- •Часть 1. Имитационное моделирование. Факторный эксперимент
- •Часть 1. Имитационное моделирование. Факторный эксперимент
- •Предисловие
- •Введение
- •Глава I. Системное моделирование – инструмент управления в больших системах
- •1.1. Понятия системного подхода и большой системы
- •1.2. Эффективность больших систем
- •1.3. Управление в больших системах
- •1.4. Структура систем управления
- •1.5. Основные понятия системного моделирования
- •Глава II. Моделирование систем методом статистических испытаний
- •2.1. Принципы построения математических моделей
- •2.2. Требования, предъявляемые к математическим моделям
- •2.3. Моделирование больших систем методом статистических испытаний. Сущность метода статистических испытаний. Точность метода
- •Вопрос 1.
- •2.3.1. Формирование непрерывных случайных величин с заданным законом распределения
- •2.3.2. Приближенные методы формирования случайных величин с заданным законом распределения вероятностей
- •2.3.3. Моделирование системы массового обслуживания
- •1,07 1,09 1,14 Моделируемое время t
- •2.3.4. Получение наблюдений при моделировании
- •Прикладные задачи имитационного моделирования
- •Ориентированный процесс случайного блуждания как метод прогнозирования
- •2.4.2. Модифицированный имитационным моделированием метод экспоненциального сглаживания
- •Глава III. Оценка качества моделей и планирование статистических испытаний
- •3.1. Оценка качества моделей
- •3.1.1. Методы повышения качества оценок показателей эффективности
- •3.1.2. Пассивные методы повышения качества оценивания показателя эффективности
- •3.1.3. Активные методы повышения качества оценивания показателя эффективности
- •3.1.4. Косвенные методы повышения качества оценивания показателя эффективности
- •3.2. Планирование имитационных экспериментов
- •3.2.1. Общая схема испытаний
- •3.2.2. Полные факторные планы испытаний
- •3.2.3. Дробные факторные планы испытаний. Планирование испытаний
- •3.2.4. Анализ результатов испытаний
- •3.2.5. Оптимальные планы
- •Методы принятия решений по результатам испытаний
- •Общая процедура принятия решений
- •3.3.2. Проверка гипотез о параметрах
- •Принятие решений о стабильности условий испытаний
- •Заключение
- •Библиографический список
- •Предметный указатель
- •Оглавление
- •Глава I. Системное моделирование – инструмент управления в больших системах 6
- •Глава II. Моделирование систем методом статистических испытаний 43
- •Глава III. Оценка качества моделей и планирование статистических испытаний 147
- •191186, Санкт-Петербург, ул. Миллионная, 5
3.2.5. Оптимальные планы
Если целью испытаний является изучение характера процесса, то с получением адекватной модели они могут быть завершены. При доводочных испытаниях, когда – параметры конструкции, работа продолжается для получения координат точки в которой соответствует заданному (или экстремальному) значению. Рассмотрим два основных подхода к отысканию области оптимума : крутое восхождение и симплексный метод.
Крутое восхождение (метод Бокса-Уилсона) выгодно отличается от традиционной организации многофакторного эксперимента, при проведении которого последовательно отыскивается экстремум по каждому из факторов. Сущность крутого восхождения заключается в шаговом движении в
направлении наибольшего изменения функции (направлении градиента)
, (3.2.16)
с корректировкой этого направления после достижения частного экстремума функции. На пути движения к экстремуму производится регулярный статистический анализ. В (3.2.16) – единичные векторы в направлении координатных осей.
Определению служит реализация ПФП (ДФП), обеспечивающая получение адекватной модели чаще всего в виде линейного уравнения регрессии. Дальнейшие операции сводятся к следующему.
Вычисляются произведения . Фактор, для которого имеет место принимается за базовый . Для базового фактора исходя из анализа физической сущности процесса устанавливается шаг варьирования (в направлении экстремума), после чего для других шаг рассчитывается пропорционально наклону поверхности отклика, характеризующемуся величиной :
. (3.2.17)
Затем производятся «мысленные опыты», которые заключаются в вычислении предсказываемых уравнением регрессии значений в точках факторного пространства. Через несколько (обычно два – пять) шагов
Рис. 3.2. Графическое представление проведения испытаний по схеме крутого восхождения
проводятся реальные испытания. Сравнивая опытные значения с расчетными, определяют наиболее близкие к экстремальным значения , где и проводится новая серия испытаний, после чего при необходимости крутое восхождение продолжается. Испытания прекращаются, когда все или почти все значения незначимы или близки к нулю.
Пример проведения испытаний по схеме крутого восхождения содержится в табл. 2.11.
В качестве параметра оптимизации рассматривалась удельная тяга ЖРД – , максимума которой добивались подбором форсунок окислителя разного диаметра сопла – фактор и изменением выходного сечения сопла – фактор . Предварительно по ПФП получена модель, с помощью которой определено градиентное направление . В дальнейшем проведение реальных испытаний чередовалось с мысленными
Таблица 2.11
Уровень |
|
|
|
||||
мм |
|||||||
Основной………………………… Интервал…………………………. Нижний…………………………... Верхний………………………….. |
4,5 0,2 4,3 4,7 |
350 20 330 370 |
|
||||
Коэффициент ………… Шаг при ………………. |
1,2 0,1 |
0,8 5 |
|
||||
|
|||||||
Номер опыта |
Вид испытания |
|
|
|
|
||
мм |
н∙с/кг |
||||||
1 2 3 4 5 6 |
Начальная точка………….... Мысленный опыт………….. Реализованный…………….. Мысленный………………... Реализованный ……………. Реализованный……………. |
4,7 4,8 4,9 5,0 5,1 5,2 |
370 375 380 385 390 395 |
– – 2760 – 2920 3000 |
– – 2620 – 2710 2640 |
опытами. При подсчете предсказанных значений натуральные значения переводились в кодированные по формуле. Как видно из табл. 2.11, переход от условий испытаний № 5 к условиям испытания № 6 не обеспечивает приращения удельной тяги. Далее в точке (рис. 3.2) была проведена контрольная серия из четырех испытаний, которая подтвердила, что дальнейшие вариации и не ведут к увеличению .
Симплексный метод заключается в том, что испытания проводятся в точках факторного пространства, соответствующих вершинам симплексов. Под -мерным симплексом подразумевают выпуклую геометрическую фигуру, имеющую вершину, соединенные прямыми отрезками-ребрами. Одномерным симплексом будет отрезок прямой, двумерным – плоский треугольник, трехмерным – тетраэдр и т. д. При планировании испытаний обычно используют правильные симплексы, у которых вершины находятся друг от друга на одинаковом расстоянии. В отличие от крутого восхождения, при использовании симплексного метода процесс изучения поверхности отклика совмещается с движением к экстремуму. Схема поиска экстремума симплекс-методом при показана на рис. 3.2. Сначала проводится серия испытаний в вершинах правильного -мерного симплекса (точки ) с целью выявить точку, характеризующую условия, при которых получаются худшие результаты. Следующую серию испытаний проводят в вершинах нового симплекса, который получают заменой точки, соответствующей худшему результату (точка ), ее зеркальным отображением. Тем самым достигается смещение центра тяжести симплекса в направлении экстремума. В дальнейшем процедура повторяется, и образуется последовательность симплексов, перемещающихся в факторном пространстве в направлении к экстремуму. На близость экстремума указывает начинающееся вращение симплекса вокруг одной из его вершин.
Шаговое движение к экстремуму продолжается до тех пор, пока будет достигнута «почти стационарная область», которая не может быть описана линейной моделью, и где значимы совместные (квадратичные) эффекты воздействия.
Близость «почти стационарной области» можно установить, если провести серию испытаний в центре плана и определить значение выходного параметра . Вычисляемое для линейной модели значение при реализации ПФП или ДФП в «почти стационарной области» является совместной оценкой для свободного члена и суммы квадратов членов. Следовательно, разность дает представление о кривизне поверхности отклика.
«Почти стационарную область» в большинстве случаев с приемлемой точностью можно описать уравнением второго порядка
. (3.2.18)
Поскольку для отыскания раздельных оценок параметров число уровней должно быть на единицу больше степени полинома, число уровней должно быть не менее трех. Однако применение ПФП типа приведет к резкому возрастанию количества испытаний. Для сокращения можно использовать центральные композиционные планы (ЦКП). Ядро ЦКП составляют ПФП или ДФП: ПФП, если число факторов , и ДФП при . Это приводит к тому, что если после реализации ПФП (ДФП) гипотеза о линейности модели не подтвердилась, нет необходимости проводить испытания заново. Для получения модели второго порядка достаточно добавить к ПФП (ДФП) несколько специальным образом подобранных точек, в которых и провести дополнительную серию испытаний.
Пусть для получения линейной модели реализован ПФП . Согласно рис. 3.1,б экспериментальные точки лежат в вершинах куба. Если линейная модель неадекватна, то в план включается так называемых «звездных точек» с координатами , расположенных на сфере диаметром (рис. 3.3). Таким образом, каждая из точек плана лежит на координатных осях на расстоянии от центра плана, называемым звездным плечом . Центром плана является центральная точка прямоугольника, если число факторов , куба при , гиперкуба, когда . Наличие звездных точек, собственно, и задает центральный композиционный план.
Представление о положении звездных точек в факторном пространстве дают следующие примеры: при и ядре плана, образованном ПФП , величина звездного плеча ; если , а в ядре реализован ПФП , то ; при и ПФП . Общее число испытаний при реализации ЦКП
,
где – ядро плана, – число звездных точек; – количество испытаний, проводимых в центре плана.
Рис. 3.3. «Звездные точки» с координатами
Пример ЦКП, в котором сохранено свойство ортогональности, приведен в табл. 2.12. В этом плане , , .
Таблица 2.12
Номер опыта |
|
|
|
Номер опыта |
|
|
|
1 |
– |
– |
– |
9 |
|
0 |
0 |
2 |
– |
+ |
– |
10 |
|
0 |
0 |
3 |
+ |
– |
– |
11 |
0 |
|
0 |
4 |
+ |
+ |
– |
12 |
0 |
|
0 |
5 |
– |
– |
+ |
13 |
0 |
0 |
|
6 |
– |
+ |
+ |
14 |
0 |
0 |
|
7 |
+ |
– |
+ |
15 |
0 |
0 |
0 |
8 |
+ |
+ |
+ |
|
|
|
|
Поскольку в ЦКП ортогональность обеспечивается, оценки коэффициентов получаются независимо. Однако дисперсии , как видно из приводимой расчетной зависимости, неодинаковы для разных коэффициентов:
; (3.2.19)
; (3.2.20)
При реализации такого плана, как видно из табл. 2.12, , в то время как для ПФП .
Адекватная модель второго порядка может использоваться для нахождения оптимального значения факторов (в частном случае оптимальных конструктивных параметров).
Необходимо отметить, что кроме рассмотренных известно большое количество других методов оптимального планирования испытаний, развитых в специальной дисциплине — теории планирования эксперимента. К настоящему времени накоплен значительный опыт их использования при испытании составных частей технических систем, главным образом, в процессе опытно-конструкторских работ; известны пути приложения методов для оптимизации испытаний отдельных элементов образцов техники. Во всех случаях условием успешного планирования является правильное сочетание цели испытаний с возможностями выбранного метода и учет характера самого изучаемого явления.