Файл: Химмельблау Д. Анализ процессов статистическими методами.pdf

ВУЗ: Не указан

Категория: Не указан

Дисциплина: Не указана

Добавлен: 09.04.2024

Просмотров: 768

Скачиваний: 2

ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.

498

Глава 8

менные, кроме одной, поддерживаются постоянными, а эта одна изменяется и тем самым за один цикл измерений проверяется лишь одна переменная, метод поверхности отклика является намного более эффективным. Даже по сравнению с ортодоксальными мето­ дами планирования экспериментов, при которых подвергаются проверке все комбинации факторов или существенная часть их, метод поверхности отклика оказывается более эффективным для непрерывных процессов.

Второй привлекательной чертой методов поверхности отклика является возможность сделать некоторые выводы из самых первых экспериментов. Если дальнейшее экспериментирование оказывает­ ся неэкономичным, его в любой момент можно закончить. Наконец, методы поверхности отклика используются на начальном этапе определения оптимальных рабочих условий для некоторого про­ цесса (этот вопрос обсуждается в разд. 8.3).

Прежде чем перейти к обсуждению методов поверхности откли­ ка, следует отметить, что модели, которые будут рассматриваться, содержат лишь одну зависимую переменную. Если наблюдается несколько откликов, поверхности можно построить для каждого из них и исследовать их в совокупности. Лучше всего это можно сделать посредством наложения графиков различных сечений (см. также пример 8.1.5 и разд. 8.3.1).

Для того чтобы ответить на вопрос, что собственно представляет собой подходящий отклик, полезно критически рассмотреть любой непрерывный процесс; при этом исследователь сразу обнаружит множество зависимых и независимых переменных, а также ряд переменных промежуточного типа, которые трудно отнести к ка­ кому-нибудь определенному классу. Считается, что зависимые переменные являются откликами независимых (желательно конт­ ролируемых) переменных. Типичными примерами первых служат чистота продукта, выход и вес. Примерами последних являются температура, давление, расход, концентрация и время протека­ ния реакции. Прежде чем начинать любую программу эксперимен­ тов, важно иметь возможность количественно измерять как пере­ менную — отклик, так и независимые переменные и контролиро­ вать независимые переменные для того, чтобы получить осмыслен­ ные результаты.

8-1.1- Одномерные модели

Проводя детальные расчеты сначала для случая одной зависи­ мой и одной независимой переменных (слово «одномерные» в заго­ ловке раздела означает число координат, необходимое для геомет­ рического описания независимых переменных), метод поверхности отклика можно проиллюстрировать как аналитически, так и графически. Затем можно исследовать примеры с более высокой размерностью и наметить общий метод.


Стратегия

эффективного

экспериментирования

499

Пример 8.1.1. Одномерный эксперимент

Сначала предположим, что ничего не известно относительно связи между напряжением сдвига для некоторой неньютоновской жидкости (отклик) и температурой (независимая переменная). Был проведен некоторый эксперимент и получены пять наборов данных:

Температура t,

Напряжение сдвига V,

°С

Н/м2

60

15

80

17

100

20

120

28

140

45

Д л я аппроксимации этих данных прямой линией использовалась пробная модель вида

V = ß 0 + ßi t + e,

где e — ненаблюдаемая случайная ошибка, а V — случайная переменная. Д л я упрощения расчетов (если они выполняются вручную, а не на вычислительной машине) можно ввести коди­ рованные переменные для температуры

 

t—50

 

10

и для напряжения сдвига

 

Y

15.

Эти преобразования приводят

к следующим матринам (столбец

фиктивной переменной 1 введен для того, чтобы модель имела сво­

бодный член):

некодированные

переменные:

 

 

 

 

 

 

"1

60"

 

"15"

 

 

 

1

80

 

17

 

 

 

 

1

100

ѵ =

20

 

 

 

 

1

120

 

28

 

 

 

 

.1

140J

 

45

 

 

t T t =

" 5

 

500'

t r V

=

'

125

 

500

5 4 0 0 0

 

 

13

920



500

Глава 8

50

60

70

во 90 t 100 I/O

120 ISO 140

150

 

 

 

 

 

 

Ф и г . П . 8 . 1 . 1 .

 

 

 

• оценка

линии

регрессии;

экспериментальные

данные.

кодированные

переменные:

 

 

 

 

 

 

 

 

 

"1

1

 

 

г

о

 

 

 

 

 

 

1

3

 

 

 

2

 

 

 

х =

J1

5

Y =

 

5

 

 

 

 

 

 

1

7

 

 

 

13

 

 

 

 

 

 

1

9

 

 

 

30

 

х т х

=

Г

5

 

25

 

X T Y :

• 50'

 

 

25

 

165

 

392

 

Метод наименьших

квадратов дает

с л е д у ю щ у ю оценку вектора

параметров ß:

 

 

 

 

 

 

 

 

 

 

 

некодированные

 

переменные:

 

 

 

 

 

 

b =

 

т

 

_

г—1 0 ,5

 

 

(t T t) - x (t Ѵ) = '

 

0 , 3 5 5 j '

 

 

 

 

 

 

 

 

 

 

 

кодированные

переменные:

 

 

 

 

 

 

b = ( x ï x ) - i ( x r Y )

=

r

-7,75'

 


Стратегия

эффективного

экспериментирования

501

Следовательно, оценки уравнений регрессии первого порядка имеют соответственно вид

некодированные переменные; V = —10,5 + 0,355 t,

кодированные переменные: Y = —7,55 + 3,55 х.

Графики этих уравнений вместе с экспериментальными точками изображены на фиг. П.8.1.1. Затем проведем дисперсионный ана­ лиз, как показано в табл. П.8.1.1а,б

 

 

 

Таблица

П.8.1.1а

Дисперсионный

анализ кодированных данных

 

 

Сумма

Число

Средний

Отноше­

Источник рассеяния

ние дис­

квадра­

степеней

квадрат

персий

 

тов

свободы

 

 

82/31,3

 

 

 

 

В л и я н и е исключения Ь±:

 

 

 

 

і=1

504,1

1

504,1

16,1

 

 

 

 

Влияние и с к л ю ч е н и я bo (после исключения fcj):

•S Pi (Y-W

г

Отклонения от эмпирической линии регрессии:

S Л

(Yi-Yt)2

і=1

 

Общий 2 У ?

 

Замечание: F0#5

(1, 3 ) = 10,13.

500

1

500

16,0

93,9

3

31,3

1098,0 5

Оба коэффициента являются значимыми. Однако достаточно взглянуть на . графики данных, чтобы увидеть, что линейная модель первого порядка не описывает эти данные достаточно хоро­ шо. Этот парадокс выявляет некоторый существенный момент.

Сумма

квадратов

остатков

относительно

эмпирической линии

регрессии <£м и н . = 93,9 отражает влияние

подгонки

эмпирической

линии

регрессии,

а также

любое влияние выбора

неподходящей

математической

модели.

Визуальный анализ показывает, что

некоторая кривая

будет лучше согласовываться с этими данными,

чем прямая линия.