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 (l) и вычисляем верхний (Хiв ) и нижний (Хiн) уровни факторов.
Хв = 300, Хн = 100, l = 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
(а)
(б)
-1
+1
+1
+1
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;
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 равенu 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).
Обычно, 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 вiзначительно 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.
5.4.2 Дробный факторный эксперимент (ДФЭ)
Количество опытов в ПФЭ значительно превосходит количество определяемых коэффициентов линейной модели. Другими словами, ПФЭ обладает большой избыточностью опытов. В таблице 2 показано соответствие количества факторов количеству экспериментов в ПФЭ.
Таблица 5.2 – Зависимость количества экспериментов (n) от количества факторов (к)
к
n
Необходима минимизация опытов. Количество опытов резко сокращается при использовании дробных реплик от ПФЭ, т.е. дробного факторного эксперимента.
Эксперимент, в котором применяется лишь некоторая часть сочетаний уровней факторов, в отличие от ПФЭ, называется дробным факторным экспериментом (ДФЭ).
Для того чтобы дробная реплика представляла собой ортогональный план, в качестве реплики следует брать ПФЭ для меньшего количества опытов. Количество опытов при этом должно быть большим или равным количеству коэффициентов в уравнении регрессии.
(к+ 1)£ n < 2k
Допустим, что надо получить математическую модель для трехфакторного процесса ( n =23 = 8 ).Для решения этой задачи можно ограничиться четырьмя опытами, если в матрице планирования для ПФЭ 22 использовать столбец x1x2 в качестве плана для x3(таблица 3). Построим расширенную матрицу планирования экспериментов, т.е. матрицу, содержащую столбец взаимодействия факторов (x1x2).
При варьировании факторов на двух уровнях можно получить полином первого и неполного высшего порядка, то есть результаты эксперимента можно представить в виде неполного квадратичного уравнения:
Если имеется основание считать, что в выбранных интервалах варьирования процесс может быть описан линейной моделью, то достаточно определить 3 коэффициента в0 , в1 , в2 .
Остается одна степень свободы. Употребим ее для минимизации количества опытов.
Предположим в12 0 и столбец х1х2 можно использовать для нового фактора х3, т.е. заменим x1x2на x3.,элементы столбца при этом не изменяются. В результате этих преобразований получаем математическую модель следующего вида:
Y = b0 + b1x1 + b2x2 + b3x3 (5.21)
Каковы при этом будут оценки коэффициентов?
Здесь уже не будет тех раздельных оценок, которые мы имели в ПФЭ – 2k
Оценки смешаются следующим образом:
где β – математическое ожидание для соответствующих коэффициентов.
Но мы можем считать, что все парные взаимодействия не значимы. Главное, мы нашли средство минимизировать число опытов. Вместо 8 можно поставить 4 опыта и получить те же результаты. При этом матрица планирования не теряет своих оптимальных свойств.
Найденное правило можно сформулировать так: чтобы сократить количество опытов нужно новому фактору присвоить вектор-столбец матрицы, принадлежащий взаимодействию, которым можно пренебречь. Тогда значение нового фактора в условиях опытов определяется знаками этого столбца.
Для того чтобы определить смешанность оценок коэффициентов, удобно пользоваться таким приемом: поставив в матрице x3 на место x1x2 , получаем соотношение x3 = x1x2 , называемое генерирующим соотношением.
Умножим обе части генерирующего соотношения на x3:
x32 =x1x2x3, x32 = 1, I = x1x2x3..
Полученное выражение называется определяющим контрастом. При помощи этих характеристик определяют смешанность оценок коэффициентов уравнения регрессии. Умножив по очереди определяющий контраст на x1, x2, x3 получим:
x1 = x12x2x3 = x2 x3, x2 = x1x3, x3 = x1x2..
Следовательно , коэффициенты bi будут оценивать сумму коэффициентов, т.е. коэффициенты будут менее точными, чем в ПФЭ,
b1 = b1 + b23, b2 = b2 + b13, b3 = b3 +b12.
5.4.3 Дробные реплики
Поставив четыре опыта для оценки влияния трех факторов, мы воспользовались половиной ПФЭ 23, или полурепликой.
Матрица из 8 опытов для четырехфакторного процесса будет полурепликой от 24, а для пятифакторного - четверть репликой от 25.
8 факторов – 16 опытов – это 1/16 часть реплики от 28 (256).
Дробность реплики определяется как (1/2)p
2К-Р - обозначения дробных реплик.
где К – количество факторов,
Р – количество линейных эффектов, приравненных к эффектам взаимодействия.
Так, полуреплика от 23, запишется 23-1,¼ часть реплики от 25 – 25-2.
5.4.4 Выбор плана дробного факторного эксперимента
Пример. Выбрать план ДФЭ для получения математической модели пятифакторного технологического процесса.
В случае реализации ПФЭ количество опытов было бы равно :
n = 25 = 32.
Выбор плана ДФЭ начинаем с выбора количества опытов из соотношения
(К +1) £ n < 2k, т.е. 6 £ n < 32
За основу принимаем план ПФЭ - 23, т.е. ближайший к минимальному количеству опытов .Строим расширенную матрицу для ПФЭ 23 (таблица 4).
Любые столбцы взаимодействий факторов заменяем на линейные факторы.
Например, Х4 = Х1Х2; Х5 = Х1Х3.
Остальные взаимодействия остаются в неизменном виде.
Таким образом, мы получили план ДФЭ 2 5-2,т.е. ¼ часть реплики от ПФЭ 25.
Далее расчеты проводятся аналогично расчетам в ПФЭ.
Таблица 5.4 – Расширенная матрица ПФЭ 23
N
х0
x1
x2
x3
x1 x2
x1 x3
x2 x3
x1 x2 x3
y
+1
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
-1
-1
-1
+1
+1
+1
-1
+1
-1
-1
+1
-1
+1
+1
+1
+1
-1
+1
-1
-1
-1
+1
-1
-1
+1
+1
-1
-1
+1
+1
+1
-1
+1
-1
+1
-1
-1
+1
-1
+1
+1
-1
-1
+1
-1
+1
+1
+1
+1
+1
+1
+1
-1
Итак, недостатком ДФЭ является менее точная математическая модель процесса за счет меньшей точности коэффициентов уравнения регрессии вi по сравнению с ПФЭ.
Преимущество ДФЭ – значительное сокращение количества опытов в