- •200106 «Информационно-измерительная техника и технологии»
- •Введение
- •1.2. Сигналы
- •1.3. Преобразование измерительных сигналов
- •1.4. Спектр периодических сигналов
- •1.5. Модуляция
- •1.5.1. Амплитудная модуляция
- •1.5.2. Частотная модуляция
- •1.5.3. Фазовая модуляция
- •1.5.4. Двукратные виды модуляции
- •1.6. Квантование
- •1.6.1. Квантование по уровню
- •1.6.2. Квантование по времени
- •1.6.3. Квантование по уровню и времени
- •1.7. Кодирование
- •1.7.1. Цифровые коды
- •1.7.2. Помехи
- •1.8. Модель канала
- •Раздел 2 измерительные каналы и их разделение
- •2.1. Канал связи и его характеристики
- •2.2. Согласование канала с источником информации
- •2.3. Линии связи для передачи измерительной информации
- •2.4. Структуры линий связи
- •2.5. Многоканальные системы для передачи измерительной информации
- •2.6. Погрешность систем с частотным разделением каналов
- •2.7. Погрешности систем с временным разделением каналов
- •Раздел 3 принципы обработки данных
- •3.1. Виды погрешностей
- •3.2. Обработка результатов измерений. Оценки измеряемой величины
- •3.3. Обработка результатов прямых равноточных измерений
- •3.4. Обработка результатов косвенных измерений
- •3.5. Обработка результатов совместных измерений
- •3.6. Обработка результатов неравноточных измерений
- •3.7. Проверка статистических гипотез
- •3.7.1. Проверка соответствия гипотезы и экспериментальных данных
- •3.7.2. Исключение резко отклоняющихся значений
- •3.8. Построение эмпирических распределений
- •3.9. Критерии согласия
- •3.9.1. Критерий согласия Пирсона
- •3.9.2. Критерий согласия Колмогорова
- •Раздел 4 планирование многофакторного эксперимента
- •4.1. Задачи планирования эксперимента
- •4.2. Пассивные эксперименты
- •4.3. Дисперсионный анализ
- •4.4. Регрессионный анализ
- •4.5. Активный эксперимент
- •4.6. Полный факторный эксперимент
- •4.7. Дробный факторный эксперимент
- •4.8. Устранение влияния временного дрейфа
- •4.9. Проведение факторного эксперимента и обработка его результатов
- •4.10. Оптимизация
- •4.11. Рандомизация
- •Раздел 5 введение в алгоритмическую теорию измерений
- •5.1. Вводные замечания
- •5.2. Развитие понятий числа и измерения величин
- •5.3. Теория шкал и алгоритмические измерения
- •5.4. Алгоритмы измерения в номинальной шкале, аддитивной и порядка
- •5.5. Моделирование цифровых алгоритмических измерений
- •5.6. Эквивалентность между фильтрацией и алгоритмическим измерением
- •5.7. Моделирование сигналов. Дискретизация
- •5.7.1. Модели дискретизации аналогового сигнала
- •5.7.2. Дискретизация с усреднением
- •5.7.3. Дискретизация сигналов конечной длительности
- •5.8. Цифровое представление информации
- •5.9. Системы счисления с иррациональными основаниями
- •5.9.1. Золотая пропорция
- •5.9.2. Числа Фибоначчи
- •5.9.4. Код золотой p-пропорции
- •5.10. Общий алгоритм метрологического кодирования
- •5.10.1. Алгоритм Стахова
- •5.10.2.Фибоначчиевы алгоритмы цифрового метрологического кодирования
- •Раздел 6 введение в информационную теорию измерений
- •6.1. Основные положения теории информации
- •6.1.1. Энтропия
- •6.1.2. Единицы измерения энтропии
- •6.1.3. Условная энтропия (энтропия помехи)
- •6.1.4. Суммирование нескольких погрешностей
- •6.1.5. Явление «краевой эффект». Приближенность информационных оценок каналов передачи информации
- •6.1.6. Основные положения теории информации для характеристики процесса измерения
- •6.2. Сущность измерения
- •6.2.1. Понятие натурального ряда однородных величин
- •6.2.2. Понятие шкалы реперов измеряемой величины
- •6.2.3. Измерение как сужение интервала неопределенности
- •6.3. Измерительные преобразования, функциональные шкалы, единицы измеряемой величины
- •6.3.1. Функциональная шкала измеряемой величины
- •6.3.2. Понятие единицы измерения
- •6.3.3. Метод построения измерительных устройств
- •6.4. Измерительные преобразования и преобразователи
- •6.5. Энтропийное значение погрешности
- •6.5.1. Математическое определение энтропийного значения погрешности
- •6.5.2. Эффективное значение погрешности
- •6.6. Сравнение энтропийного и среднеквадратического значений погрешности для плавных симметричных одномодальных законов распределения погрешностей
- •6.7. Энтропийное значение погрешности – основной критерий точности приборов и измерений
- •6.8. Определение энтропийного значения погрешности на практике
- •6.9. Суммирование погрешностей измерительных устройств
- •6.10. Статистическое суммирование погрешностей при наличии корреляции
- •6.11. Энтропийное значение результирующей погрешности
- •6.12. Суммирование погрешностей с равномерными законами распределения вероятностей
- •6.13. Суммирование погрешностей при равномерном и нормальном законах распределения составляющих результирующей погрешности
- •6.14. Суммирование погрешностей при произвольной степени корреляции и произвольных законах распределения вероятностей составляющих результирующей погрешности
- •И объемов (n) выборок
- •Интервала
- •Оглавление
4.6. Полный факторный эксперимент
Метод полного факторного эксперимента дает возможность получить математическое описание исследуемого процесса в некоторой локальной области факторного пространства, лежащей в окрестности выбранной точки с координатами .
Рассмотрим планирование факторного эксперимента на примере линейной полиномиальной математической модели, которая используется наиболее часто. В этом случае достаточно использовать только два уровня факторов.
Если число факторов известно, то можно найти число опытов, необходимых для реализации всех возможных сочетаний уровней факторов: N = 2k, где N – число опытов; k – число факторов; 2 – число уровней. Если число уровней каждого фактора равно двум, то имеется полный факторный эксперимент 2k.
Условия эксперимента можно записать в виде таблицы, где строки соответствуют различным опытам, а столбцы – значениям факторов. Такие таблицы называются матрицами планирования эксперимента.
Матрица планирования для двух факторов приведена в табл. 4.6.1. Каждый столбец в матрице планирования называют вектор-столбцом, а каждую строку – вектор-строкой.
Таблица 4.6.1
Номер опыта |
|
|
у |
1 |
-1 |
-1 |
|
2 |
+1 |
-1 |
|
3 |
-1 |
+1 |
|
4 |
+1 |
+1 |
|
Если для двух факторов все возможные комбинации уровней легко найти прямым перебором, то с ростом числа факторов возникает необходимость в разработке правил построения матриц. На практике обычно используются три приема, основанные на переходе от матриц меньшей размерности к матрицам большей размерности.
Первый прием. При добавлении нового фактора каждая комбинация уровней исходного плана встречается дважды: в сочетании с нижним и верхним уровнями нового фактора. Отсюда вытекает следующий прием: записать исходный план для одного уровня нового фактора, а затем повторить его для другого уровня. При переходе от эксперимента 22 к эксперименту 23 (табл. 4.6.2) это выглядит следующим образом.
Этот прием распространяется на построение матриц любой размерности.
Таблица 4.6.2
Номер опыта |
|
|
|
у |
1 |
-1 |
-1 |
-1 |
|
2 |
+1 |
-1 |
-1 |
|
3 |
-1 |
+1 |
-1 |
|
4 |
+1 |
+1 |
-1 |
|
5 |
-1 |
-1 |
+1 |
|
6 |
+1 |
-1 |
+1 |
|
7 |
-1 |
+1 |
+1 |
|
8 |
+1 |
+1 |
+1 |
|
Второй прием. Введем правило перемножения столбцов матрицы. При построчном перемножении двух столбцов произведение единиц с одноименными знаками дает +1, а с разноименными – -1. Воспользовавшись этим правилом, для рассматриваемого случая получим вектор-столбец в исходном плане. Далее повторим еще раз исходный план, а у столбца произведений знаки поменяем на противоположные. Этот прием тоже можно перенести на построения матриц любой размерности, однако он сложнее, чем первый.
Третий прием. Он основан на правиле чередования знаков. В первом столбце знаки меняются поочередно, во втором – чередуются через два, в третьем – через четыре, в четвертом – через восемь и т.д. по степеням двойки.
Матрица планирования эксперимента обладает следующими свойствами:
– симметричность относительно центра эксперимента – алгебраическая сумма элементов вектор-столбца каждого фактора равна нулю, или , где j – номер фактора; i – номер опыта; N – число опытов.
– условие нормировки – сумма квадратов элементов каждого столбца равна числу опытов, или .
– ортогональность матрицы планирования – сумма почленных произведений любых двух вектор-столбцов матрицы равна нулю, или , .
– ротатабельность – точки в матрице планирования подбираются так, что точность предсказаний значений выходного параметра на основании математической модели одинакова на равных расстояниях от центра эксперимента и не зависит от направления.
Таким образом, правильно составленная матрица планирования эксперимента должна обладать всеми четырьмя перечисленными выше свойствами.
Составив матрицу планирования эксперимента и проведя N опытов, можно перейти к оценке коэффициентов линейной модели.
Можно утверждать, что эксперимент проводится для проверки гипотезы о том, что линейная модель адекватна. Греческие буквы использованы для обозначения истинных значений соответствующих неизвестных.
Эксперимент, содержащий конечное число опытов, позволяет получить только оценки для коэффициентов модели
. (4.6.1)
Подставив в уравнение модели известные значения факторов и результаты опытов , получим систему линейных условных уравнений, решение которой методом наименьших квадратов дает искомые оценки параметров модели:
(4.6.2)
Этой формулой можно воспользоваться для для вычисления коэффициентов а1 и а2:
(4.6.3)
(4.6.4)
Благодаря кодированию факторов расчет коэффициентов не представляет трудности.
Для вычисления коэффициента а1 используется вектор-столбец x1, а для вычисления а2 – столбец x2.
Для вычисления коэффициента а0 найдем среднее значение равное , равное
, (4.6.5)
где
; . (4.6.6)
В силу свойств симметрии матрицы , следовательно, . Чтобы все коэффициенты модели вычислялись по единой формуле (4.6.2), в матрицу планирования эксперимента вводят фиктивную переменную , которая во всех опытах принимает значение +1. Тогда линейная модель запишется в виде
, (4.6.7)
j во всех приведенных выше формулах принимает значения от 0 до k.
Коэффициенты при независимых переменных указывают на силу влияния факторов. Чем больше численное значение коэффициента, тем большее влияние оказывает фактор. Если коэффициент имеет знак плюс, то с увеличением значения фактора выходная величина увеличивается, а если минус – то уменьшается.
Значение коэффициента соответствует складу данного фактора в размер выходного параметра при переходе фактора с нулевого уровня на верхний или нижний.
Некоторые из коэффициентов регрессии могут оказаться пренебрежимо малыми – незначимыми. Чтобы установить, значим коэффициент или нет, необходимо, прежде всего, вычислить оценку дисперсии, с которой он определяется:
(4.6.8)
Следует отметить, что с помощью полного факторного эксперимента все коэффициенты определяются с одинаковой погрешностью. Принято считать, что коэффициент регрессии значим, если выполнено условие
, (4.6.9)
где – значение критерия Стьюдента.
В противном случае коэффициент регрессии незначим, и соответствующий член можно исключить из уравнения.
Получив уравнение регрессии, следует проверить его адекватность, т.е. способность достаточно хорошо описывать поверхность отклика. Эту проверку осуществляют с помощью критерия Фишера, который представляет собой следующее отношение:
, (4.6.10)
где – оценка дисперсии адекватности (4.3.7).
В числителе дроби (4.6.10) находится большая, а в знаменателе – меньшая из указанных оценок дисперсий.
Планируя эксперимент на первом этапе, обычно стремятся получить линейную модель. Однако бывает так, что в выбранных интервалах варьирования процесс описывается нелинейной моделью.
Один из часто встречающихся видов нелинейности связан с тем, что эффект одного фактора зависит от уровня, на котором находится другой фактор, т.е. существует эффект взаимодействия двух факторов. Полный факторный эксперимент позволяет оценить эффект взаимодействия. Для этого необходимо, пользуясь правилом перемножения столбцов, получить столбец произведения двух факторов.
При вычислении коэффициента, соответствующего эффекту взаимодействия, с новым вектор-столбцом можно обращаться так же как с вектор-столбцом любого фактора. Для полного факторного эксперимента 22 матрица планирования с учетом эффекта взаимодействия представлена в табл. 4.6.3.
Таблица 4.6.3
Номер опыта |
|
|
|
|
у |
1 |
+1 |
-1 |
- 1 |
+ 1 |
|
2 |
+1 |
+1 |
- 1 |
- 1 |
|
3 |
+1 |
-1 |
+ 1 |
-1 |
|
4 |
+1 |
+1 |
+ 1 |
+ 1 |
|
При добавлении столбцов эффектов взаимодействий все рассмотренные свойства матриц планирования сохраняются.
С учетом эффекта взаимодействия математическая модель при двух факторах запишется следующим образом:
. (4.6.11)
Коэффициент вычисляется как:
(4.6.12)
Столбцы х1 и x2 задают планирование – по ним непосредственно определяются условия опытов, а столбцы x0 и х1х2 служат только для расчетов.
С ростом числа факторов число возможных взаимодействий быстро увеличивается. Выше был рассмотрен самый простой случай – когда имелось одно взаимодействие. Рассмотрим теперь полный факторный эксперимент 23.
Матрица планирования эксперимента 23 с учетом всех возможных взаимодействий приведена в табл. 4.6.4.
Эффект взаимодействия определяется перемножением трех столбцов , , и называется эффектом взаимодействия второго порядка в отличие от эффектов взаимодействия первого порядка , , .
Полное число всех возможных коэффициентов, включая a0, линейные эффекты и взаимодействия всех порядков, равно числу опытов полного факторного эксперимента.
Ортогональность матрицы планирования позволяет получать независимые друг от друга оценки коэффициентов. Это означает, что значение любого коэффициента не зависит от того, какие значения имеют другие коэффициенты.
Таблица 4.6.4
Номер опыта |
|
|
|
|
|
|
|
|
у |
1 |
+1 |
-1 |
-1 |
-1 |
+1 |
+1 |
+1 |
-1 |
|
2 |
+1 |
+1 |
-1 |
-1 |
-1 |
-1 |
+1 |
+1 |
|
3 |
+1 |
-1 |
+1 |
-1 |
-1 |
+1 |
-1 |
+1 |
|
4 |
+1 |
+1 |
+1 |
-1 |
+1 |
-1 |
-1 |
-1 |
|
5 |
+1 |
-1 |
-1 |
+1 |
+1 |
-1 |
-1 |
+1 |
|
6 |
+1 |
+1 |
-1 |
+1 |
-1 |
+1 |
-1 |
-1 |
|
7 |
+1 |
-1 |
+1 |
+1 |
-1 |
-1 |
+1 |
-1 |
|
8 |
+1 |
+1 |
+1 |
+1 |
+1 |
+1 |
+1 |
+1 |
|
Эти утверждения справедливы лишь в том случае, если модель включает только линейные эффекты и эффекты взаимодействия. В реальных условиях существенными могут оказаться коэффициенты при квадратах факторов, их кубах и т.д. Для случая существенных квадратичных членов в двухфакторном эксперименте модель можно записать следующим образом:
(4.6.13)
Построение вектор-столбцов для и в матрице планирования приводит к получению единичных столбцов, совпадающих друг с другом и со столбцом a0. Так как эти столбцы неразличимы, то нельзя сказать, за счет чего получилось значение a0. Такая оценка a0 называется смешанной и включает в себя значение свободного члена и вклады квадратичных членов. Это символически записывается следующим образом:
(4.6.14)
где a0 – вычисленный коэффициент, а греческими буквами обозначены неизвестные истинные значения свободного члена 0 и квадратичных коэффициентов .
По отношению к квадратичной модели для двух факторов получается следующая система смешивания:
, , . (4.6.15)
Очевидно, что оценки всех коэффициентов, кроме a0, не смешаны. Таким образом, полный факторный эксперимент при варьировании факторов на двух уровнях позволяет оценить линейные эффекты и эффекты взаимодействия.
Пример 4.6.1. Рассмотрим процесс, в котором выход продукта реакции у (%) зависит от температуры реакционной смеси х1 (°С) и концентрации реагента х2 (%). Требуется с помощью полного факторного эксперимента найти математическое описание этого процесса в окрестности точки факторного пространства с координатами х01 = 50 °С и х02 = 25%. Проведено по 2 параллельных опыта при одинаковых условиях.
Решение. Математическое описание рассматриваемого процесса будем искать в виде уравнения регрессии
,
где кодированные переменные связаны с температурой и концентрацией следующими соотношениями:
, .
При проведении полного факторного эксперимента зададимся условиями, приведенными в табл. 4.6.1.
Таблица 4.6.1
Основные характеристики плана экспериментов
Характеристика |
|
|
Основной уровень…………… |
50 |
25 |
Интервал варьирования……….. |
5 |
1 |
Верхний уровень………………. |
65 |
26 |
Нижний уровень………………. |
45 |
24 |
Матрица планирования и результаты полного факторного эксперимента представлены в табл. 4.6.2.
На основании результатов полного факторного эксперимента рассчитаем коэффициенты регрессии, пользуясь формулами (4.6.2) ÷ (4.6.4):
Таблица 4.6.2
Полный двухфакторный эксперимент
Номер опыта |
x1 |
x2 |
|
, % |
|
,% |
1 |
–1 |
–1 |
45 |
24 |
0,50 |
35,5 |
2 |
+1 |
–1 |
55 |
24 |
0,72 |
38,7 |
3 |
–1 |
+1 |
45 |
26 |
1,28 |
32,6 |
4 |
+1 |
+1 |
55 |
26 |
0,82 |
36,2 |
Далее определяем оценку дисперсии среднего значения .
где – число параллельных опытов.
Оценки однородных дисперсий нескольких серий параллельных опытов можно усреднить и найти величину
называемую оценкой дисперсии воспроизводимости. С ней связано число степеней свободы .
На основании табл. 4.6.2:
Отсюда согласно (4.6.13) оценку дисперсии среднего значения:
С ней также связано число степеней свободы .
Если при проведении эксперимента опыты дублируют и пользуются средними значениями функции отклика у, то при обработке экспериментальных данных следует использовать . В тех случаях, когда из-за недостатка времени, трудоемкости или высокой стоимости эксперимента опыты не дублируются, при обработке экспериментальных данных используют .
Примем также, что с этой величиной связаны 4 степени свободы.
Ошибку в определении коэффициентов регрессии вычислим по формуле
.
Пользуясь Приложением П.1 «Процентные точки распределения Стьюдента», находим, что для доверительной вероятности Р = 0,95 ( ) и 4 степеней свободы значение критерия Стьюдента tα = 2,776. Тогда
.
Для оценки значимости коэффициентов регрессии рассмотрим следующие соотношения:
Отсюда видно, что все коэффициенты регрессии значимы. Следовательно, искомое уравнение имеет вид:
.
Для проверки адекватности уравнения регрессии найдем расчетные значения функции отклика:
Вычислим оценку дисперсии адекватности (4.4.7):
,
где N – число опытов;
B – число коэффициентов регрессии искомой модели.
С ней связано число степеней свободы f = N – В = 4 – 3= 1. Расчетное значение критерия Фишера находим по формуле (4.4.6):
.
Оно не превосходит значения, приведенного в Приложении П.4. «Значения (верхние значения) и (нижние значения) для различных степеней свободы f1 и f2» (f1 = 4, f2 = 1, F = 225). Следовательно, уравнение регрессии адекватно.