-1 |
-1 |
1 |
1 |
10,19 |
6 |
-1 |
1 |
1 |
-1 |
11,835 |
7 |
1 |
-1 |
1 |
-1 |
10,12 |
8 |
1 |
1 |
1 |
1 |
9,5 |
Найдем произведение Ij*bj для каждого фактора. Далее, определяем шаги движения по факторам. Методом подбора были определены наиболее оптимальные шаги для каждого фактора, полученные путем умножения вышеуказанного произведения на (0,22) (см. таблицу 5).
И, наконец, находим значение параметра оптимизации, предварительно переведя натуральные значения факторов в кодированные согласно формуле:
хi=(Xi – Xi o)/Ij (15)
Таблица 5.
|
X1 |
X2 |
X3 |
X4 |
y |
bi |
-0,6109 |
0,3872 |
0,4528 |
-0,6416 |
|
Ii*bi |
-1,2218 |
3,8720 |
0,4528:1 |
-6,4160 |
|
Шаг |
-0,2688 |
0,8518 |
0,0996:1 |
-1,4115 |
|
1 |
2,7312 |
30,8518 |
1,5996:1 |
13,5885 |
|
2 |
2,4624 |
31,7036 |
1,6992:1 |
12,1770 |
|
3 |
2,1936 |
32,5554 |
1,7988:1 |
10,7655 |
|
4 |
1,9248 |
33,4072 |
1,8984:1 |
9,3540 |
|
5 |
1,6560 |
34,2590 |
1,9980:1 |
7,9425 |
|
6 |
1,3872 |
35,1108 |
2,0976:1 |
6,5310 |
|
7 |
1,1184 |
35,9626 |
2,1972:1 |
5,1195 |
|
Кодированное значение |
х1 |
х2 |
х3 |
х4 |
y |
1 |
-0,1344 |
0,0852 |
0,0996 |
-0,1412 |
10,2092 |
2 |
-0,2688 |
0,1704 |
0,1992 |
-0,2823 |
10,4599 |
3 |
-0,4032 |
0,2555 |
0,2988 |
-0,4235 |
10,7107 |
4 |
-0,5376 |
0,3407 |
0,3984 |
-0,5646 |
10,9614 |
5 |
-0,6720 |
0,4259 |
0,4980 |
-0,7058 |
11,2122 |
6 |
-0,8064 |
0,5111 |
0,5976 |
-0,8469 |
11,4629 |
7 |
-0,9408 |
0,5963 |
0,6972 |
-0,9881 |
11,7137 |
Сравнивая значения параметра оптимизации, поляченных в мысленных опытах экспериментальные результаты, определяем максимальное значение у и соответствующие факторы:
При x1= 1,1184; x2=35,9626; x3=2,1972:1; x4=5,1195; ymax =.11,7137
111
111