- •Глава 4. Планирование эксперимента Введение
- •4.1. Стратегия эффективного планирования эксперимента
- •4.2. Выбор и анализ эмпирических моделей. Виды моделей
- •1) Модели в статике
- •2) Виды динамических моделей
- •Модели на базе передаточных функций
- •Модели на основе комплексного коэффициента передачи
- •Модели в виде конечно- разностных уравнений
- •Модели в виде обыкновенных дифференциальных уравнений
- •4.3. Оценка параметров модели
- •4.4. Общие требования, предъявляемые к оценкам
- •4.5. Методы оценивания параметров
- •4.6. Регрессионный анализ
- •4.7. Проверка адекватности модели
- •4.7.1. Критерий Фишера
- •4.7.2. Определение дисперсий неточности модели и ошибки эксперимента
- •4.7.3. Определение дисперсии воспроизводимости эксперимента
- •4.7.4. Проверка однородности дисперсий
- •4.8. Проверка значимости коэффициентов модели
- •4.9. Стратегическое планирование эксперимента
- •4.9.1. Требования к выходной величине
- •4.9.2. Факторы
- •4.9.3. Выбор интервалов варьирования
- •Верхний кодированный уровень: ; нижний кодированный уровень:.
- •4.9.4. Выбор числа уровней
- •4.9.5. Рандомизация
- •4.10. Полный факторный эксперимент
- •4.10.1. Свойства полного факторного эксперимента 2к
- •4.10.2. Выбор модели при проведении полного факторного эксперимента
- •4.11. Дробный факторный эксперимент
- •4.11.1. Обобщающий определяющий контраст
- •4.12. Планирование экспериментов при построении полной квадратичной модели
- •4.12.1. Ортогональное центральное композиционное планирование
- •4.12.2. Рототабельное композиционное планирование
- •4.12.3. Разбиение матрицы планирования 2к на блоки
- •4.13. Критерии оптимальности планов
- •4.14. D–оптимальные планы
- •4.14.1. Основные свойства d–оптимальных планов
- •4.14.2. Метод построения d–оптимальных планов
- •4.14.3. Синтез d–оптимальных тестирующих сигналов для идентификации динамических объектов
- •4.15. Тактическое планирование машинных экспериментов с моделями систем
- •4.15.1. Определение начальных условий
- •4.15.2. Проблема обеспечения точности и достоверности результатов
- •4.15.3. Проблема уменьшения дисперсии оценок
- •4.15.4. Правило автоматической остановки имитационного эксперимента
- •4.16. Принятие решений после построения модели процесса
4.12.3. Разбиение матрицы планирования 2к на блоки
При проведении серии экспериментов, осуществляемых в течение некоторого периода времени или с использованием нескольких партий веществ может произойти изменения условий эксперимента. Для предотвращения смещения среднего уровня отклика точки экспериментального плана рекомендуется выбирать в случайной последовательности. Однако в некоторых случаях влияние внешних условий можно избежать путем подходящего разбиения матрицы на блоки по сырью или последовательности испытаний. Так, при наличии двух партий сырья матрицу 23 можно разбить на два блока таким образом, чтобы эффект сырья сказался на величине трехфакторного взаимодействия (табл. 4.12). В этом случае все линейные коэффициенты и парные взаимодействия будут освобождены от влияния неоднородности сырья.
Таблица 4.12
№ блока |
x0 |
x1 |
x2 |
x3 |
x1x2 |
x1x3 |
x2x3 |
x1x2 x3 |
y |
|
+ |
– |
– |
+ |
+ |
– |
– |
+ | |
1 |
+ |
+ |
– |
– |
– |
– |
+ |
+ | |
|
+ |
– |
+ |
– |
– |
+ |
– |
+ | |
|
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ | |
|
+ |
– |
– |
– |
+ |
+ |
+ |
– | |
2 |
+ |
+ |
– |
+ |
– |
+ |
– |
– | |
|
+ |
– |
+ |
+ |
– |
– |
+ |
– | |
|
+ |
+ |
+ |
– |
+ |
– |
– |
– |
Различие в сырье рассматривают как новый фактор . Матрица 23, представленная двумя блоками: первый блок и второй блок, является полурепликой 24-1 с определяющим контрастом .
Коэффициенты модели будут равны
Эффект сырья отразился на подсчете свободного члена и коэффициента.
Аналогично можно разбить на два блока любой эксперимент 2к. Нужно только выбрать такой элемент взаимодействия, которым можно безболезненно пожертвовать. Обычно, при отсутствии априорных сведений выбирают взаимодействие самого высокого порядка для 23 , для 24, дляи т.д.
Если имеется четыре источника неоднородности, которые могут заметно исказить результаты эксперимента, то матрицу 24 разбивают на четыре блока таким образом, чтобы линейные эффекты были освобождены от влияния межблокового эффекта.
Схемы разбиения на блоки рототабельных планов второго порядка так же нужно выполнить с учетом того, чтобы различие между блоками не влияло на коэффициенты при линейных, перекрестных и квадратичных членах. Для того, чтобы не было искажения результатов эксперимента и результаты не зависели от блоковых эффектов число центральных точек должно быть выбрано подходящим образом.
4.13. Критерии оптимальности планов
Минимизацию чувствительности математической модели процесса к случайным факторам проведем с учетом дисперсионных оценок.
Предположим, что вид модели известен. Требуется найти лучшие оценки коэффициентов уравнения регрессии.
Если это уравнение линейное относительно параметров, то оценки уравнений регрессий определяются из системы нормативных уравнений
где – матрица независимых переменных;– матрица, получаемая транспонированием матрицы;– уравнение регрессии в матричной форме;– функция веса;
и тогда оценки коэффициентов
Будем предполагать, что дисперсия выходной величины не зависит от независимых переменныхи поэтому примем функцию веса.
С учетом общего вида функциональной зависимости отполучаем следующие оценки:
(4.48)
где - известные функции входных переменных, т.е.
(4.49)
. Обозначим .
Если - транспонированная матрица, то
(4.50)
– ковариационная матрица. Для линейной модели .
В результате действия случайных факторов экспериментатор получает математическую модель отличную от (4.49): .
Определим чувствительность решения (4.48) к небольшим изменениям выходной величины , а следовательно иза счет случайного фактора:
(4.51)
Из выражения (4.51) следует, что чувствительность решения "b" по отношению к случайным факторам выражается ковариационной матрицей .
План эксперимента выбирается с учетом минимизации чувствительности решения (4.48) по отношению к случайным воздействиям. Однако в том виде, в каком она предоставлена в выражении (4.51) не представляется возможным дать количественную оценку чувствительности для разных планов . Поэтому в качестве числовой характеристики чувствительности принимают некоторую из числовых характеристик ковариационной матрицы. В зависимости от этого получают рядкритериев оптимальности.
План называется А–оптимальным, если он минимизирует сумму квадратов главных полуосей эллипсоида рассеяния оценок. Известно, что при нормальном законе распределения результатов наблюдений, поверхностями постоянных значений функции плотности распределения являются эллипсоиды. Характеристики эллипсоида полностью определяются элементами матрицы. Для двухфакторного эксперимента дадим геометрическую интерпретацию (рис. 4.12)
На языке матричной алгебры минимизации суммы квадратов главных полуосей эллипсоида означает минимизацию следа (суммы диагональных элементов) ковариационной матрицы уравнения регрессии. Еще можно встретить название минимизация средней дисперсии.
План называется D–оптимальным, если он минимизирует величину определителя матрицы . Это соответствует минимизации обобщенной дисперсии.
Е–оптимальный план минимизирует максимальную ось эллипсоида рассеяния. Или еще можно назвать минимизацией максимального собственного числа матрицы или минимизации максимального характеристического значения ковариационной матрицы уравнения регрессии.
G–оптимальный план обеспечивает наименьшую по всем планам максимальную величину дисперсии предсказанных значений функции отклика в области факторного эксперимента. Эти планы называют минимаксными.
G–план можно определить из выражения
(4.52)
План будет G–оптимальным, если
(4.53)
Определитель матрицы является наиболее полной числовой характеристикой чувствительности.D–оптимальным план учитывает все элементы матрицы . Поэтому он лучшеА и Е–оптимальных планов. Что касается G – оптимальным, то он эквивалентен D–оптимальному плану. D–оптимальный план минимизирует объем эллипсоида рассеяния оценок коэффициентов модели.
Таким образом, в качестве числовой характеристики оптимальной оценки модели принимаем определитель матрицы
(4.54)
Критерием выбора оптимального плана является минимизация чувствительности по всем возможным планам
(4.55)
т.к. определитель матрицы всегда положителен.