- •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
4.10.1. Свойства полного факторного эксперимента 2к
К свойствам МПЭ относятся те, которые определяют качество модели, т.е. эти свойства делают оценки коэффициентов модели наилучшими. Первые два свойства вытекают из построения матрицы.
Симметричность относительно центра эксперимента. Алгебраическая сумма элементов столбца каждого фактора равно нулю , гдеj- номер фактора, N - число опытов.
Условие нормировки. Сумма квадратов элементов каждого столбца равна числу опытов .
Ортогональность матрицы. Сумма почленных произведений любых двух векторов -столбцов матрицы равна нулю , где.
Ортогональные планы делают эксперимент более эффективным.
Ортогональность плана позволяет получить оценки для коэффициентов уравнения регрессии независимые друг от друга. Иными словами ортогональность характеризует отсутствие корреляции между факторами. Однако, если имеет место нелинейность, то столбцы взаимодействий окажутся неразличимы, закоррелироваными с некоторыми столбцами линейных эффектов. Это приводит к тому, что по результатам данного эксперимента становится невозможным разделить коэффициенты регрессии между линейными и нелинейными факторами.
Рототабельность планов. Это такие планы, для которых дисперсия одинакова для всех точек пространства переменныхx, лежащих на одинаковых расстояниях от центра.
4.10.2. Выбор модели при проведении полного факторного эксперимента
Планируя эксперимент на первом этапе всегда стремятся получить линейную модель. Для двух факторов модель представляют в виде выражения (4.28). Однако не всегда экспериментатор имеет гарантии, что в выбранных интервалах варьирования процесс описывается линейной моделью. Часто встречающийся вид нелинейности связан с эффектом взаимодействия между факторами. ПФЭ позволяет оценить кроме коэффициентов при линейных эффектах коэффициенты взаимодействия. Для этого перемножают соответствующие столбцы. Тогда уравнение принимает вид
(4.29)
МПЭ с учетом фактора взаимодействия для ПФЭ 22 показана в табл.4.2.
Таблица 4.2
Опыт |
x0 |
x1 |
x2 |
x1x2 |
y |
1 |
+1 |
-1 |
-1 |
+1 |
y1 |
2 |
+1 |
+1 |
-1 |
-1 |
y2 |
3 |
+1 |
-1 |
+1 |
-1 |
y3 |
4 |
+1 |
+1 |
+1 |
+1 |
y4 |
Коэффициенты уравнений регрессии (4.28,4.29) оцениваются следующим образом:
По столбцам x1 и x2 осуществляют планирование, что же касается столбцов , x0 и x1x2 ,то они служат только для расчета.
Нахождение модели методом ПФЭ состоит из следующих этапов.
Выбор модели.
Планирование эксперимента.
Экспериментирование.
Проверка однородности дисперсии (воспроизводимости).
Проверка значимости коэффициентов.
Проверка адекватности модели.
При составлении МПЭ руководствуются следующими правилами:
располагают, если имеется соответствующая информация, факторы в матрице в порядке убывания степени их влияния на целую функцию;
стремятся выполнить требования рандомизации варьирования уровней.
При составлении матрицы уменьшают частоту чередования уровней при переходе от x1 к x2, от x2 к x3 и т.д. каждый раз вдвое.
Рассмотрим пример составления МПЭ для трех факторного полного эксперимента. В качестве уравнения регрессии берем неполную квадратичную модель.
(4.30)
Введем обозначение переменных x через z, тогда
(4.31)
где ,,.
Составим МПЭ. (табл. 4.3).
Таблица 4.3
Номер |
x0 |
x1 |
x2 |
x3 |
x1x2 |
x1x3 |
x2x3 |
x1x2x3 |
Код. |
опыта |
z0 |
z1 |
z2 |
z3 |
z4 |
z5 |
z6 |
z7 |
обозначение |
1 |
+1 |
-1 |
-1 |
-1 |
+1 |
+1 |
+1 |
-1 |
y1 |
2 |
+1 |
+1 |
-1 |
-1 |
-1 |
-1 |
+1 |
+1 |
y2 |
3 |
+1 |
-1 |
+1 |
-1 |
-1 |
+1 |
-1 |
+1 |
y3 |
Продолжение таблицы 4.3
4 |
+1 |
+1 |
+1 |
-1 |
+1 |
-1 |
-1 |
-1 |
y4 |
5 |
+1 |
-1 |
-1 |
+1 |
+1 |
-1 |
-1 |
+1 |
y5 |
6 |
+1 |
+1 |
-1 |
+1 |
-1 |
+1 |
-1 |
-1 |
y6 |
7 |
+1 |
-1 |
+1 |
+1 |
-1 |
-1 |
+1 |
-1 |
y7 |
8 |
+1 |
+1 |
+1 |
+1 |
+1 |
+ |
+1 |
+1 |
y8 |
После экспериментирования проверяют однородность дисперсии, значимость коэффициентов и адекватность модели.