Математическое моделирование и основы научных исследований в сварке
..pdf3.3. МАТРИЧНЫЙ МЕТОД И РЕГРЕССИОННЫЙ АНАЛИЗ
Изложенный матричный метод рассмотрим на следующем примере. Требуется найти зависимость y от х1 и х2. Искомое уравнение регрессии имеет вид
y = b0 + b1x1 + b2x2.
Был реализован полный факторный эксперимент типа 22, матрица планирования которого приведена в табл. 20.
|
|
|
|
Таблица 20 |
|
|
|
|
|
|
|
Номер опыта |
x0 |
x1 |
x2 |
|
y |
1 |
+ |
– |
– |
|
y1 |
2 |
+ |
+ |
– |
|
y2 |
3 |
+ |
– |
+ |
|
y3 |
4 |
+ |
+ |
+ |
|
y4 |
Запишем Х-матрицу условийэксперимента иY-матрицунаблюдений:
+1 −1 |
−1 |
|
+1 |
+1 |
−1 |
X = |
−1 |
, |
+1 |
+1 |
|
+1 |
+1 |
+1 |
y1
Y = y2 .
y3y4
Каждая строка Х-матрицы – условия опыта. Приведенная матрица Х ортогональна, так как сумма построчных произведений элементов любых двух столбцов равна нулю. Построим матрицу, транспонированную к Х-матрице:
+1 |
+1 |
+1 |
+1 |
X T = −1 |
+1 |
−1 |
+1 . |
|
−1 |
+1 |
|
−1 |
+1 |
Умножим слева Х-матрицу на матрицу X T :
+1 |
+1 |
+1 |
+1 |
+1 |
−1 |
−1 |
||
|
|
|
|
|||||
X T X = |
−1 |
+1 |
−1 |
+1 |
|
+1 |
+1 |
−1 . |
|
|
|
|
|
|
+1 |
−1 |
|
|
−1 |
−1 |
+1 |
|
|
+1 |
||
|
+1 |
Б+1 |
+1 |
+1 |
||||
|
|
|
|
|
|
|
|
|
71
Стр. 71 |
ЭБ ПНИПУ (elib.pstu.ru) |
Элементы матрицы-произведения обозначим через hlv. Элемент h11 равен сумме произведений элементов первой строки транспонированной мат-
рицы X T насоответствующиеэлементыпервогостолбцаматрицыХ, т.е.
h11 = (+1) (+1) + (+1) (+1) + (+1) (+1) + (+1) (+1) = 4.
Элемент h12 матрицы |
|
X T X равен сумме произведений элементов |
||||
первой строки матрицы X T на элементы второго столбца матрицы Х. |
||||||
Аналогично находим, что |
|
|
|
|
|
|
h12 = 0; |
|
h13 = 0; |
h21 = 0; |
h22 = 4; |
||
h23 = 0; |
|
h31 = 0; |
h32 = 0; |
h33 = 4. |
||
Таким образом, матрица произведений X T X имеет вид |
||||||
|
|
4 |
0 |
0 |
|
|
|
X T X = 0 |
4 0 . |
|
|||
|
|
|
0 |
|
|
|
|
|
0 |
4 |
|
|
|
Умножим слева Y-матрицу на матрицу X T : |
|
|||||
|
+1 +1 |
+1 +1 |
y1 |
|
||
|
|
|
||||
X TY = |
|
−1 +1 |
−1 |
+1 |
y2 |
= |
|
|
|
|
|
y3 |
|
|
|
−1 −1 |
|
|
||
|
|
+1 +1 |
|
|
||
|
|
|
|
|
y4 |
|
(+1) y1 |
+ (+1) y2 |
+ (+1) y3 |
||
= (−1) y1 |
+ |
(+1) y2 |
+ |
(−1) y3 |
|
+ |
(−1) y2 |
+ |
(+1) y3 |
(−1) y1 |
|
|
|
4 |
|
|
|
∑ x0u yu |
||
+ (+1) y4 |
u =1 |
|
||
+ |
|
|
4 |
|
(+1) y4 |
= ∑ x0u yu . |
|||
+ |
|
u =1 |
|
|
(+1) y4 |
|
4 |
|
|
|
|
∑ x0u yu |
||
|
|
u =1 |
|
Искомые коэффициенты b0, b1, b2 можно записать в виде матрицы
b0 B = b1 .
b2
72
Стр. 72 |
ЭБ ПНИПУ (elib.pstu.ru) |
Система нормальных уравнений ( X T X )−1 B = X TY в данном случае будет иметь следующий вид:
|
|
|
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
∑ x0u yu |
||
4 |
|
0 0 b0 |
|
u =1 |
|
|
|||||
|
|
|
|
|
|
|
|
|
N |
|
|
0 |
|
4 0 |
b1 |
|
= |
∑ x1u yu . |
|||||
0 |
|
0 4 b2 |
|
u =1 |
|
|
|||||
|
|
|
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
|
∑ x2u yu |
|||
|
|
|
|
|
|
|
|
u =1 |
|
|
|
Находим матрицу ( X T X )−1 : |
|
|
|
|
|
|
|||||
|
|
|
|
|
1/ 4 |
0 |
0 |
|
|||
|
T |
|
−1 |
= |
|
|
|
|
|
|
|
( X |
|
X ) |
|
|
0 |
|
1/ 4 |
0 |
. |
||
|
|
|
|
|
|
0 |
|
0 |
|
|
|
|
|
|
|
|
|
|
1/ 4 |
Умножаем слева обе части уравнения ( X T X )B = X TY на матрицу
( X T X )−1 :
|
|
|
0 |
0 |
|
|
4 |
0 |
0 |
|
|
0 |
|
|
1/ 4 |
|
|
|
|
b |
|
|
|||||||
|
0 1/ 4 |
0 |
|
|
0 4 |
0 |
b |
|
= |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
0 |
|
1/ 4 0 0 |
4 b2 |
|
|
|||||||||
|
|
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
1/ 4 0 |
|
0 |
|
∑ x0u yu |
|
|
|
||||||
|
|
u =1 |
|
|
|
|
|
|
||||||
|
|
0 |
1/ 4 |
|
0 |
|
|
N |
|
|
|
|
|
|
= |
|
|
|
∑ x1u yu . |
|
|
||||||||
|
|
0 |
0 |
|
|
|
u =1 |
|
|
|
|
|
|
|
|
|
1/ 4 |
|
N |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
∑ x2u yu |
|
|
|
||||
|
|
|
|
|
|
|
u =1 |
|
|
|
|
|
|
После преобразования получим
|
|
|
1 |
N |
|
|
|
|
|
∑ x0u yu |
|||
b |
|
|
||||
|
4 u =1 |
|
||||
0 |
|
|
1 |
N |
|
|
b1 |
|
= |
|
∑ x1u yu . |
||
|
||||||
|
|
|
4 u =1 |
|
||
b2 |
|
|
1 |
N |
|
|
|
|
|
|
|
∑ x2u yu |
|
|
|
|
|
|||
|
|
|
4 u =1 |
|
73
Стр. 73 |
ЭБ ПНИПУ (elib.pstu.ru) |
Две матрицы равны, если равны их соответствующие элементы, следовательно,
|
|
1 |
N |
|
|
1 |
N |
|
|
1 |
N |
|
b0 |
= |
∑ x0u yu ; |
b1 |
= |
∑ x1u yu ; |
b2 |
= |
∑ x2u yu . |
||||
|
|
|
||||||||||
|
|
4 u =1 |
|
|
4 u =1 |
|
|
4 u =1 |
Остаточная сумма квадратов SR в рассматриваемом примере имеет вид
4 |
2 |
4 |
4 |
2 |
SR = ∑ yu2 − ∑bi ∑ x1u yu = ∑ yu2 − 4∑bi2 . |
||||
u =1 |
i =0 u =1 |
u =1 |
i =0 |
Дисперсия адекватности
Sад = |
SR |
= |
SR |
= |
|
SR |
= SR . |
fR |
|
|
− (2 +1) |
||||
|
|
N − (k +1) 4 |
|
Оценки S2{bi} дисперсий σ 2{bi} будут равны:
S 2 {b |
} = C S 2 |
= |
1 |
S 2 |
; |
|
S 2 {b }= C S 2 |
= |
1 |
S 2 |
; |
|||||
0 |
|
|
00 y |
4 |
y |
|
|
|
1 |
11 y |
4 |
y |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
S |
2 {b } = C |
|
S 2 |
= |
1 |
S 2 . |
|
|
|
|
|||
|
|
22 |
|
|
|
|
|
|||||||||
|
|
|
|
2 |
|
|
y |
4 |
y |
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Здесь Cii = |
1 |
, где (ii) – элементы исходной матрицы ( X T X ) , |
||||||||||||||
|
||||||||||||||||
|
|
(ii) |
|
|
|
|
|
|
|
|
|
|
|
|
|
а Cii – элементы обратной матрицы.
Фундаментальную роль в анализе уравнения регрессии играет матрица
M −1 = ( X T XS(2y ) )−1 ,
которая называется матрицей ковариаций. Прямая матрица М называется информационной матрицей Фишера. В структуре матрицы дисперсийковариаций содержится вся информация о статистических свойствах модели. Провести статистический анализ – значит извлечь эту информацию. Для этого рассмотрим матрицу М –1. Оценка дисперсии воспроизводимости S y2 − скаляр. Умножить матрицу на скаляр слева или справа − значит
умножить на этот скаляр каждый элемент матрицы.
74
Стр. 74 |
ЭБ ПНИПУ (elib.pstu.ru) |
Полученные таким образом произведения имеют определенный статистический смысл. Так, на главной диагонали матрицы-произве- дения стоят оценки дисперсий коэффициентов регрессии, вне главной диагонали расположены оценки ковариаций, характеризующие статистическую зависимость между коэффициентами регрессии.
Таким образом, регрессионный анализ линейного уравнения можно представить в виде последовательности выполнения следующих операций:
1.Составляют Х-матрицу условий опытов и Y-матрицу наблюдений.
2.Строят матрицу X T , транспонированную к Х-матрице.
3.Вычисляют матрицу произведения X T X .
4.Находят матрицу ( X T X )−1 .
5.Вычисляют матрицу произведения X TY .
6. По выражениям B = ( X T X )−1 X TY определяем коэффициенты уравнения регрессии.
7.Находят cov{bibj} и оценки S2{bi} дисперсий σ 2{bi}.
8.Вычисляют дисперсию Sад2 и проверяют гипотезу адекватности
уравнения регрессии.
Рассмотрим пример, иллюстрирующий методику регрессионного анализа в случае, когда уравнение регрессии представлено полиномом 2-го порядка. Исследуемая величина y зависит от двух факторов, а оценка уравнения регрессии имеет вид
y = b |
+ b x + b x |
2 |
+ b |
x x |
2 |
+ b |
x2 |
+ b |
x2 . |
(4) |
||
0 |
1 |
1 |
2 |
12 |
1 |
11 |
1 |
22 |
2 |
|
Введем обозначения
x0 |
= 1; x3 |
= x1x2; x4 |
= x2 |
; x = x2 . |
|
|
|
|
1 |
5 |
2 |
С учетом принятых обозначений уравнение (4) примет вид
y = b0x0 + b1x1 + b2x2 + b3x3 + b4x4 + b5x5. |
(5) |
Матрица планирования и результаты опытов приведены в табл. 21.
75
Стр. 75 |
ЭБ ПНИПУ (elib.pstu.ru) |
Таблица 21
Номер опыта |
x0 |
x1 |
x2 |
x3 |
x4 |
x5 |
y |
1 |
1 |
1 |
0 |
0 |
1 |
0 |
58,7 |
2 |
1 |
–1 |
0 |
0 |
1 |
0 |
49,2 |
3 |
1 |
0,5 |
0,866 |
0,433 |
0,25 |
0,75 |
50,5 |
4 |
1 |
0,5 |
–0,866 |
0,433 |
0,25 |
0,75 |
61,0 |
5 |
1 |
–0,5 |
0,866 |
–0,433 |
0,25 |
0,75 |
43,8 |
6 |
1 |
–0,5 |
–0,866 |
0,433 |
0,25 |
0,75 |
57,7 |
7 |
1 |
0 |
0 |
0 |
0 |
0 |
50,1 |
Для вычисления коэффициентов b0, b1, …, b5 составим Х-матрицу условий эксперимента и Y-матрицу наблюдений:
1 |
1 |
|
0 |
0 |
1 |
0 |
|
|
58, 7 |
|
|
|
−1 |
|
|
|
|
|
|
|
|
|
|
1 |
|
0 |
0 |
1 |
0 |
|
|
|
49, 2 |
||
|
0, 5 |
0,866 |
0, 433 |
0, 25 |
|
|
|
|
50, 5 |
|
|
1 |
0, 75 |
|
|
|
|||||||
X = 1 |
0, 5 |
−0,866 |
−0, 433 |
0, 25 |
0, 75 |
; Y |
= |
61, 0 |
. |
||
1 |
−0, 5 |
0,866 |
−0, 433 |
0, 25 |
0, 75 |
|
|
43,8 |
|
||
|
−0, 5 |
−0,866 |
|
|
|
|
|
|
|
|
|
1 |
0, 433 |
0, 25 |
0, 75 |
|
57, 7 |
|
|||||
|
0 |
|
0 |
0 |
0 |
0 |
|
|
|
|
|
1 |
|
|
|
50,1 |
|
||||||
Транспонируем Х-матрицу: |
|
|
|
|
|
|
|
||||
|
1 |
1 |
1 |
1 |
|
1 |
|
1 |
1 |
|
|
|
|
−1 |
|
|
−0, 5 |
|
−0, 5 |
|
|
|
|
|
1 |
0, 5 |
0, 5 |
|
0 |
|
|||||
|
|
0 |
0,866 |
−0,866 |
0,866 |
−0,866 |
|
|
|
||
X T = 0 |
0 . |
|
|||||||||
|
0 |
0 |
0, 433 |
−0, 433 |
−0, 433 |
0, 433 |
0 |
|
|||
|
1 |
1 |
0, 25 |
0, 25 |
0, 25 |
|
0, 25 |
0 |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
0 |
0, 75 |
0, 75 |
0, 75 |
|
0, 75 |
0 |
|
Умножим слева Х-матрицу и Y-матрицу на матрицу X T :
76
Стр. 76 |
ЭБ ПНИПУ (elib.pstu.ru) |
|
7 |
|
0 |
0 |
0 |
3 |
3 |
|
|
371 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
3 |
0 |
0 |
0 |
0 |
|
|
14, 5 |
|
X T X = |
|
|
0 |
3 |
0 |
0 |
0 |
|
|
|
|
0 |
|
; |
X TY = |
−21,131 . |
|||||||
|
0 |
|
0 |
0 |
0, 75 |
0 |
0 |
|
|
1, 472 |
|
|
3 |
|
0 |
0 |
0 |
2, 25 |
0, 75 |
|
161,15 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
|
0 |
0 |
0 |
0, 75 |
2, 25 |
|
159, 75 |
||
Находим матрицу ( X T X )−1 , обратную матрице ( X T X ) : |
|
||||||||||
|
|
1 |
|
0 |
0 |
|
0 |
−1 |
−1 |
|
|
|
|
|
0 |
0, 3333 |
0 |
|
0 |
0 |
0 |
|
|
|
|
|
|
|
|||||||
( X T X )−1 = |
|
0 |
|
0 |
0, 3333 |
|
0 |
0 |
0 |
|
|
|
|
|
. |
||||||||
|
|
|
0 |
|
0 |
0 |
1, 3333 |
0 |
0 |
|
|
|
|
|
−1 |
|
0 |
0 |
|
0 |
1, 5 |
0,8333 |
|
|
|
|
−1 |
|
|
|
|
|
|
|
|
|
|
|
|
0 |
0 |
|
0 |
0,8333 |
1, 5 |
|
Определяем коэффициенты выражения (4) по формуле
B = ( X T X )−1 X TY .
Отсюда
b0 = 50,1; b1 = 4,8333: b2 = –7,0437;
b3 = 1,963; b4 = 3,85; b5 = 2,9167.
Таким образом, уравнение регрессии имеет вид
y = 50,1 + 4,8333x1 – 7,0437x2 + 1,963x3 + 3,85x4 + 2,9167x5.
Находим остаточную сумму квадратов:
7
SR = ∑( yu − yu )2 = 0, 042.
u=1
Вматричной форме это выражение можно записать в следующем
виде:
SR = Y TY − B T XTY.
77
Стр. 77 |
ЭБ ПНИПУ (elib.pstu.ru) |
Дисперсия адекватности
Sад2 = |
S R |
= |
0,042 |
|
= 0,042 . |
|
f R |
7 − (5 + |
1) |
||||
|
|
|
Дисперсия S y2 , характеризующая ошибку эксперимента, опреде-
ленная по результатам пяти предварительных опытов с числом степеней свободы f = 4, равна 0,02. Вычислим дисперсионное отношение:
= Sад2 =
Fp S y2 2,1.
Табличное значение F-критерия Фишера при 5%-ном уровне значимости и числах степеней свободы для числителя fR = 1 и для знаменателя f = 4 FT = 7,71. Уравнение (5) адекватно, так как FT > Fp. По глав-
ной диагонали матрицы ( X T X )−1 |
расположены элементы сii, отсюда |
дисперсии коэффициентов регрессии |
|
S2{b0} = 1 0,02 = 0,02; S2{b1} = 0,3333 0.02 = 0,0067; |
|
S2{b2} = 0,3333 0,02 = 0,0067; |
S2{b3} = 1,3333 0,02 = 0,0267; |
S2{b4} = 1,5 0,02 = 0,03; |
S2{b5} = 1,5 0,02 = 0,03. |
Ковариации находим по выражению cov{bi b j }= Cij σ 2y :
cov{b0b4} = –1 0,02 = –0,02; cov{b0b5} = –1 0,02 = –0,02;
cov{b4b5} = 0,8333 0,02 = 0,0167.
Найденные ковариации показывают, что между коэффициентами b0, b4 и b5 существует корреляционная связь. Если какой-либо из этих коэффициентов будет исключен из уравнения регрессии, остальные коэффициенты необходимо пересчитать.
Переходя от переменных х3, х4, х5 к х1х2, x12 , x22 , получим следующее уравнение:
y = 50,1 + 4,8333x1 − 7,0437x2 +1,963x1 x2 + 3,85x12 + 2,9167x22 .
Это уравнение можно использовать для поиска оптимальных условий ведения процесса, а также как интерполяционную формулу для предсказаний значений y в области эксперимента.
78
Стр. 78 |
ЭБ ПНИПУ (elib.pstu.ru) |
4. ФАКТОРНЫЙ ЭКСПЕРИМЕНТ 2-ГО ПОРЯДКА
4.1. ОБЩИЕ ПОЛОЖЕНИЯ
Движение по методу крутого восхождения заканчивается, когда достигается область оптимума. Область оптимума не может быть описана линейным уравнением регрессии. В этой части поверхности отклика доминирующими становятся эффекты взаимодействия факторов и квадратичных эффектов. Область оптимума можно описать полиномами более высоких порядков, среди которых самыми распространенными являются уравнения 2-го порядка:
k |
k |
y = b0 + ∑bi xi + ∑ bi, j xi x j |
|
i=1 |
j ,i=1 |
+∑bii xi2 . i=1k
Для получения уравнений регрессии второго порядка необходимо построить такие планы, в которых каждая переменная будет принимать хотя бы три разных значения.
Выбор числа уровней. Поскольку для построения математической модели 2-го порядка двумя уровнями варьирования ограничиться нельзя, естественно предложить планы на трех уровнях – типа 3k . Если число факторов больше четырех, полный факторный эксперимент на трех уровнях становится неэкономичным. Например, для плана 34 число опытов N = 81, число степеней свободы fад = 66; для плана 35 – N = 243, fад = 222 и т.д. Такое большое число степеней свободы для проверки гипотезы адекватности не требуется.
Дополнив двухуровневый план полного факторного эксперимента (ПФЭ) определенными точками факторного пространства, можно получить план с меньшим числом опытов, чем план типа 3k . Общее число опытов при таком планировании определяется формулой
N = 2k + 2k + N0 ,
где каждое слагаемое определяет число опытов в ПФЭ типа 2k , звездных точек и нулевых точек ( N0 − число опытов в центре плана). Число звездных точек равно удвоенному числу факторов. Расстояние от центра плана до звездной точки обозначают буквой α и называют звездным
79
Стр. 79 |
ЭБ ПНИПУ (elib.pstu.ru) |
плечом. Из приведенной выше формулы видно, что предлагаемые планы экономичнее планов на трех уровнях. Большим преимуществом таких планов является возможность их получения из планов 2k . Для построения их используется ядро плана 2k , план дополняется некоторым количеством специально подобранных звездных точек. При k > 4 можно использовать дробные реплики. Планы, организованные таким образом, называются центральными и композиционными. Композиционный план для двухфакторного эксперимента приведен в табл. 22.
|
|
|
|
|
|
|
|
Таблица 22 |
|
|
|
|
|
|
|
|
|
Опыты |
|
|
|
План |
|
|
Параметр, |
|
x0 |
x1 |
x2 |
|
x1 x2 |
x12 |
x22 |
у |
|
|
|
|
|
|
|
|
|
|
1 |
+1 |
+1 |
+1 |
|
+1 |
+1 |
+1 |
у1 |
2 |
+1 |
+1 |
–1 |
|
–1 |
+1 |
+1 |
у2 |
3 |
+1 |
–1 |
+1 |
|
–1 |
+1 |
+1 |
у3 |
4 |
+1 |
–1 |
–1 |
|
+1 |
+1 |
+1 |
у4 |
5 |
+1 |
α |
0 |
|
0 |
α 2 |
0 |
у5 |
6 |
+1 |
–α |
0 |
|
0 |
α 2 |
0 |
у6 |
7 |
+1 |
0 |
α |
|
0 |
0 |
α 2 |
у7 |
8 |
+1 |
0 |
–α |
|
0 |
0 |
α 2 |
у8 |
9 |
+1 |
0 |
0 |
|
0 |
0 |
0 |
у9 |
Выбор плеча звездных точек и числа нулевых точек зависит от критерия оптимальности. В инженерной практике широко применяются ортогональные и рототабельные планы 2-го порядка.
4.2. ОРТОГОНАЛЬНОЕ ПЛАНИРОВАНИЕ 2-ГО ПОРЯДКА
По аналогии с ортогональными планами 1-го порядка целесообразно использовать и ортогональные планы второго порядка. Преимущество ортогональных планов состоит в малом объеме вычислений, так как все коэффициенты регрессии определяются независимо друг от друга. Для получения ортогональных планов 2-го порядка необходимо несколько преобразовать столбцы квадратичных переменных и столбец x0 . Это вы-
звано неортогональностью указанных столбцов матрицы планирования, так как
N
∑ x0u xiu2 ≠ 0 ; u=1
N
∑ xiu2 x2ju ≠ 0 . u=1
80
Стр. 80 |
ЭБ ПНИПУ (elib.pstu.ru) |