- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •1. ЭКСПЕРИМЕНТ КАК ПРЕДМЕТ ИССЛЕДОВАНИЯ
- •1.1. Понятие эксперимента
- •1.2. Классификация видов экспериментальных исследований
- •2.1. Случайные величины и параметры их распределений
- •2.2. Нормальный закон распределения
- •3. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
- •3.2. Оценивание с помощью доверительного интервала
- •3.2.2. Построение доверительного интервала для дисперсии
- •3.3. Статистические гипотезы
- •3.4. Отсев грубых погрешностей
- •3.4.1. Критерий Н.В. Смирнова
- •3.4.2. Критерий Диксона
- •3.5. Сравнение двух рядов наблюдений
- •3.5.1. Сравнение двух дисперсий
- •3.5.2. Проверка однородности нескольких дисперсий
- •3.7. Преобразование распределений к нормальному
- •4.1. Характеристика видов связей между рядами наблюдений
- •4.2. Определение коэффициентов уравнения регрессии
- •4.3. Определение тесноты связи между случайными величинами
- •4.4. Линейная регрессия от одного фактора
- •4.5. Регрессионный анализ
- •4.5.1. Проверка адекватности модели
- •4.5.2. Проверка значимости коэффициентов уравнения регрессии
- •4.6. Линейная множественная регрессия
- •4.7. Нелинейная регрессия
- •5. ОЦЕНКА ПОГРЕШНОСТЕЙ РЕЗУЛЬТАТОВ НАБЛЮДЕНИЙ
- •5.1. Оценка погрешностей определения величин функций
- •5.2. Обратная задача теории экспериментальных погрешностей
- •5.3.Определение наивыгоднейших условий эксперимента
- •6. МЕТОДЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТОВ. ЛОГИЧЕСКИЕ ОСНОВЫ
- •6.1. Основные определения и понятия
- •6.2. Пример хорошего и плохого эксперимента
- •6.3. Планирование первого порядка
- •6.3.1. Выбор основных факторов и их уровней
- •6.3.2. Планирование эксперимента
- •6.3.3. Определение коэффициентов уравнения регрессии
- •6.3.4. Статистический анализ результатов эксперимента
- •6.3.5. Дробный факторный эксперимент
- •6.4. Планы второго порядка
- •6.4.1. Ортогональные планы второго порядка
- •6.4.2. Ротатабельные планы второго порядка
- •6.5.1. Метод покоординатной оптимизации
- •6.5.2. Метод крутого восхождения
- •6.5.3. Симплексный метод планирования
- •7.1. Общие замечания
- •7.2. Статистические функции Microsoft Excel
- •7.3. Краткое описание системы STATISTICA
- •7.3.1. Общая структура системы
- •7.3.2. Возможные способы взаимодействия с системой
- •7.3.3. Ввод данных
- •7.3.4. Вывод численных и текстовых результатов анализа
- •7.3.5. Статистические процедуры системы STATISTICA
- •7.3.6. Структура диалога пользователя в системе STATISTICA
- •7.3.7. Примеры использования системы STATISTICA
- •СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ
- •ПРИЛОЖЕНИЕ
6. МЕТОДЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТОВ. ЛОГИЧЕСКИЕ ОСНОВЫ
Известный из практики метод "проб" и "ошибок", в котором факторы изменяются на основании опыта, интуиции или наугад, при обычно имеющем место значительном числе факторов при исследовании процессов в металлургии зачастую оказывается малоэффективным вследствие весьма сложной зависимости функции отклика от факторов.
Требуют значительно меньшего числа опытов и быстрее приводят к цели те поисковые методы оптимизации, где шаговое варьи-
рование факторами производится целенаправ- 1-2 – регистрирующий прибор
ленно по определенному плану. Поисковые методы оптимизации относятся к классу итерационных процедур, при этом весь процесс разбивается на шаги, на каждом шаге делается ряд опытов и определяется, каким образом нужно изменить факторы, влияющие на процесс, чтобы получить улучшение результата. При этом на каждом очередном шаге получаемая информация используется для выбора последующего шага.
Разработано множество методов пошаговой оптимизации, которые подробно рассматриваются в разделе вычислительной математики – “Численные методы оптимизации”. Мы же рассмотрим только некоторые из них, эффективность использования которых в промышленном и лабораторном эксперименте применительно к металлургическим процессам подтверждена практикой.
6.5.1. Метод покоординатной оптимизации
Процесс поиска оптимума методом покоординатной оптимизации в гра-
фическом виде для двумерного случая представлен на рис.6.6. По этому мето-
ду выбирается произвольная точка М0 и определяются ее координаты. Поиск оптимума осуществляется поочередным варьированием каждого их факторов.
При этом сначала изменяют один фактор (х1) при фиксированных остальных (х2=const) до тех пор, пока не прекращается прирост функции отклика (точка
197
6. МЕТОДЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТОВ. ЛОГИЧЕСКИЕ ОСНОВЫ |
|
||||||||
М1). В дальнейшем изменяется другой фактор (х2) при фиксированных осталь- |
|||||||||
ных (х1=const), и далее процедура повторяется. |
|
|
|
|
|||||
x2 |
|
|
|
|
Данный |
метод |
весьма |
||
|
|
B1 |
прост, однако при большом чис- |
||||||
M0 |
|
|
|||||||
|
M1 |
|
B2 |
ле факторов |
требуется |
значи- |
|||
|
|
|
B3 |
||||||
|
|
|
|
|
|
|
|
||
|
|
|
|
тельное |
число опытов, |
чтобы |
|||
|
|
|
|
B4 |
|||||
~ |
|
|
|
достичь |
координат |
оптимума. |
|||
|
A′ |
|
B5 |
||||||
x2 |
M2 |
|
|||||||
|
|
|
A |
Более того, |
|
при некото- |
|||
* |
|
|
|
|
|||||
x2 |
|
|
|
B6 |
рых зависимостях y=f(x1,...,xk) |
||||
|
|
|
|
||||||
|
|
|
|
B6>B5>B4 |
этот метод может |
привести к |
|||
|
|
|
|
ложному результату. На рис.6.6 |
|||||
|
|
|
|
|
|||||
|
|
~ |
|
|
показан |
один из таких частных |
|||
|
|
* |
x1 |
случаев, когда поочередное из- |
|||||
|
|
x1 |
x1 |
||||||
Рис.6.6. К методу покоординатной |
менение каждого из факторов в |
||||||||
оптимизации |
|
|
|
|
любую сторону вдоль коорди- |
||||
|
|
|
|
|
|||||
натных осей x1 и x2 вызывает уменьшение y. В результате решения находится |
|||||||||
ложный экстремум, находящийся в точке А′ с координатами |
~ ~ |
, в то время |
|||||||
x1;x2 |
|||||||||
как действительное значение максимума ymax находится в точке А с координа- |
|||||||||
тами x1* и x2*. |
|
|
|
|
|
|
|
|
|
В дальнейшем рассмотрим более совершенные методы.
6.5.2. Метод крутого восхождения
Известно, что кратчайший, наиболее короткий путь — это движение по
градиенту, т.е. перпендикулярно линиям равного уровня, на которых функция
отклика принимает постоянные значения y(x1, x2, ..., xk)=B. В связи с этим при оптимизации процесса рабочее движение целесообразно совершать в направ-
лении наиболее быстрого возрастания функции отклика, т.е. в направлении градиента функции y.
198
6. МЕТОДЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТОВ. ЛОГИЧЕСКИЕ ОСНОВЫ
Существуют различные модификации градиентного метода, одним из них является метод крутого восхождения. Сущность этого метода также рассмотрим на примере двухфакторной задачи (рис.6.7).
x2
10 |
M1 12 |
9 |
11 |
|
|
13 |
8 |
14 |
7 |
|
N |
1 |
3 |
|
6 |
|||
|
|
||
|
5 |
M0 |
|
|
2 |
4 |
x1
Рис. 6.7. Процедура оптимизации методом крутого восхождения
В этом случае шаговое движение осуществляется в направлении наискорейшего возрастания функции отклика, т.е. grad y(x1,x2). Однако направление корректируют не после каждого следующего шага, а при достижении в некоторой точке на данном направлении частного экстремума функции отклика.
Пусть в окрестности точки М0 как центра плана поставлен ПФЭ 22. Координаты отдельных опытов соответствуют точкам 1-4. По результатам ПФЭ можно рассчитать коэффициенты линейного уравнения регрессии.
y) = b0 + b1x1 + b2x 2.
Градиент функции отклика в этой точке определяется как
|
∂ y |
r |
|
∂ y |
r |
|
|
grad y = |
|
i |
+ |
|
j, |
(6.37) |
|
∂ x1 |
∂ x 2 |
||||||
|
|
|
|
|
где i, j — единичные векторы в направлении координатных осей.
Следовательно, для движения по градиенту необходимо изменять факторы пропорционально их коэффициентам регрессии и в сторону, соответствующую знаку коэффициента. В процессе поиска двигаются в этом направле-
199
6. МЕТОДЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТОВ. ЛОГИЧЕСКИЕ ОСНОВЫ
нии до тех пор, пока не будет обнаружен локальный максимум (точка М1 на рис. 6.7). В точке последнего находят новое направление градиента (направление М1N), осуществляя опять же ПФЭ, и далее процедура повторяется. Стрелками на рис. 6.7 показана траектория движения к оптимуму.
Практически алгоритм сводится к следующей последовательности операций.
1.Планирование и постановка ПФЭ (или ДФЭ) в окрестности точки начального состояния xi0. Расчет коэффициентов bi линейной математической модели с целью определения направления градиента.
2.Расчет произведений bi∆xi, где ∆xi — интервалы варьирования факторов при ПФЭ (ДФЭ).
3. Выбор базового фактора xi=xi0, у которого bi∆x i = a = max .
4. Выбор шага крутого восхождения для базового фактора ha.
Этот выбор производится на основании имеющейся априорной информации или с учетом опыта исследователя, технологических соображений или других критериев. Относительно выбора шага заметим, что слишком малый шаг потребует значительного числа опытов при движении к оптимуму, а большой шаг создает опасность проскакивания области оптимума.
5. Расчет шагов изменения других факторов по формуле
hi = (bi∆xi ) ha / a. |
(6.38) |
Это соотношение между величинами шагов изменения отдельных факторов обеспечивает движение по градиенту в факторном пространстве.
6. Составление плана движения по градиенту. Для этого в соответствии с
определенными значениями шагов изменения факторов и их последовательным алгебраическим суммированием с основным уровнем в точке
xik = xi0 + khi, k = 1,2,...
находят координаты опытов 5, 6, 7, 8, 9, 10 (см.рис.6.7). Часть этих опытов по-
лагают "мысленными". "Мысленный" опыт заключается в получении предска-
занных (расчетных) значений функции отклика по линейному уравнению рег-
200