Планирование эксперимента

Учебное пособие

Воронеж 2013

ФГБОУВПО «Воронежский государственный технический университет»

Планирование эксперимента

Утверждено Редакционно-издательским советом университета в качестве учебного пособия

Воронеж 2013

УДК: 629.7.02

Попов эксперимента: учеб. пособие. Воронеж: ФГБОУВПО «Воронежский государственный технический университет», 20с.

В учебном пособии рассматривается вопрос планирования эксперимента. Издание соответствует требованиям Государственного образовательного стандарта высшего профессионального образования по направлению 652100 «Авиастроение», специальности 160201 «Самолето - и вертолетостроение », дисциплине «Планирование экспериментов и обработка результатов».

Учебное пособие разработано в рамках реализации федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 – 2013 годы, соглашение № 14.B37.21.1824, связанной с выполнением научно-исследовательской работы (проекта) по теме «Исследование, разработка конструкции неразрезных эллиптических обтекателей воздухозаборников двигателей летательных аппаратов и моделирование технологического процесса»

Табл. 3. Ил. 8. Библиогр.: 4 назв.

Научный редактор канд. техн. наук, доц.

Рецензенты: филиал «Иркут»» в г. Воронеже (зам. руководителя, канд. техн. наук, с. н.с.);

Канд. техн. наук

© Оформление. ФГБОУВПО «Воронежский государственный технический Университет», 2013

Введение

Традиционные методы исследований связаны с экспериментами, которые требуют больших затрат, сил и средств.

Эксперименты, как правило, являются многофакторными и связаны с оптимизацией качества материалов, отысканием оптимальных условий проведения технологических процессов, разработкой наиболее рациональных конструкций оборудования и т. д. Системы, которые служат объектом таких исследований, очень часто являются такими сложными, что не поддаются теоретическому изучению в разумные сроки. Поэтому, несмотря на значительный объем выполненных научно-исследовательских работ, из-за отсутствия реальной возможности достаточно полно изучить значительное число объектов исследования, как следствие, многие решения принимаются на основании информации, имеющей случайный характер, и поэтому далеки от оптимальных.

Исходя из выше изложенного возникает необходимость поиска пути, позволяющего вести исследовательскую работу ускоренными темпами и обеспечивающим принятие решений, близких к оптимальным. Этим путем и явились статистические методы планирования эксперимента, предложенные английским статистиком Рональдом Фишером (конец двадцатых годов). Он впервые показал целесообразность одновременного варьирования всеми факторами в противовес широко распространенному однофакторному эксперименту .

Применение планирования эксперимента делает поведение экспериментатора целенаправленным и организованным, существенно способствует повышению производительности труда и надежности полученных результатов. Важным достоинством является его универсальность, пригодность в огромном большинстве областей исследований. В нашей стране планирование эксперимента развивается с 1960 г. под руководством. Однако даже простая процедура планирования весьма непроста, что обусловлено рядом причин, таких как неверное применение методов планирования, выбор не самого оптимального пути исследования, недостаточность практического опыта, недостаточная математическая подготовленность экспериментатора и т. д.

Цель данного учебного пособия – ознакомление студентов с наиболее часто применяемыми и простыми методами планирования эксперимента, выработка навыков практического применения. Более подробно рассмотрена задача оптимизации процессов.

1 Основные понятия планирования эксперимента

Планирование эксперимента, имеет свою определенную терминологию. Рассмотрим общие термины.

Эксперимент - это система операций, воздействий и (или) наблюдений, направленных на получение информации об объекте при исследовательских испытаниях.

Опыт - воспроизведение исследуемого явления в определенных условиях проведения эксперимента при возможности регистрации его результатов. Опыт - отдельная элементарная часть эксперимента.

Планирование эксперимента - процедура выбора числа опытов и условий их проведения, необходимых для решения поставленной задачи с требуемой точностью. Все факторы, определяющие процесс, изменяются одновременно по специальным правилам, а результаты эксперимента представляются в виде математической модели.

Задачи, для решения которых может использоваться планирование эксперимента, чрезвычайно разнообразны. К ним относятся: поиск оптимальных условий, построение интерполяционных формул, выбор существенных факторов, оценка и уточнение констант теоретических моделей, выбор наиболее приемлемых из некоторого множества гипотез о механизме явлений, исследование диаграмм состав – свойство и т. д.

Поиск оптимальных условий является одной из наиболее распространенных научно-технических задач. Они возникают в тот момент, когда установлена возможность проведения процесса и необходимо найти наилучшие (оптимальные) условия его реализации. Такие задачи называются – задачами оптимизации. Процесс их решения называется – процессом оптимизации или просто оптимизацией. Примеры задачи оптимизации – выбор оптимального состава многокомпонентных смесей и сплавов, повышение производительности действующих установок, повышение качества продукции, снижение затрат на ее получение и т. п.

Выделяют следующие этапы построения математической модели

1. сбор и анализ априорной информации;

2. выбор факторов и выходных переменных, области экспериментирования;

3. выбор математической модели, с помощью которой будут представляться экспериментальные данные;

5. определение метода анализа данных;

6. проведение эксперимента;

7. проверка статистических предпосылок для полученных экспериментальных данных;

8. обработка результатов;

Факторы определяют состояние объекта. Основное требование к факторам - управляемость. Под управляемостью понимается установление нужного значения фактора (уровня) и поддержание его в течение всего опыта. В этом состоит особенность активного эксперимента. Факторы могут быть количественными и качественными. Примерами количественных факторов являются температура, давление, концентрация и т. п. Их уровням соответствует числовая шкала. Различные катализаторы, конструкции аппаратов, способы лечения, методики преподавания являются примерами качественных факторов. Уровням таких факторов не соответствует числовая шкала, и их порядок не играет роли.

Выходные переменные - это реакции (отклики) на воздействие факторов. Отклик зависит от специфики исследования и может быть экономическим (прибыль, рентабельность), технологическим (выход, надежность), психологическим, статистическим и т. д. Параметр оптимизации должен быть эффективным с точки зрения достижения цели, универсальным, количественным, выражаемым числом, имеющим физический смысл, быть простым и легко вычисляемым.

Затраты машинного времени можно значительно сократить, если на этапе оптимизации параметров использовать экспериментальную факторную математическую модель. Экспериментальные факторные модели, в отличие от теоретических, не используют физических законов, описывающих происходящие в объектах процессы, а представляют собой некоторые формальные зависимости выходных параметров от внутренних и внешних параметров объектов проектирования.

Экспериментальная факторная модель может быть построена на основе проведения экспериментов непосредственно на самом техническом объекте (физические эксперименты), либо вычислительных экспериментов на ЭВМ с теоретической моделью.

Рисунок 1

При построении экспериментальной факторной модели объект моделирования (проектируемая техническая система) представляется в виде "черного ящика", на вход которого подаются некоторые переменные Xи Z, а на выходе можно наблюдать и регистрировать переменные Y.

В процессе проведения эксперимента изменение переменных Xи Zприводит к изменениям выходных переменных Y. Для построения факторной модели необходимо регистрировать эти изменения и осуществить необходимую их статистическую обработку для определения параметров модели.

При проведении физического эксперимента переменными Xможно управлять, изменяя их величину по заданному закону. Переменные Z- неуправляемые, принимающие случайные значения. При этом значения переменных Xи Zможно контролировать и регистрировать с помощью соответствующих измерительных приборов. Кроме того, на объект воздействуют некоторые переменные Е, которые нельзя наблюдать и контролировать. Переменные X= (x1, х2,..., хn) называют контролируемыми управляемыми; переменные Z = (z1, z2,…… zm) - контролируемыми, но неуправляемыми, а переменные E = (ε1, ε2,..., εl) - неконтролируемыми и неуправляемыми.

Переменные X и Z называют факторами. Факторы X являются управляемыми и изменяются как детерминированные переменные, а факторы Z неуправляемые, изменяемые во времени случайным образом, т. е. Z представляют собой случайные процессы. Пространство контролируемых переменных - факторов X и Z - образует факторное пространство.

Выходная переменная Y представляет собой вектор зависимых переменных моделируемого объекта. Ее называют откликом, а зависимость Y от факторов Xи Z- функцией отклика. Геометрическое представление функции отклика называют поверхностью отклика.

Переменная Е действует в процессе эксперимента бесконтрольно. Если предположить, что факторы X и Z стабилизированы во времени и сохраняют постоянные значения, то под влиянием переменных E функция отклика Y может меняться как систематическим, так и случайным образом. В первом случае говорят о систематической помехе, а во втором - о случайной помехе. При этом полагают, что случайная помеха обладает вероятностными свойствами, не изменяемыми во времени.

Возникновение помех обусловлено ошибками методик проведения физических экспериментов, ошибками измерительных приборов, неконтролируемыми изменениями параметров ихарактеристик объекта и внешней среды.

В вычислительных экспериментах объектом исследования является теоретическая математическая модель, на основе которой необходимо получить экспериментальную факторную модель. Для ее получения необходимо определить структуру и численные значения параметров модели.

Под структурой модели понимается вид математических соотношений между факторами X, Z и откликом Y. Параметры представляют собой коэффициенты уравнений факторной модели. Структуру модели обычно выбирают на основе априорной информации об объекте с учетом назначения и последующего использования модели. Задача определения параметров модели полностью формализована. Она решается методами регрессионного анализа. Экспериментальные факторные модели называют также регрессионными моделями.

Регрессионную модель можно представить выражением

(1.1)

где В - вектор параметров факторной модели.

Вид вектор-функции φ определяется выбранной структурой модели и считается заданным, а параметры В подлежат определению на основе результатов эксперимента.

Различают эксперименты пассивные и активные.

Пассивным называется такой эксперимент, когда значениями факторов управлять нельзя, и они принимают случайные значения. В таком эксперименте существуют только факторы Z. В процессе эксперимента в определенные моменты времени измеряются значения факторов Z и функций откликов Y. После проведения N опытов полученная информация обрабатывается статистическими методами, позволяющими определить параметры факторной модели. Такой подход к построению математической модели лежит в основе метода статистических испытаний (Монте-Карло).

Активным называется такой эксперимент, когда значениями факторов задаются и поддерживают их неизменными в заданных уровнях в каждом опыте в соответствии с планом эксперимента. Следовательно, в этом случае существуют только управляемые факторы X.

Основные особенности экспериментальных факторных моделей следующие: они статистические; представляют собой сравнительно простые функциональные зависимости между оценками математических ожиданий выходных параметров объекта от eё внутренних и внешних параметров; дают адекватное описание установленных зависимостей лишь в области факторного пространства, в которой реализован эксперимент. Статистически регрессионная модель описывает поведение объекта в среднем, характеризуя его неслучайные свойства, которые в полной мере проявляются лишь при многократном повторении опытов в неизменных условиях.

2 Основные принципы планирования эксперимента

Для получения адекватной математической модели необходимо обеспечить выполнение определенных условий проведения эксперимента. Модель называют адекватной, если в оговоренной области варьирования факторов X полученные с помощью модели значения функций отклика Y отличаются от истинных не более чем на заданную величину. Методы построения экспериментальных факторных моделей рассматриваются в теории планирования эксперимента.

Цель планирования эксперимента - получение максимума информации о свойствах исследуемого объекта при минимуме опытов. Такой подход обусловлен высокой стоимостью экспериментов, как физических, так и вычислительных, и вместе с тем необходимостью построения адекватной модели.

При планировании активных экспериментов используются следующие принципы:

– отказ от полного перебора всех возможных состояний объекта;

– постепенное усложнение структуры математической модели;

– сопоставление результатов эксперимента с величиной случайных помех;

– рандомизация опытов;

Детальное представление о свойствах поверхности отклика может быть получено лишь при условии использования густой дискретной сетки значений факторов, покрывающей все факторное пространство. В узлах этой многомерной сетки находятся точки плана, в которых проводятся опыты. Выбор структуры факторной модели основан на постулировании определенной степени гладкости поверхности отклика. Поэтому с целью уменьшения количества опытов принимают небольшое число точек плана, для которых осуществляется реализация эксперимента.

При большом уровне случайной помехи получается большой разброс значений функции отклика Yв опытах, проведенных в одной и той же точке плана. В этом случае оказывается, что чем выше уровень помехи, тем с большей вероятностью простая модель окажется работоспособной. Чем меньше уровень помехи, тем точнее должна быть факторная модель.

Кроме случайной помехи при проведении эксперимента может иметь место систематическая помеха. Наличие этой помехи практически никак не обнаруживается и результат ее воздействия на функцию не поддается контролю. Однако если путем соответствующей организации проведения опытов искусственно создать случайную ситуацию, то систематическую помеху можно перевести в разряд случайных. Такой принцип организации эксперимента называют рандомизациейсистематически действующих помех.

Наличие помех приводит к ошибкам эксперимента. Ошибки подразделяют на систематические и случайные, соответственно наименованиям вызывающих их факторов - помех.

Рандомизацию опытов осуществляют только в физических экспериментах. Следует отметить, что в этих экспериментах систематическую ошибку может порождать наряду с отмеченными ранее факторами также неточное задание значений управляемых факторов, обусловленное некачественной калибровкой приборов для их измерения (инструментальная ошибка), конструктивными или технологическими факторами.

К факторам в активном эксперименте предъявляются определенные требования. Они должны быть:

– управляемыми(установка заданных значений и поддержание постоянными в процессе опыта);

– совместными(их взаимное влияние не должно нарушать процесс функционирования объекта);

–независимыми(уровень любого фактора должен устанавливаться независимо от уровней остальных);

– однозначными(одни факторы не должны быть функцией других);

– непосредственно влияющими на выходные параметры.

Выбор параметров оптимизации (критериев оптимизации) является одним из главных этапов работы на стадии предварительного изучения объекта исследования, т. к. правильная постановка задачи зависит от правильности выбора параметра оптимизации, являющегося функцией цели.

Под параметром оптимизации понимают характеристику цели, заданную количественно. Параметр оптимизации является реакцией (откликом) на воздействие факторов, которые определяют поведение выбранной системы.

Реальные объекты или процессы, как правило, очень сложны. Они часто требуют одновременного учета нескольких, иногда очень многих, параметров. Каждый объект может характеризоваться всей совокупностью параметров, или любым подмножеством этой совокупности, или одним – единственным параметром оптимизации. В последнем случае прочие характеристики процесса уже не выступают в качестве параметра оптимизации, а служат ограничениями. Другой путь – построение обобщенного параметра оптимизации как некоторой функции от множества исходных.

Параметр оптимизации (Функции отклика) – это признак, по которому оптимизируется процесс. Он должен быть количественным, задаваться числом. Множество значений, которые может принимать параметр оптимизации, называется областью его определения. Области определения могут быть непрерывными и дискретными, ограниченными и неограниченными. Например, выход реакции – это параметр оптимизации с непрерывной ограниченной областью определения. Он может изменяться в интервале от 0 до 100%. Число бракованных изделий, число зерен на шлифе сплава, число кровяных телец в пробе крови – вот примеры параметров с дискретной областью определения, ограниченной снизу.

Количественная оценка параметра оптимизации на практике не всегда возможна. В таких случаях пользуются приемом, называемым ранжированием. При этом параметрам оптимизации присваиваются оценки – ранги по заранее выбранной шкале: двухбалльной, пятибалльной и т. д. Ранговый параметр имеет дискретную ограниченную область определения. В простейшем случае область содержит два значения (да, нет; хорошо, плохо). Это может соответствовать, например, годной продукции и браку.

2.1 Виды параметров оптимизации

В зависимости от объекта и цели параметры оптимизации могут быть весьма разнообразными. Введем некоторую классификацию . Реальные ситуации, как правило довольно сложны. Они часто требуют нескольких, иногда очень многих, параметров. В принципе каждый объект может характеризоваться сразу всей совокупностью параметров, приведенных на рисунке 2, или любым подмножеством из этой совокупности. Движение к оптимуму возможно, если выбран один-единственный параметр оптимизации. Тогда прочие характеристики процесса уже не выступают в качестве параметров оптимизации, а служат ограничениями. Другой путь - построение обобщенного параметра оптимизации как некоторой функции от множества исходных .

Прокомментируем некоторые элементы схемы.

Экономические параметры оптимизации, такие, как прибыль, себестоимость и рентабельность, обычно используются при исследовании действующих промышленных объектов, тогда как затраты на эксперимент имеет смысл оценивать в любых исследованиях, в том числе и лабораторных. Если цена опытов одинакова, затраты на эксперимент пропорциональны числу опытов, которые необходимо поставить для решения данной задачи. Это в значительной мере определяет выбор плана эксперимента.

Среди технико-экономических параметров наибольшее распространение имеет производительность. Такие параметры, как долговечность, надежность и стабильность, связаны с длительными наблюдениями. Имеется некоторый опыт их использования при изучении дорогостоящих ответственных объектов, например радиоэлектронной аппаратуры.

Почти во всех исследованиях приходится учитывать количество и качество получаемого продукта. Как меру количества продукта используют выход, например, процент выхода химической реакции, выход годных изделий.

Показатели качества чрезвычайно разнообразны. В схеме они сгруппированы по видам свойств. Характеристики количества и качества продукта образуют группу технико-технологических параметров.

Под рубрикой «прочие» сгруппированы различные параметры, которые реже встречаются, но не являются менее важными. Сюда попали статистические параметры, используемые для улучшения характеристик случайных величин или случайных функций. В качестве примеров назовем задачи на минимизацию дисперсии случайной величины, на уменьшение числа выбросов случайного процесса за фиксированный уровень и т. д. Последняя задача возникает, в частности, при выборе оптимальных настроек автоматических регуляторов или при улучшении свойств нитей (проволока, пряжа, искусственное волокно и др.).

2.2 Требования к параметрам оптимизации

1) параметр оптимизации должен быть количественным.

2) параметр оптимизации должен выражаться одним числом. Иногда это получается естественно, как регистрация показания прибора. Например, скорость движения машины определяется числом на спидометре. Часто приходится проводить некоторые вычисления. Так бывает при расчете выхода реакции. В химии часто требуется получать продукт с заданным отношением компонентов, например, А:В=3:2. Один из возможных вариантов решения подобных задач состоит в том, чтобы выразить отношение одним числом (1,5) и в качестве параметра оптимизации пользоваться значением отклонений (или квадратов отклонений) от этого числа.

3) однозначность в статистическом смысле. Заданному набору значений факторов должно соответствовать одно значение параметра оптимизации, при этом обратное неверно: одному и тому же значению параметра могут соответствовать разные наборы значений факторов.

4) наиболее важным требованием к параметрам оптимизации является его возможность действительно эффективной оценки функционирования системы. Представление об объекте не остается постоянным в ходе исследования. Оно меняется по мере накопления информации и в зависимости от достигнутых результатов. Это приводит к последовательному подходу при выборе параметра оптимизации. Так, например, на первых стадиях исследования технологических процессов в качестве параметра оптимизации часто используется выход продукта. Однако в дальнейшем, когда возможность повышения выхода исчерпан, начинают интересоваться такими параметрами, как себестоимость, чистота продукта и т. д. Оценка эффективности функционирования системы может осуществляться как для всей системы в целом, так и оценкой эффективности ряда подсистем, составляющих данную систему. Но при этом необходимо учитывать возможность того, что оптимальность каждой из подсистем по своему параметру оптимизации «не исключает возможность гибели системы в целом». Это означает, что попытка добиться оптимума с учетом некоторого локального или промежуточного параметра оптимизации может оказаться неэффективной или даже привести к браку.

5) требование универсальности или полноты. Под универсальностью параметра оптимизации понимают его способность всесторонне охарактеризовать объект. В частности, технологические параметры недостаточно универсальны: они не учитывают экономику. Универсальностью обладают, например, обобщенные параметры оптимизации, которые строятся как функции от нескольких частных параметров.

6) параметр оптимизации желательно должен иметь физический смысл, быть простым и легко вычисляем. Требование физического смысла связано с последующей интерпретацией результатов эксперимента. Не представляет труда объяснить, что значит максимум извлечения, максимум содержания ценного компонента. Эти и подобные им технологические параметры оптимизации имеют ясный физический смысл, но иногда для них может не выполняться, например, требование статистической эффективности. Тогда рекомендуется переходить к преобразованию параметра оптимизации. Второе требование, т. е. простота и легко вычисляемость, также весьма существенны. Для процессов разделения термодинамические параметры оптимизации более универсальны. Однако на практике ими пользуются мало: их расчет довольно труден. Из приведенных двух требований первое является более существенным, потому что часто удается найти идеальную характеристику системы и сравнить ее с реальной характеристикой.

2.3Факторы

После выбора объекта исследования и параметра оптимизации нужно рассмотреть все факторы, которые могут влиять на процесс. Если какой-либо существенный фактор окажется неучтенным и принимал произвольные значения, не контролируемые экспериментатором, то это значительно увеличит ошибку опыта. При поддержании этого фактора на определенном уровне может быть получено ложное представление об оптимуме, т. к. нет гарантии, что полученный уровень является оптимальным.

С другой стороны большое число факторов увеличивает число опытов и размерность факторного пространства.

Выбор факторов эксперимента является весьма существенным, от этого зависит успех оптимизации.

Фактор – измеряемая переменная величина, принимающая в некоторый момент времени определенное значение и влияющая на объект исследования.

Факторы должны иметь область определения, внутри которой задаются его конкретные значения. Область определения может быть непрерывной или дискретной. При планировании эксперимента значения факторов принимаются дискретными, что связано с уровнями факторов. В практических задачах области определения факторов имеют ограничения, которые носят либо принципиальный, либо технический характер.

Факторы разделяются на количественные и качественные.

К количественным относятся те факторы, которые можно измерять, взвешивать и т. д.

Качественные факторы – это различные вещества, технологические способы, приборы, исполнители и т. п.

Хотя к качественным факторам не соответствует числовая шкала, но при планировании эксперимента к ним применяют условную порядковую шкалу в соответствии с уровнями, т. е. производится кодирование. Порядок уровней здесь произволен, но после кодирования он фиксируется.

2.3.1 Требования к факторам эксперимента

1) Факторы должны быть управляемыми, это значит, что выбранное нужное значение фактора можно поддерживать постоянным в течение всего опыта. Планировать эксперимент можно только в том случае, если уровни факторов подчиняются воле экспериментатора. Например, экспериментальная установка смонтирована на открытой площадке. Здесь температурой воздуха мы не можем управлять, ее можно только контролировать, и потому при выполнении опытов температуру, как фактор, мы не можем учитывать.

2) Чтобы точно определить фактор, нужно указать последовательность действий (операций), с помощью которых устанавливаются его конкретные значения. Такое определение называется операциональным. Так, если фактором является давление в некотором аппарате, то совершенно необходимо указать, в какой точке и с помощью какого прибора оно измеряется и как оно устанавливается. Введение операционального определения обеспечивает однозначное понимание фактора.

3) Точность замеров факторов должна быть возможно более высокой. Степень точности определяется диапазоном изменения факторов. В длительных процессах, измеряемых многими часами, минуты можно не учитывать, а в быстрых процессах приходится учитывать доли секунды.

Исследование существенно усложняется, если фактор измеряется с большой ошибкой или значения факторов трудно поддерживать на выбранном уровне (уровень фактора «плывет»), то приходится применять специальные методы исследования, например, конфлюэнтный анализ .

4) Факторы должны быть однозначны. Трудно управлять фактором, который является функцией других факторов. Но в планировании могут участвовать другие факторы, такие, как соотношения между компонентами, их логарифмы и т. п. Необходимость введения сложных факторов возникает при желании представить динамические особенности объекта в статической форме. Например, требуется найти оптимальный режим подъема температуры в реакторе. Если относительно температуры известно, что она должна нарастать линейно, то в качестве фактора вместо функции (в данном случае линейной) можно использовать тангенс угла наклона, т. е. градиент.

5) При планировании эксперимента одновременно изменяют несколько факторов, поэтому необходимо знать требования к совокупности факторов. Прежде всего выдвигается требование совместимости. Совместимость факторов означает, что все их комбинации осуществимы и безопасны. Несовместимость факторов наблюдается на границах областей их определения. Избавиться от нее можно сокращением областей. Положение усложняется, если несовместимость проявляется внутри областей определения. Одно из возможных решений – разбиение на подобласти и решение двух отдельных задач.

6) При планировании эксперимента важна независимость факторов, т. е. возможность установления фактора на любом уровне вне зависимости от уровней других факторов. Если это условие невыполнимо, то невозможно планировать эксперимент.

2.3.2 Требования к совокупности факторов

При планировании эксперимента обычно одновременно изменяется несколько факторов. Поэтому очень важно сформулировать требования, которые предъявляются к совокупности факторов. Прежде всего выдвигается требование совместимости. Совместимость факторов означает, что все их комбинации осуществимы и безопасны. Это очень важное требование. Представьте себе, что вы поступили легкомысленно, не обратили внимания на требование совместимости факторов и запланировали такие условия опыта, которые могут привести к взрыву установки или осмолению продукта. Согласитесь, что такой результат очень далек от целей оптимизации.

Несовместимость факторов может наблюдаться на границах областей их определения. Избавиться от нее можно сокращением областей. Положение усложняется, если несовместимость проявляется внутри областей определения. Одно из возможных решений - разбиение на подобласти и решение двух отдельных задач.

При планировании эксперимента важна независимость факторов, т. е. возможность установления фактора на любом уровне вне зависимости от уровней других факторов. Если это условие невыполнимо, то невозможно планировать эксперимент. Итак, мы подошли ко второму требованию - отсутствию корреляции между факторами. Требование некоррелированности не означает, что между значениями факторов нет никакой связи. Достаточно, чтобы связь не была линейной.

3 Планирование эксперимента

3.1 План эксперимента

При проведении активного эксперимента задается определенный план варьирования факторов, т. е. эксперимент заранее планируется

План эксперимента - совокупность данных, определяющих число, условия и порядок реализации опытов.

Планирование эксперимента - выбор плана эксперимента, удовлетворяющего заданным требованиям.

Точка плана - упорядоченная совокупность численных значений факторов, соответствующая условиям проведения опыта, т. е. точка факторного пространства, в которой проводится эксперимент. Точке плана с номером i соответствует вектор-строка (3.1):

(3.1)

Общая совокупность таких векторов Xi, i= 1, Lобразует план эксперимента, а совокупность различных векторов, число которых обозначим N, - спектр плана.

В активном эксперименте факторы могут принимать только фиксированные значения. Фиксированное значение фактора называют уровнем фактора. Количество принимаемых уровней факторов зависит от выбранной структуры факторной модели и принятого плана эксперимента. Минимальный Xjmin и максимальный Хimах, j=l, n (n - число факторов) уровни всех факторов выделяют в факторном пространстве некоторый гиперпараллелепипед, представляющий собой область планирования. В области планирования находятся все возможные значения факторов, используемые в эксперименте.

Вектор задает точку центра областипланирования. Координаты этой точки Xj0 обычно выбирают из соотношения (3.2)

(3.2)

Точку Х0называют центром эксперимента. Она определяет основной уровень факторов Хj0, j = 1,n. Центр эксперимента стремятся выбрать как можно ближе к точке, которая соответствует искомым оптимальным значениям факторов. Для этого используется априорная информация об объекте.

Интервалом (или шагом) варьирования фактора Xj называют величину, вычисляемую по формулам (3.3, 3.4):

(3.3)

Факторы нормируют, а их уровни кодируют. В кодированном виде верхний уровень обозначают +1, нижний -1, а основной 0. Нормирование факторов осуществляют на основе соотношения (3.5, 3.6):

xj =(Xj-X0j)/ΔXj, (3.5)

Рисунок 3 – Геометрическое представление области планирования при двух факторах: Х1 и Х2

Точки 1,2,3,4 являются точкамиплана эксперимента. Например, значения факторов Х1и Х2в точке 1равны соответственно X1min иХ2min, а нормированные их значения xlmin = -1, х2min = -1.

После установления нулевой точки выбирают интервалы варьирования факторов. Это связано с определением таких значений факторов, которые в кодированных величинах соответствуют +1 и –1. Интервалы варьирования выбирают с учетом того, что значения факторов, соответствующие уровням +1 и –1, должны быть достаточно отличимы от значения, соответствующему нулевому уровню. Поэтому во всех случаях величина интервала варьирования должна быть больше удвоенной квадратичной ошибки фиксирования данного фактора. С другой стороны, чрезмерное увеличение величины интервалов варьирования нежелательно, т. к. это может привести к снижению эффективности поиска оптимума. А очень малый интервал варьирования уменьшает область эксперимента, что замедляет поиск оптимума.

При выборе интервала варьирования целесообразно учитывать, если это возможно, число уровней варьирования факторов в области эксперимента. От числа уровней зависят объем эксперимента и эффективность оптимизации.

План эксперимента удобно представлять в матричной форме.

Матрица планапредставляет собой прямоугольную таблицу, содержащую информацию о количестве и условиях проведения опытов. Строки матрицы плана соответствуют опытам, а столбцы - факторам. Размерность матрицы плана L х n, где L- число опытов, n- число факторов. При проведении повторных (дублирующих) опытов в одних и тех же точках плана матрица плана содержит ряд совпадающих строк.

Планирование эксперимента (англ. experimental design techniques) -- комплекс мероприятий, направленных на эффективную постановку опытов. Основная цель планирования эксперимента -- достижение максимальной точности измерений при минимальном количестве проведенных опытов и сохранении статистической достоверности результатов.Планирование эксперимента применяется при поиске оптимальных условий, построении интерполяционных формул, выборе значимых факторов, оценке и уточнении констант теоретических моделей и др.

Планирование эксперимента возникло в 50-х годах XX века из потребности устранить или хотя бы уменьшить систематические ошибки в сельскохозяйственных исследованиях путем рандомизации условий проведения эксперимента. Процедура планирования оказалась направленной не только на уменьшение дисперсии оцениваемых параметров, но также и на рандомизацию относительно сопутствующих, спонтанно изменяющихся и неконтролируемых переменных. В результате удалось избавиться от смещения в оценках. Исследования Р. Фишера знаменуют начало первого этапа развития методов планирования эксперимента. Фишер разработал метод факторного планирования. Йетс предложил для этого метода простую вычислительную схему. Факторное планирование получило широкое распространение. Особенностью факторного эксперимента является необходимость ставить сразу большое число опытов. Развитие теории планирование эксперимента в СССР отражено в работах В. В. Налимова, Ю. П. Адлера, Ю. В. Грановского, Е. В. Марковой, В. Б. Тихомирова.

Методы планирования эксперимента позволяют минимизировать число необходимых испытаний, установить рациональный порядок и условия проведения исследований в зависимости от их вида и требуемой точности результатов. Если же по каким-либо причинам число испытаний уже ограничено, то методы дают оценку точности, с которой в этом случае будут получены результаты. Методы учитывают случайный характер рассеяния свойств испытываемых объектов и характеристик используемого оборудования. Они базируются на методах теории вероятности и математической статистики.

Планирование эксперимента включает ряд этапов.

• 1. Установление цели эксперимента (определение характеристик, свойств и т. п.) и его вида (определительные, контрольные, сравнительные, исследовательские).
• 2. Уточнение условий проведения эксперимента (имеющееся или доступное оборудование, сроки работ, финансовые ресурсы, численность и кадровый состав работников и т. п.). Выбор вида испытаний (нормальные, ускоренные, сокращенные в условиях лаборатории, на стенде, полигонные, натурные или эксплуатационные).
• 3. Выявление и выбор входных и выходных параметров на основе сбора и анализа предварительной (априорной) информации. Входные параметры (факторы) могут быть детерминированными, то есть регистрируемыми и управляемыми (зависимыми от наблюдателя), и случайными, то есть регистрируемыми, но неуправляемыми. Наряду с ними на состояние исследуемого объекта могут оказывать влияние нерегистрируемые и неуправляемые параметры, которые вносят систематическую или случайную погрешность в результаты измерений. Это -- ошибки измерительного оборудования, изменение свойств исследуемого объекта в период эксперимента, например, из-за старения материала или его износа, воздействие персонала и т. д.
• 4. Установление потребной точности результатов измерений (выходных параметров), области возможного изменения входных параметров, уточнение видов воздействий. Выбирается вид образцов или исследуемых объектов, учитывая степень их соответствия реальному изделию по состоянию, устройству, форме, размерам и другим характеристикам.

На назначение степени точности влияют условия изготовления и эксплуатации объекта, при создании которого будут использоваться эти экспериментальные данные. Условия изготовления, то есть возможности производства, ограничивают наивысшую реально достижимую точность. Условия эксплуатации, то есть условия обеспечения нормальной работы объекта, определяют минимальные требования к точности.

Точность экспериментальных данных также существенно зависит от объёма (числа) испытаний -- чем испытаний больше, тем (при тех же условиях) выше достоверность результатов. Для ряда случаев (при небольшом числе факторов и известном законе их распределения) можно заранее рассчитать минимально необходимое число испытаний, проведение которых позволит получить результаты с требуемой точностью.

5. Составление плана и проведение эксперимента -- количество и порядок испытаний, способ сбора, хранения и документирования данных.

Порядок проведения испытаний важен, если входные параметры (факторы) при исследовании одного и того же объекта в течение одного опыта принимают разные значения. Например, при испытании на усталость при ступенчатом изменении уровня нагрузки предел выносливости зависит от последовательности нагружения, так как по-разному идет накопление повреждений, и, следовательно, будет разная величина предела выносливости.

В ряде случаев, когда систематически действующие параметры сложно учесть и проконтролировать, их преобразуют в случайные, специально предусматривая случайный порядок проведения испытаний (рандомизация эксперимента). Это позволяет применять к анализу результатов методы математической теории статистики.

Порядок испытаний также важен в процессе поисковых исследований: в зависимости от выбранной последовательности действий при экспериментальном поиске оптимального соотношения параметров объекта или какого-то процесса может потребоваться больше или меньше опытов. Эти экспериментальные задачи подобны математическим задачам численного поиска оптимальных решений. Наиболее хорошо разработаны методы одномерного поиска (однофакторные однокритериальные задачи), такие как метод Фибоначчи, метод золотого сечения.

6. Статистическая обработка результатов эксперимента, построение математической модели поведения исследуемых характеристик.

Необходимость обработки вызвана тем, что выборочный анализ отдельных данных, вне связи с остальными результатами, или же некорректная их обработка могут не только снизить ценность практических рекомендаций, но и привести к ошибочным выводам. Обработка результатов включает:

• · определение доверительного интервала среднего значения и дисперсии (или среднего квадратичного отклонения) величин выходных параметров (экспериментальных данных) для заданной статистической надежности;
• · проверка на отсутствие ошибочных значений (выбросов), с целью исключения сомнительных результатов из дальнейшего анализа. Проводится на соответствие одному из специальных критериев, выбор которого зависит от закона распределения случайной величины и вида выброса;
• · проверка соответствия опытных данных ранее априорно введенному закону распределения. В зависимости от этого подтверждаются выбранный план эксперимента и методы обработки результатов, уточняется выбор математической модели.

Построение математической модели выполняется в случаях, когда должны быть получены количественные характеристики взаимосвязанных входных и выходных исследуемых параметров. Это -- задачи аппроксимации, то есть выбора математической зависимости, наилучшим образом соответствующей экспериментальным данным. Для этих целей применяют регрессионные модели, которые основаны на разложении искомой функции в ряд с удержанием одного (линейная зависимость, линия регрессии) или нескольких (нелинейные зависимости) членов разложения (ряды Фурье, Тейлора). Одним из методов подбора линии регрессии является широко распространенный метод наименьших квадратов. Для оценки степени взаимосвязанности факторов или выходных параметров проводят корреляционный анализ результатов испытаний. В качестве меры взаимосвязанности используют коэффициент корреляции: для независимых или нелинейно зависимых случайных величин он равен или близок к нулю, а его близость к единице свидетельствует о полной взаимосвязанности величин и наличии между ними линейной зависимости.

При обработке или использовании экспериментальных данных, представленных в табличном виде, возникает потребность получения промежуточных значений. Для этого применяют методы линейной и нелинейной (полиноминальной) интерполяции (определение промежуточных значений) и экстраполяции (определение значений, лежащих вне интервала изменения данных).

7. Объяснение полученных результатов и формулирование рекомендаций по их использованию, уточнению методики проведения эксперимента.

Снижение трудоемкости и сокращение сроков испытаний достигается применением автоматизированных экспериментальных комплексов. Такой комплекс включает испытательные стенды с автоматизированной установкой режимов (позволяет имитировать реальные режимы работы), автоматически обрабатывает результаты, ведет статистический анализ и документирует исследования. Но велика и ответственность инженера в этих исследованиях: четкое поставленные цели испытаний и правильно принятое решение позволяют точно найти слабое место изделия, сократить затраты на доводку и итерационность процесса проектирования.

Прежде чем перейти к описанию конкретных используемых в психологии планов, перечислим принципы, на которые опирается построение экспериментальных схем.

• 1. Эксперимент возможен только в том случае, если имеется более чем одно условие НП. Вывод о результате действия НП основывается на сравнении показателей ЗП в отличающихся друг от друга условиях («контрольном» и «экспериментальном», «активном» и «пассивном» или в нескольких отличающихся по заданному критерию условиях).
• 2. Фиксация и измерение переменных осуществляются в классификации шкал, предложенной Стивенсом: наименований, порядка, интервалов и отношений. Вид переменной (учебные классы, градации яркости светового пятна и т.д.) не задает, однако, способа ее измерения (на качественных или количественных уровнях). Обычно «количественным» экспериментом называют такой, где именно НП измерена количественно.
• 3. Эксперимент возможен только в случае функционального контроля уровней НП. Это может быть изменение характеристик физических стимулов, управление условиями (и ситуациями) или контроль путем подбора состава групп. В эксперименте обычно используются стратегии уравнивания групп, и испытуемые эквивалентных групп попадают в разные экспериментальные условия. Обеспечение неравенства групп как способа задания НП (пол, возраст, личностные свойства и т.п.) принимает форму квазиэксперимента, или эксперимента с ограничениями форм контроля. Если изменения НП не зависят от исследователя, а берутся «готовыми» (например, как результаты психодиагностики), то у исследователя не может быть уверенности в том, что именно выбранная НП определила показатели ЗП.
• 4. Факторные (мультивариативные) эксперименты, включающие управление более чем одной НП, строятся как комбинации, повторы (репликации) и другие видоизменения исходных планов с одной НП. Статистические приемы обработки данных могут при этом как предполагать, так и исключать взаимодействия между отдельными переменными.
• 5. Вводимое экспериментальное воздействие выступает в планах, или схемах, в качестве НП даже в том случае, когда испытуемые не воспринимают разницы условий. Часто только после эксперимента делается вывод, можно ли осуществленную манипуляцию условиями рассматривать как «воздействие» или функциональный контроль НП не имеет результатом действие этой переменной.

Планирование эксперимента – это область математической статистики, ставящая своей целью выбор количества и условий постановки экспериментов, необходимых и достаточных для решения задачи с требуемой точностью, разработку методов и приемов математической обработки результатов эксперимента и принятия на основе этого определенных решений.

Что дает планирование экспериментатору? Принципиально иное отношение к ошибке. Рандомизация. Последовательный эксперимент. Оптимальное использование пространства независимых переменных. Редукция информации. Этическая функция планирования эксперимента. Планирование эксперимента и логика вопросов.

Какова стратегия эксперимента? 1. Признание факта существования задачи и ее формулировка. 2. Выбор факторов и уровней. 3. Выбор переменной отклика. 4. Выбор плана эксперимента. 5. Проведение эксперимента. 6. Анализ данных. 7. Выводы и рекомендации.

Аналогия между вычислительным и лабораторным экспериментами. Лабораторный эксперимент Образец Вычислительный эксперимент Модель Прибор Измерение Программа для компьютера Тестирование программы Расчет Анализ данных Калибровка

ПЕРВИЧНАЯ СТАТИСТИЧЕСКАЯ ОБРАБОТКА ОПЫТНЫХ ДАННЫХ Средняя арифметическая Ma= y/m=(y 1+y 2+. . . +yi+. . . +ym)/m Средняя геометрическая Mg=(yi)1/m=(y 1 y 2. . . yi. . . ym)1/m Средняя квадратическая Ms=(yi 2/m)1/2=((y 12+y 22+. . . +yi 2+. . . +ym 2)/m)1/2 Средняя гармоническая Mgr=m(yi– 1)– 1 Мода Медиана Md=y(m+1)/2 Md=(ym/2+1)/2

Дисперсия воспроизводимости Sj 2= (yij-yсрj)2/(m-1)= =((y 1 j-yсрj)2+(y 2 j-yсрj)2+. . . +(ymj-yсрj)2)/(m-1) Среднее квадратическое отклонение Sj=(Sj 2)1/2=((Yij-Yсрj)2/(m-1))1/2 Коэффициент вариации V=Sj/Yсрj · 100% Размах R=Ymaxj – Yminj Доверительный интервал для среднего B = yсрj t Sj/((m)1/2)

Количество повторных измерений m=(V 2) (t 2)/(T 2) Коэффициент вариации (V, %), Показатель точности (относительная ошибка T, обычно 5%), Показатель достоверности (t – критерий Стьюдента). m=(V 2) (t 2) (1 1/(2 m 1)1/2)2/(T 2) Нижний и верхний пределы для дисперсии =m– 1; =95%; =5%

Исключение грубых промахов По критерию Романовского |ym+1 –yср| t" Sy По критерию Q Q=|ym-ym-1|/|ym-y 1| Проверка однородности дисперсий F=S 21/S 22 – критерий Фишера; G – критерий Кохрена B/C – критерий Бартлетта (по χ2)

Проверка различия средних значений большая выборка малая выборка Сравнение нескольких средних с использованием критерия Дункана Производится ранжирование средних. Вычисляется значение дисперсии воспроизводимости с числом степеней свободы =n (m– 1).

Вычисляется нормированная ошибка среднего S=(Sa 2/m)0. 5 Выписываются значения (n– 1) значимых рангов из таблицы Дункана при числе степеней свободы, уровне значимости и p=2, 3, …, n. Наименьшие значимые ранги (НЗР), вычисляются как произведение рангов на нормированную ошибку среднего S. Проверяются разности между средними, начиная с крайних; эта разность сравнивается с НЗР при p=n, затем находится разность максимального среднего и первого, которое превосходит минимальное, и сравнивается с НЗР при p=n– 1 и т. д.

ВЫБОР ПАРАМЕТРОВ ОПТИМИЗАЦИИ И ФАКТОРОВ Требования к отклику: 1. Отклик (параметр оптимизации) должен быть эффективным с точки зрения достижения цели. 2. Отклик должен быть универсальным, т. е. всесторонне отражать свойства процесса. 3. Отклик должен быть количественным и выражаться одним числом. 4. Отклик должен быть статистически эффективным, т. е. иметь небольшую дисперсию. 5. Желательно, чтобы параметр оптимизации имел физический смысл, был простым и легко вычисляемым.

Требования к факторам: 1. Факторы должны быть управляемыми, т. е. такими, чтобы внутри области определения фактору можно было бы придать любое значение. 2. Факторы должны быть совместимы. Это означает, что любая комбинация уровней внутри областей определения может быть реализована. Факторы несовместимы, если некоторые комбинации уровней приводят к остановке процесса (например, в результате взрыва и т. п.). 3. Точность установления уровней факторов должна быть выше точности фиксирования значений параметра оптимизации.

ВЫДЕЛЕНИЕ СУЩЕСТВЕННЫХ ПЕРЕМЕННЫХ НА ОСНОВЕ АПРИОРНОЙ ИНФОРМАЦИИ Коэффициент ранговой корреляции Спирмэна =cov(x, y)/((S 2 x S 2 y)0. 5)=1– 6 ((xi–yi)2)/(n 3 -n) Коэффициент корреляции рангов Кендалла

Квадрат Юдена 1 2 3 4 5 6 7 1 A B C D E F G 2 B C D E F G A 3 D E F G A B C 1 2 1 3 1 2 3 1 2 2 2 1 2 3 A B C D E F G Σ 5 6 9 3 7 8 4

ЭКСПЕРИМЕНТАЛЬНО-СТАТИСТИЧЕСКИЕ МЕТОДЫ ВЫДЕЛЕНИЕ СУЩЕСТВЕННЫХ ПЕРЕМЕННЫХ Полный факторный эксперимент Переход от натурального масштаба переменной к условному ПФЭ 22 х1 х2 (1), a, b, ab -1 +1 -1 yр=b 0+b 1 x 1+b 2 x 2+b 12 x 1 x 2

+1 -1 -1 +1 Z= +1 +1 4 0 0 0 +1 +1 -1 -1 -1 +1 0 4 0 0 Z’= Z’Z= +1 -1 -1 -1 +1 +1 0 0 4 0 +1 +1 +1 -1 -1 +1 0 0 0 4 b 0=(y 1+y 2+y 3+y 4)/4; b 2=(–y 1–y 2+y 3+y 4)/4; b 1=(–y 1+y 2–y 3+y 4)/4; b 12=(y 1–y 2–y 3+y 4)/4.

Организация эксперимента и проведение расчетов реализуются в следующей последовательности. 1. Выбор уровней варьирования факторов. 2. Построение плана эксперимента и матрицы планирования. 3. Проведение экспериментальных измерений. 4. Вычисление коэффициентов линейной модели. 5. Проверка значимости коэффициентов модели. 6. Проверка содержательности модели. 7. Проверка адекватности модели. 8. Проверка предсказательной способности в центре плана. 9. Анализ остатков. 10. Интерпретация (анализ) модели. 11. Принятие решений на основе полученной информации

Почему используется полный факторный эксперимент S 2 bi= S 2 восп / N +1 +1 4 0 0 -1 +1 0 4 0 -1 -1 +1 +1 0 0 4 +1 +1 4 0 0 -1 +1 0 0 0 2 0 0 0 +1 +1 0 0 2

ПФЭ 23 х1 -1 +1 План х2 -1 -1 +1 +1 х3 -1 -1 +1 +1 Обозначение (1) a b ab c ac bc abc

yр=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 12 x 1 x 2+b 13 x 1 x 3+b 23 x 2 x 3+b 123 x 1 x 2 x 3 +1 -1 -1 -1 +1 +1 +1 -1 -1 +1 -1 -1 +1 -1 Z 1 = +1 -1 +1 +1 +1 -1 Z 2 = +1 +1 +1 -1 -1 +1 +1 +1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 +1 +1

b 0=(y 1+y 2+y 3+y 4+y 5+y 6+y 7+y 8)/8; b 1=(-y 1+y 2 -y 3+y 4 -y 5+y 6 -y 7+y 8)/8; yuср = yu/N; b 2=(-y 1 -y 2+y 3+y 4 -y 5 -y 6+y 7+y 8)/8; b 3=(-y 1 -y 2 -y 3 -y 4+y 5+y 6+y 7+y 8)/8; S 2 R 0= (yu-yuср)2/(N-1); b 12=(y 1 -y 2 -y 3+y 4+y 5 -y 6 -y 7+y 8)/8; b 13=(y 1 -y 2+y 3 -y 4 -y 5+y 6 -y 7+y 8)/8; S 2 R = (yu-yuрасч)2 / (N-p); b 23=(y 1+y 2 -y 3 -y 4 -y 5 -y 6+y 7+y 8)/8; b 123=(-y 1+y 2+y 3 -y 4+y 5 -y 6 -y 7+y 8)/8; Содержательность модели: F=S 2 R 0/S 2 R Адекватность модели: F=S 2 R/S 2 восп. Предсказательная способность модели: t=|b 0 -y 0 ср|/(S 2 восп/m)0. 5

Дробные реплики ДФЭ 2 3 -1 + + D=0 + + - + + + - D=256 + - - + + + Генерирующее соотношение x 1 x 2=x 3 Определяющий контраст I=x 1 x 2 x 3 Система смешивания b 1 1+ 23; b 2 2+ 13; b 3 3+ 12; b 0 0+ 123

ДФЭ 24– 1 Генерирующие соотношения x 4=x 1 x 2 и x 4=x 1 x 2 x 3 Планы 1) d, a, b, abd, cd, ac, bc, abcd; 2) (1), ad, bd, ab, cd, ac, bc, abcd Определяющие контрасты I=x 1 x 2 x 4 и I=x 1 x 2 x 3 x 4. Системы смешивания 1) b 1 1+ 24; b 2 2+ 14; b 3 3+ 1234; b 4 4+ 12 ; b 13 13+ 234; b 23 23+ 134; b 34 34+ 123; b 0 0+ 124. 2) b 1 1+ 234; b 2 2+ 134; b 3 3+ 124; b 4 4+ 123; b 12 12+ 34; b 13 13+ 24; b 14 14+ 23; b 0 0+ 1234

ДФЭ 27– 4 y=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 4 x 4+b 5 x 5+b 6 x 6+b 7 x 7 ГС: х4=х1·х2, х5=х1·х3, х6=х2·х3 и х7=х1·х2·х3 Обобщающий ОК включает контрасты, образованные из этих четырех ГС, а также произведений контрастов по два, по три и по четыре. I=х1·х2·х4=х1·х3·х5=х2·х3·х6=х1·х2·х3·х7=х2·х3·х4·х5= =х1·х3·х4·х6=х3·х4·х7=х1·х2·х5·х6=х2·х5·х7=х1·х6·х7= =х4·х5·х6=х1·х4·х5·х7=х2·х4·х6·х7=х3·х5·х6·х7= =х1·х2·х3·х4·х5·х6·х7. Пренебрегая эффектами взаимодействия, начиная с тройных, получим: b 0→β 0 (ниже тройных нет) b 1→β 1+β 24+β 35+β 67 b 2→β 2+β 14+β 36+β 57 b 3→β 3+β 15+β 26+β 47 b 4→β 4+β 12+β 37+β 56 b 5→β 5+β 13+β 27+β 46 b 6→β 6+β 23+β 17+β 45 b 7→β 7+β 34+β 25+β 16

Выбор факторов на основе отсеивающего эксперимента Планы Плакетта-Бермана n N Комбинации знаков 3 4 + - + 7 8 + + + - 11 12 + + - 15 16 + + - 19 20 + + - - - + + - - + - + - - + + - n – количество факторов; N – число экспериментов.

Планы случайного баланса № x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 Ранг 1 2 3 4 5 6 7 8 + + + + + + + + + - 8 3 6 7 4 5 2 1

Анализ диаграмм рассеяния x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 Md- 5. 0 4. 5 4. 0 3. 5 5. 5 6. 0 3. 0 4. 5 Md+ 4. 0 4. 1 3. 0 5. 5 2. 5 3. 5 4. 5 3. 0 B -1. 0 -0. 5 -1. 5 2. 0 3. 0 -2. 5 1. 5 -1. 5 n 2 - - - 3 - - |p| 2. 0 1. 5 6. 0 - - - 7. 5 - - 3 4

ДИСПЕРСИОННЫЙ АНАЛИЗ Однофакторный дисперсионный анализ Модель yij= + j+ ij, yij обозначает i-е наблюдение на j-м уровне фактора (i=1, 2, . . . , m; j=1, 2, …, n). Расчет y-yср=y-50. 1 yij i ↓ 2 6 5 12 9 10 14 11 0 5 6 3 j→ -5 -4 -5 -11 -7 4 -8 -11 -5 -7 -9

Вычисление сумм значений отклика по столбцам. T. 1=6+5+12+9+10=42; T. 2=14+11+0+5+6=36; T. 3=-5 -4 -5 -1 -7=-32; T. 4=-8 -11 -5 -7 -9=-40. T. . =42+36– 32– 40=6. Вычисление средних значений отклика для каждого уровня фактора. y 1 ср=42/5=8. 4; y 2 ср=36/5=7. 2; y 3 ср=-32/5=-6. 4; y 4 ср=-40/5=-8. 0. Вычисление сумм квадратов значений отклика yij по строкам и столбцам. SS 1=62+52+122+92+102=386; SS 2=142+112+02+52+62=378; SS 3=(-5)2+(-4)2+(-5)2+(-11)2+(-7)2 =236; SS 4=(-8)2+(-11)2+(-5)2+(-7)2+(-9)2 =340; SS=386+378+236+340=1340. SSобщ=1340 -62/(5× 4)=1338. 2.

Вычисление сумм квадратов, характеризующих влияние фактора и ошибки. SSисп=422/5+362/5+(-32)2/5+(-40)2/5 -62/20=1135. 0; SSош = 1338. 2– 1135. 0 = 203. 2. Вычисление средних квадратов (дисперсий). νобщ=5× 4– 1=19; νисп=4– 1=3; νош=4×(5 – 1) = 16. MSисп =1135/3=378. 3; MSош=203. 2/16=12. 7. Результаты однофакторного дисперсионного анализа Источник изменчивости Сумма квадратов SS Число степеней свободы ν Средний квадрат MS Критерий Фишера F Фактор 1135. 0 3 378. 3 29. 8 Ошибка 203. 2 16 12. 7 Итого 1138. 2 19

Двухфакторный дисперсионный анализ Модель yij= + j+βj+ ij Расчет yij – 13 мм Автомобиль Марка шины A B C D T. j I 4 1 -1 0 4 II 1 1 -1 -2 -1 III 0 0 -3 -2 -5 IV 0 -5 -4 -4 -13 Т i. 5 -3 -9 -8 -15=T. . 17 27 27 24 95=

Вычисление сумм квадратов SSобщ = 95 -(-15)2/16 = 80. 9; SSмар = ((5)2+(-3)2+(-9)2+ +(-8)2)/4 -(-15)2/16 = 30. 6; SSавт=((4)2+(-1)2+(-5)2+ +(-13)2)/4 -(-15)2/16 = 38. 6; SSост=80. 9 -30. 6 -38. 6=11. 7. Вычисление числа степеней свободы νобщ=n 1·n 2– 1; νмар=n 1 – 1; νавт=n 2 – 1; νост= νобщ–νмар–νавт. νобщ=4· 4– 1=15; νмар=4– 1=3; νавт=4– 1=3; νост=15– 3– 3=9.

Вычисление средних квадратов. МSмар=SSмар/νмар; МSавт=SSавт/νавт; MSост=SSост/νост. МSмар=30. 6/3=10. 2; МSавт=38. 6/3=12. 9; MSост=11. 7/9=1. 3. F=MSисп/MSост. Fмар=10. 2/1. 3=7. 85; Fавт=12. 9/1. 3=9. 92. Результаты двухфакторного дисперсионного анализа Источник изменчивости Сумма Число степеней квадратов SS свободы ν Средний квадрат MS Критерий Фишера F Марки шин 30. 6 3 10. 2 7. 85 Автомобили 38. 6 3 12. 9 9. 92 Остаток 11. 7 9 1. 3 ИТОГО 80. 9 15

Многофакторный дисперсионный анализ Модель yijk= + j+βj+ k + ijk A B C D Уровни х1: a 1; a 2; a 3; a 4; B D A C Уровни х2: b 1; b 2; b 3; b 4; C A D B D C B A Уровни х3: A; B; C; D; Этапы вычислений: 1. Подсчет итогов (сумм) и средних значений по строкам Ai, столбцам Bj и латинским буквам Ck. 2. Вычисление суммы квадратов результатов всех наблюдений: SS 1 = (Yijk)2. 3. Сумма квадратов итогов по строкам, деленная на число элементов в каждой строке: SS 2 = Ai 2 / n. 4. Сумма квадратов итогов по столбцам, деленная на число элементов в каждом столбце: SS 3 = Bj 2 / n. 5. Сумма квадратов итогов по латинским буквам, деленная на число элементов, соответствующих каждой букве: SS 4 = Ck 2 / n.

6. Корректирующий член, равный квадрату общего итога, деленному на общее число ячеек квадрата (на число опытов): SS 5 = Yijk / (n 2). 7. Сумма квадратов для строки: SSa=SS 2–SS 5. 8. Сумма квадратов для столбца: SSb=SS 3 -SS 5. 9. Сумма квадратов для латинской буквы: SSc=SS 4 -SS 5. 10. Общая сумма квадратов: SSобщ=SS 1 -SS 5. 11. Остаточная сумма квадратов: SSост=SSобщ-(SSa+SSb+SSc). Дисперсионный анализ латинского квадрата Источник изменч-ти Сумма квадратов SS Число степеней свободы Средний квадрат MS Критерий Фишера F Строки SSa=SS 2 -SS 5 a=n– 1 MSa=SSa/ a MSa / MSост Столбцы SSb=SS 3 -SS 5 b=n– 1 MSb=SSb/ b MSb / MSост Лат. буквы SSc=SS 4 -SS 5 c=n– 1 MSc=SSc/ c MSс / MSост Остаток SSост=SSобщ – ост=(n-1) (n-2) MSост=SSост/ ост – (SSa+SSb+SSc) Итого SSобщ=SS 1–SS 5 общ=n 2– 1

Греко-латинский квадрат Исследовано влияние рецептурных факторов на относительное удли-нение при разрыве композиций на основе поливинилхлорида (ПВХ). x 1 – партия полимера. Уровни фактора x 1: a 1, a 2, a 3, a 4. x 2 – содержание пластификатора. Уровни фактора x 2, масс. ч. : b 1 – 20, b 2 – 30, b 3 – 40, b 4 – 50. x 3 – тип стабилизатора. Уровни фактора x 3: A –соевое масло, B – стеарат кальция, C – стеарат бария и D – стеарат кадмия. x 4 – тип динамометра. Уровни фактора x 4: , β, и. A B C Dβ C D Aβ B Bβ A D C D Cβ B A

План и результаты эксперимента при изучении свойств ПВХ x 2 x 1 a 2 a 3 a 4 Aiср Ai 2 b 1 A (8. 2) B (10. 2) C (8. 3) Dβ (5. 9) 32. 6 8. 2 1063 b 2 C (15. 1) D (25. 8) Aβ (22. 3) B (21. 2) 84. 4 21. 1 7123 b 3 Bβ (48. 9) A (25. 7) D (49. 6) C (35. 2) 160. 4 39. 9 25408 b 4 D (74. 1) Cβ (69. 5) B (80. 9) A (57. 1) 281. 6 70. 4 79299 Bj 146. 3 131. 2 161. 1 120. 4 G= =558. 0 Bjср 36. 6 32. 8 40. 3 29. 9 Bj 2 21404 17213 25953 14256

A B C D C k 113. 3 161. 2 128. 1 155. 4 Ckср 28. 3 Ck 2 12837 25985 16410 24149 40. 3 β 32. 0 38. 9 Dl 129. 3 146. 6 150. 1 132. 0 Dlср 32. 3 D l 2 16718 21492 22530 17424 36. 7 37. 8 33. 0

Вычисление суммы квадратов результатов всех наблюдений. . . SS 1=8. 22+10. 22+8. 32+. . . +80. 92+57. 12 =28992. 54. Сумма квадратов итогов по строкам, деленная на число элементов в каждой строке. SS 2=(1063+7123+25408+79299) / 4 =28223. 25. Сумма квадратов итогов по столбцам, деленная на число элементов в каждом столбце. . SS 3=(21404+17213+25953+14256)/4=19706. 50. Сумма квадратов итогов по латинским буквам, деленная на число элементов, соответствующих каждой букве. SS 4=(12837+25985+16410+24149) / 4 =19845. 25. Сумма квадратов итогов по греческим буквам, деленная на число элементов, соответствующих каждой букве. SS 5=(16718+21492+22530+17424) / 4 =19541. 00.

Корректирующий член, равный квадрату общего итога, деленному на общее число ячеек квадрата (на число опытов). SS 6 = 558. 02/ 16 = 19460. 25. Сумма квадратов для строки. SSa=SS 2 -SS 6; SSa=28223. 25 -19460. 25=8763. 00. Сумма квадратов для столбца. SSb=SS 3 -SS 6; SSb=19706. 50 -19460. 25=246. 25. Сумма квадратов для латинской буквы. SSc=SS 4 -SS 6; SSc=19845. 25 -19460. 25=385. 00. Сумма квадратов для греческой буквы. SSd=SS 5 -SS 6; SSd=19541. 00 -19460. 25=80. 75. Общая сумма квадратов. SSобщ=SS 1 -SS 6; SSобщ=28992. 54 -19460. 25=9532. 27. Остаточная сумма квадратов. SSост=SSобщ-(SSa+SSb+SSc+SSd); SSост=9532. 27 -(8763. 00+246. 25+385. 00+80. 75)=57. 27.

Дисперсионный анализ греко-латинского квадрата 4 4. Источник изменчивости Сумма квадратов SS Число степеней свободы ν Средний квадрат MS Критерий Фишера F Строки, x 2 8763. 00 3 2921. 0 152. 9 Столбцы, x 1 246. 25 3 82. 1 4. 3 Лат. буквы, x 3 385. 00 3 128. 3 6. 7 Греч. буквы, x 4 80. 75 3 26. 9 1. 4 Ошибка 57. 27 3 19. 1 F(3; 3; 0. 05)=9. 28 и F(3; 3; 0. 1)=5. 39 Итого 9532. 27 15

ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА В УСЛОВИЯХ ВРЕМЕННОГО ДРЕЙФА Влияние этого временнóго дрейфа на параметры математического описания процесса можно практически устранить, разбивая серию опытов на отдельные блоки так, чтобы эффект от временнóго дрейфа оказался смешанным с произведениями факторов, для которых коэффициенты регрессии достаточно малы. Допустим, необходимо устранить влияние временнóго дрейфа на параметры уравнения регрессии, получаемого в результате полного трехфакторного эксперимента. С этой целью разобьем эксперимент на два блока и введем новую независимую переменную хд, характеризующую дрейф. Положим хд=х1 х2 х3. В один из блоков отберем опыты, для которых хд=+1, а в другой блок – для которых хд=– 1. Формально это планирование можно рассматривать как эксперимент типа 24– 1 с генерирующим соотношением хд=х1 х2 х3.

Планирование в условиях временного дрейфа Блок х1 х2 х3 хд=х1 х2 х3 Отклик 1 – 1 +1 – 1 – 1 +1 +1 +1 +1 +1 – 1 – 1 2 y 1+βд y 2+βд y 3+βд y 4+βд y 5–βд y 6–βд y 7–βд y 8–βд

Если уравнение регрессии ищется в виде y=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 12 x 1 x 2+b 23 x 2 x 3+b 123 x 1 x 2 x 3, то коэффициенты регрессии будут являться следующими оценками: b 0→β 0; b 1→β 1; b 2→β 2; b 3→β 3; b 12→β 12; b 13→β 13; b 23→β 23; b 123→β 123+βд; Рассчитаем, например, коэффициенты b 1 и b 123: b 1=(–(y 1+βд)+(y 2+βд)–(y 3+βд)+(y 4+βд)–(y 5–βд)+(y 6– βд)–(y 7–βд)+(y 8–βд))/8= =(–y 1+y 2–y 3+y 4–y 5+y 6–y 7+y 8)/8; b 123=((y 1+βд)+(y 2+βд)+(y 3+βд)+(y 4+βд)–(y 5–βд)–(y 6– βд)–(y 7–βд)–(y 8–βд))/8= =(y 1+y 2+y 3+y 4–y 5–y 6–y 7–y 8)/8+βд. Следовательно, все коэффициенты регрессии, кроме b 123, не содержат погрешностей, обусловленных временным дрейфом.

Анализ временнóго дрейфа может быть осуществлен также с помощью магических квадратов. Пусть нужно поставить N независимых опытов. Числа от 1 до N – это некоторые параметры времени, такие как часы или дни. Высказывается предположение, что при постановке N опытов имеет место временнóй дрейф экспериментальных данных. Характер дрейфа линейный. Рассмотрим план, представляющий собой совмещение магического квадрата с полным факторным экспериментом 24.

Рассмотрим результаты определения зависимости твердости резин от температуры вулканизации (= 180 о. С и = 140 о. С), продолжительности процесса (= 17 мин и = 5 мин), дозировки ускорителя (= 1. 2 масс. ч. и = 0. 4 масс. ч.) и наполнителя (= 30 масс. ч. и = 10 масс. ч.). Реализован полный факторный эксперимент 24 Допустим, что ежедневно ставим один опыт, тогда все опыты будут поставлены за 16 дней. В течение этого времени имеет место линейный дрейф. Для защиты от этого дрейфа наложим ПФЭ 24 на 4 4 магический симметричный квадрат, элементами которого являются номера шестнадцати опытов. Такой план приемлем, если взаимодействия х1 х4 и х2 х3 незначимы.

Факторный эксперимент 24, совмещенный с 4 4 магическим квадратом x 1(+1) x 2(+1) x 4(+1) x 3(+1) x 1(– 1) x 2(+1) x 2(– 1) 16 72. 0 2 70. 0 3 73. 8 13 59. 8 x 4(– 1) 5 69. 8 11 57. 8 10 62. 7 8 54. 7 x 4(+1) x 3(– 1) 9 67. 5 7 59. 3 6 64. 4 12 52. 2 x 4(– 1) 4 62. 4 14 48. 3 15 52. 2 1 50. 2

« x 1=[-1; 1; -1; 1; -1; 1]; « x 2=[-1; -1; 1; 1; -1; 1; 1]; « x 3=[-1; -1; 1; 1; 1; 1]; « x 4=[-1; -1; 1; 1; 1]; « y=; « X=; « b=(inv(X"*X))*(X"*y) b=61. 0687 2. 3187 4. 5312 4. 0062 3. 8063 « Y=X*b; « max(abs(y-Y)) ans = 3. 7938 « [(y-Y). /y*100] ans = 7. 5573 « (64. 7 -61. 1)/15*2 ans=0. 4800 В последней формуле сопоставлены значения отклика до дрейфа и после него. Если бы не было дрейфа, значение отклика в нулевой точке было бы 64. 7 единиц, а в результате дрейфа (пребывание в агрессивной среде) понизилось на 3. 6 единиц.

КОРРЕЛЯЦИОННЫЙ АНАЛИЗ Зависимость между двумя переменными величинами называется статистической, если каждому значению одной из них соответствует множество значений другой, но число этих значений не является постоянным, а сами значения не отражают определенной закономерности. Рассмотрим двумерные наблюдения, т. е. такие наблюдения, которые дают значения двух случайных величин х и у. Используем такую статистическую характеристику – ковариацию или второй смешанный центральный момент (иначе – корреляционный момент) величин х и у: Коэффициент корреляции

Справедливы следующие соотношения: y=a+bx; x=a +׳ b ׳ y Таким образом, мы получаем два уравнения регрессии, которые отвечают двум различным математическим формулировкам задачи: в первом случае минимальное значение имеет сумма квадратов отклонений, взятых параллельно оси ординат, во втором случае – сумма квадратов отклонений, взятых параллельно оси абсцисс.

При подсчете коэффициентов регрессии можно воспользоваться следующими соотношениями: β= +φ При rxy = 1, tgφ = 0, следовательно, в этом частном случае обе линии регрессии совпадают. Каждая из переменных становится линейной функцией другой переменной. При rxy = 0 мы получаем две взаимно перпендикулярные прямые, параллельные координатным осям и проходящие через точку с координатами В этом случае очевидно, что между переменными не может существовать линейной статистической связи.

y 1 – условное напряжение при удлинении 100%, МПа; y 2 – условное напряжение при удлинении 200%, МПа; y 3 – условное напряжение при удлинении 300%, МПа; y 4 – условная прочность при растяжении, МПа; y 5 – относительное удлинение при разрыве, %; y 6 – сопротивление разлиру, к. Н/м; y 7 – твердость по Шору А.

Представление о корреляциях с помощью модели косинуса Соотношение между вулканизационными характеристиками ν=877; r=0. 968; r=0. 935; r=0. 984; tgφ=– 0. 0281. tgφ=– 0. 0535 tgφ=– 0. 0155.

ОПТИМИЗАЦИЯ ОДНОМЕРНЫЙ ПОИСК Метод последовательной дихотомии предусматривает размещение на каждом этапе экспериментирования сразу двух новых точек, расположенных симметрично относительно середины интервала неопределенности на расстоянии друг от друга. Здесь – по возможности малая величина, ограниченная снизу разрешающей способностью доп в измерении величины x. Значение доп – это та минимальная разница между соседними наблюдениями x, которая может быть обнаружена инструментально с помощью тех измерительных средств, которые имеются в распоряжении экспериментатора.

Метод поиска Фибоначчи базируется на использовании чисел Фибоначчи Fk, определяемых рекуррентным соотношением вида: Fk=Fk-1+Fk-2, k>1, F 0=F 1=1. N 1 2 3 4 5 6 7 8 9 FN 1 2 3 5 8 13 21 34 55 Метод золотого сечения является частной разновидностью метода Фибоначчи и отличается от него лишь тем, что в методе золотого сечения нет необходимости в обязательном предварительном определении общего числа опытов N. Координаты x(1) (первой точки в этом методе) находятся по формуле: x(1) = xmin + q L,

МНОГОМЕРНЫЙ ПОИСК Многомерность делает унимодальность менее вероятной Нельзя найти меру эффективности поиска, которая не зависела бы некоторым образом от удачи экспериментатора. Восприятие размера в многомерных пространствах. Существует большое число разнообразных методов многомерного поиска. В дальнейшем будут рассмотрены лишь некоторые из них, получившие наибольшее распространение для целей экспериментальной оптимизации. Эти методы можно разделить на две большие группы: на градиентные и неградиентные методы поиска экстремума.

Метод покоординатного поиска, (метод Гаусса-Зайделя) Метод Гаусса-Зайделя весьма прост при практической реализации, достаточно помехоустойчив. Однако ясно, что траектория поиска вряд ли будет наикратчайшей. Кроме того метод Гаусса. Зайделя имеет тенденцию к ложной остановке процедуры, если в ходе движения поисковая точка окажется на узком «гребне» .

ПЛАНИРОВАНИЕ ЭКСТРЕМАЛЬНЫХ ЭКСПЕРИМЕНТОВ В ПРОМЫШЛЕННЫХ УСЛОВИЯХ 1. Промышленный эксперимент должен одновременно с нормальным функционированием объекта и производством товарной продукции обеспечить получение полезной информации для нахождения оптимальных условий управления объектом. 2. Чтобы извлечь такую информацию, можно реализовать целенаправленное «покачивание» объекта около так называемого «рабочего режима» , планируя пробные шаги варьирования по управляемым факторам и выделяя влияние изучаемых переменных на отклик в условиях шума с помощью регрессионного анализа. 3. В производственных условиях, по сравнению с лабораторными, имеет место большое количество неконтролируемых и неуправляемых факторов, влияющих на ход процесса. 4. Медленные (относительно частоты постановки опытов) случайные флуктуации одних неконтролируемых и неуправляемых факторов промышленного объекта вызывают нерегулярный временной дрейф поверхности целевого отклика по отношению к управляемым факторам, то есть нерегулярное изменение с течением времени всей поверхности, а значит, и координат точки ее экстремума в их пространстве. 5. В промышленных условиях для реализации адаптационной оптимизации нет специального штата высококвалифицированных исследователей, а есть у производственной установки обслуживающий персонал довольно низкой квалификации. Здесь нет и той насыщенности исследования измерительными, регистрирующими приборами и вычислительными устройствами, которая присуща лабораторному эксперименту. Поэтому планы и вычислительные алгоритмы обработки наблюдений промышленного эксперимента должны быть достаточно просты. 6. Адаптационная оптимизация производственных установок предполагает постоянное исследование и подстройку объекта, то есть неограниченное временем проведение промышленного эксперимента, а значит, и неограниченное число его опытов.

ЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ Во многих ситуациях, которые могут встретиться в промышленности, в экономической деятельности требуется максимизировать или минимизировать некоторую количественную величину при определенных ограничениях. Например, бизнесмен хочет максимизировать свою прибыль, однако при этом он ограничен общим числом имеющихся у него машин, наличием людей, капиталом, который он может инвестировать, и рядом других экономических факторов. Пример. Имеется три вещества сложного состава В 1, В 2 и В 3 разной цены. Каждое из них содержит определенное количество необходимых ингредиентов И 1, И 2, И 3 и И 4 Известно, что в течение суток требуется И 1 – не менее 250, И 2 – не менее 60, И 3 – не менее 100 и И 4 – не менее 220. Требуется минимизировать затраты на приобретение этих веществ. Очевидно, что количество приобретаемых веществ не может быть отрицательным.

Содержание необходимых ингредиентов в веществах и цены этих веществ В 1 В 2 В 3 И 1 4 6 15 И 2 2 2 0 И 3 5 3 4 И 4 7 3 12 Цена 44 35 100

В состав MATLAB входит Tool. Box Optimization, предназначенный для решения такого рода задач. Используется функция linprog. Первым аргументом linprog всегда является вектор f (вектор коэффициентов), далее задается матрица A и вектор b. Решение. x 1, x 2 и x 3 – искомые количества веществ. Целевая функция: f. Tо x=44·x 1+35·x 2+100·x 3. При наличии ограничений в виде равенств дополнительными аргументами могут быть Aeq и beq, наконец, двусторонние ограничения являются шестым и седьмым аргументами linprog. Поскольку линейные ограничения содержат «меньше или равно» , а количество ингредиентов в продуктах не должно быть менее заданных величин, то следует изменить знаки обеих частей системы. Для решения задачи составляется файл-прграмма. При вызове linprog вместо неиспользуемых аргументов (нет ограничений в виде равенств и верхней границы для неизвестных) задаются пустые массивы, обозначаемые .

Решение. Матрица А и векторы b и lb: =linprog(f, A, b, , lb, ); p=1. 8118 e+003; р – общая стоимость продуктов. Интерпретация. Представляет интерес умножить A на х, определить рекомендуемое содержание ингредиентов и сравнить его с минимально допустимым. A*x= [-250; -60: -142. 14; -220]; Сравнивая эти числа с вектором b, можно констатировать завышенное содержание третьего ингредиента. Это объясняется тем, что не было введено ограничение на максимальное содержание.

КОНТРОЛЬНЫЕ НАБЛЮДЕНИЯ Одно из наиболее важных применений статистическая теория находит в методах статистического контроля, среди которых хорошо известным примером может служить контроль качества. Контроль качества находит наиболее широкое применение в промышленности. Методика контроля качества находит два основных применения. Первое применение она находит в управлении технологическими процессами, при котором какой-либо реальный процесс, например такой, как работа машины, измеряется с целью оценки хода работы в настоящее время и, как подразумевается, для получения отправных данных для работы в ближайшем будущем. Второе применение она находит в приемочном контроле, который оценивает ход работы в прошлом путем измерения качества произведенных товаров. Поэтому это второе применение имеет дело с конечной совокупностью вещей, которые уже были произведены, тогда как управление технологическим процессом нацелено на проверку самого хода фактического производства. Это позволяет руководству выявить недостатки в процессе почти одновременно с их появлением и тем самым предотвратить выпуск изделий, имеющих дефекты.

Метод контроля основывается на свойствах нормальной кривой. Около 99. 7% всех наблюдаемых значений, взятых из нормально распределенной совокупности, располагаются в пределах интервала трех стандартных отклонений в любую сторону от среднего значения, и поэтому только около трех из каждой тысячи показаний наблюдений располагается вне этих пределов. Исходя из этого, может быть составлена контрольная карта, которая показывает возможные значения на вертикальной оси и ряды последовательных целых чисел, представляющих последовательные наблюдения, расположенные вдоль горизонтальной оси. Горизонтальная линия проведена на высоте, соответствующей среднему значению; гори зонтальные линии проведены также на высо тах, представляющих контрольные пределы. Верхний контрольный предел установлен на высоте, соответствующей значению средней плюс три стандартных отклонения (С. о.); ни жний контрольный предел установлен на вы соте, соответствующей значению средней минус три стандартных отклонения, так что около 99. 7% всех показаний должны расположиться в этих пределах.

Контрольные карты можно использовать: 1. Как сигнал о том, что в процессе произошло некоторое изменение, так и в качестве оценки величины изменения, для которого требуется коррекция. 2. Исключительно как сигнал о том, что в процессе произошло некоторое изменение, чтобы оператор осознал, что процесс требует его внимания. 3. Для получения оценок числа случаев в прошлом, когда в процессе возникали изменения, и установления на их основе причин, вызывающих эти изменения. 4. Как меру качества продукции для классификации по периодам. В производстве чаще всего используются: 1) контрольные карты Шухарта (карты R и s – средних значений, размаха и стандартного отклонения); 2) карты скользящих геометрических средних (скользящего экспоненциально взвешенного среднего) и скользящих размахов; 3) карты накопленных сумм; 4) многомерные контрольные карты.

Контрольные карты и R для вулканизационных характеристик t 10, t 50 и t 90 Карта накопленных сумм

ОПИСАНИЕ ПОЧТИ СТАЦИОНАРНОЙ ОБЛАСТИ При изучении почти стационарной области возникает ряд новых сложных проблем. Если мы хотим описать эту часть поверхности отклика полиномом (многочленом) второго порядка, то переменные нужно варьировать уже на трех уровнях. Возникает сложная задача построения таких планов. Здесь, прежде всего, нужно выбрать какой-то достаточно разумный критерий оптимальности. Во всяком случае, с самого начала было ясно, что планы полного факторного эксперимента типа 3 n (n – количество факторов) здесь неприемлемы, так как они потребуют слишком большого числа опытов. Если три фактора – 33=27, четыре фактора – 34=81. В работе Бокса и Уилсона (1951) была выдвинута идея построения композиционных планов, ядром которых служат линейные ортогональные планы. Предполагается что, попав в почти стационарную область, исследователь сначала ставит опыты, используя линейные планы. Затем, убедившись в том, что гипотеза линейности здесь не проходит, он достраивает линейный план до плана второго порядка; отсюда и само название - композиционный план.

Рассмотрим такую ситуацию: имеется два фактора, и на первом этапе мы строим полный факторный эксперимент (ПФЭ) 22. На рисунке точки этого плана изображены зачерненными кружками. Далее ставится эксперимент в центре квадрата для проверки гипотезы адекватности. Затем реализуются «звездные» точки. Выбор плана – это всегда компромиссное решение, принимаемое в результате диалога. Раньше это был диалог со справочником-каталогом планов, сейчас – это диалог с компьютером.

Ортогональность плана. План называется ортогональным, если ковариационная матрица плана содержит все нулевые элементы, кроме элементов главной диагонали (диагональная матрица). Для ортогональных планов все оценки коэффициентов независимы: эллипсоид рассеяния ориентирован так, что направление его главных осей совпадает с направлением координатных осей в пространстве коэффициентов. Ротатабельность плана. Ротатабельные планы имеют ковариационную матрицу, инвариантную к вращению координат, позволяют получить одинаковую дисперсию предсказанных значений функции отклика во всех равноудаленных от центра эксперимента точках. Выполнение этого условия делает любое направление от центра эксперимента равнозначным в смысле точности оценки поверхности. Если информационные контуры плана представить как поверхности с равными значениями дисперсии оценки поверхности отклика, то для ротатабельного плана эти поверхности будут представлять собой сферы.

ПРИМЕНЕНИЕ СОВРЕМЕННЫХ ПРОГРАММНЫХ ПРОДУКТОВ ДЛЯ АНАЛИЗА ПОЧТИ СТАЦИОНАРНОЙ ОБЛАСТИ Экспериментальная сетка, сформированная ломаными линиями без аппроксимации уравнением Поверхность отклика, отвечающая наибольшему значению коэффициента детерминации

ПРИМЕНЕНИЕ СОВРЕМЕННЫХ ПРОГРАММНЫХ ПРОДУКТОВ ДЛЯ АНАЛИЗА ПОЧТИ СТАЦИОНАРНОЙ ОБЛАСТИ Поверхность отклика, отвечающая модели 310 по каталогу программы TC 3 D Поверхность отклика, отвечающая модели 301 по каталогу программы TC 3 D

ПОСТРОЕНИЕ ДИАГРАММ СОСТАВ-СВОЙСТВО Частным случаем решения задачи описания почти стационарной области является построение регрессионных моделей для систем, являющихся смесями двух и более различных компонентов. Переменные xi таких систем являются пропорциями (относительным содержанием) нескольких (например, трех) компонентов смеси и удовлетворяют условию xi = x 1 + x 2 + x 3 = 1 Геометрическое место точек, удовлетворяющих условию нормированности сумм переменных, представляет собой двумерный симплекс (треугольник). Каждой точке симплекса соответствует смесь определенного состава, и любой комбинации относительных содержаний трех компонентов соответствует определенная точка симплекса. В рассматриваемой нами ситуации вершины симплекса соответствуют 100%-му содержанию каждого компонента; стороны треугольника, лежащие напротив этих вершин, соответствуют нулевому содержанию данного компонента; относительное содержание каждого компонента откладывается вдоль соответствующей стороны треугольника состава. Состав может быть выражен в мольных, массовых и объемных долях или в процентах.

Опустив из каждой вершины треугольника высоту, разделив каждую из них на десять равных по величине отрезков и проведя через полученные деления прямые, параллельные сторонам треугольника, получим треугольную сетку.

Для решения задачи построения диаграммы «свойство-состав» на симплексе целесообразно рассматривать модель y=y(x 1, x 2, x 3) (y – отклик) в форме приведенного полинома. Такие приведенные полиномы для трехкомпонентных смесей показаны ниже. Модель второго порядка для трех переменных: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 Неполная кубическая модель: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 + 123 x 1 x 2 x 3 Модель третьего порядка: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 + + 12(x 1 – x 2) + 13(x 1 – x 3) + 23(x 2 – x 3) + 123 x 1 x 2 x 3 Модель четвертого порядка: y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 + + 12(x 1 – x 2) + 13(x 1 – x 3) + 23(x 2 – x 3) + + 12 x 1 x 2(x 1 – x 2)2+ 13 x 1 x 3(x 1 – x 3)2+ 23 x 2 x 3(x 2 – x 3)2+ 1123 x 12 x 2 x 3+ 1223 x 1 x 22 x 3+ 1233 x 1 x 2 x 32 Полиномы такого вида получаются из обычных полиномов соответствующей степени введением соотношения xi = x 1 + x 2 + x 3 = 1

Так, например, полином второй степени, в общем случае имеющий вид y=b 0+b 1 x 1+b 2 x 2+b 3 x 3+b 12 x 1 x 2+b 13 x 1 x 3+b 23 x 2 x 3+b 11 x 12+b 22 x 22+b 33 x 32, в приведенной форме с учетом условия xi = x 1 + x 2 + x 3 = 1 приобретет форму y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 При переходе к приведенной форме постоянный член b 0 исключается из уравнения умножением обеих сторон xi = x 1 + x 2 + x 3 = 1 на b 0. b 0 x 1 + b 0 x 2 + b 0 x 3 = b 0 и подстановкой полученных результатов в уравнение y=(b 0+b 1)x 1+(b 0+b 2)x 2+(b 0+b 3)x 3+b 12 x 1 x 2+b 13 x 1 x 3+b 23 x 2 x 3+b 11 x 12+b 22 x 22+b 33 x 32 Исключения квадратичных членов можно достичь подстановкой в уравнение вместо величин x 12, x 22 и x 32 значений x 12=x 1–x 1 x 2–x 1 x 3, x 22=x 2–x 1 x 2–x 2 x 3, x 32=x 3–x 1 x 3–x 2 x 3, образованных путем умножения соотношения xi = x 1 + x 2 + x 3 = 1 соответственно на x 1, x 2 и x 3 y=(b 0+b 11)x 1+(b 0+b 22)x 2+(b 0+b 33)x 3+(b 12–b 11–b 22)x 1 x 2+ + (b 13–b 11–b 33)x 1 x 3 +(b 23–b 22–b 33)x 2 x 3 Введя обозначения 1=b 0+b 11; 2=b 0+b 22; 3=b 0+b 33; 12=b 12–b 11–b 22; 13= b 13–b 11–b 33; 23=b 23–b 22–b 33, получим приведенную форму y = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3

Для оценки коэффициентов приведенных полиномов были предложены симплекс-решетчатые планы. В таблице представлено расположение точек (матрица планирования) и обозначение откликов для случая модели второго порядка. Отклик Координаты точек Отклик Координаты точек x 1 x 2 x 3 y 1 1 0 0 y 12 1/2 0 y 2 0 1 0 y 13 1/2 0 1/2 y 3 0 0 1 y 23 0 1/2

Для построения модели второго порядка реализуются точки в вершинах треугольника и в серединах его сторон. Схема расположения экспериментальных точек в симлексных решетках {3, 2} {3, 3}* {3, 3} {3, 4} {4, 2} {q, n}-решетки, q – число компонентов смеси, n – степень полинома Формулы для вычисления параметров модели второго порядка 1=y 1; 2=y 2; 3=y 3; 12=4 y 12– 2 y 1– 2 y 2; 13=4 y 13– 2 y 1– 2 y 3; 23=4 y 23– 2 y 2– 2 y 3.

Пример. Результаты исследования прочности пористых резин на основе комбинации каучуков СКМС-30 РП и БС-45 К, содержа-щих три типа порообразователей х1 – N, N’-динитрозопентаметилен-тетрамин (ЧХЗ-18), х2 – азодикарбонамид (ЧХЗ-21), х3 – бикарбонат натрия. Координаты точек и результаты эксперимента Координаты точек x 1 x 2 x 3 1 0 0 0 1 0 0 σ, МПа Координаты точек σ, МПа x 1 x 2 x 3 5. 6 5. 9 ½ 1/2 0 4. 4 4. 7 0 3. 2 1/2 0 1/2 5. 1 5. 4 1 6. 0 6. 3 0 1/2 3. 8 4. 0

Вычисление коэффициентов приведенного полинома. σ = 1 x 1 + 2 x 2 + 3 x 3 + 12 x 1 x 2 + 13 x 1 x 3 + 23 x 2 x 3 , хi . 1= σ1; 2= σ2; 3= σ3; 12=4σ12– 2σ1– 2σ2; 13=4σ13– 2σ1– 2σ3; 23=4σ23– 2σ2– 2σ3. β 1=(5. 6+5. 9)/2=5. 75; β 2=(3. 0+3. 2)/2=3. 10; β 3=(6. 0+6. 3)/2=6. 15; β 12=4(4. 4+4. 7)/2 -2(5. 6+5. 9)/2 -2(3. 0+3. 2)/2=0. 50; β 13=4(5. 1+5. 4)/2 -2(5. 6+5. 9)/2 -2(6. 0+6. 3)/2=-2. 80; β 23=4(3. 8+4. 0)/2 -2(3. 0+3. 2)/2 -2(6. 0+6. 3)/2=-2. 90. Уравнение регрессии имеет вид: σ = 5. 75 x 1 + 3. 10 x 2 + 6. 15 x 3 + 0. 50 x 1 x 2 - 2. 80 x 1 x 3 - 2. 90 x 2 x 3. Проверка однородности дисперсий. Критерий Кохрена: G=S 2 max/ Σ S 2 j. Средние значения: 5. 75; 3. 10; 6. 15; 4. 55; 5. 25; 3. 90. Дисперсии: 0. 045; 0. 020; 0. 045; 0. 020. Условие однородности дисперсий: G

Расчет дисперсии воспроизводимости. N=6; S 2 E =(0. 045+0. 020+0. 045+0. 020)/6=0. 037. Значения отклика в проверочной точке 4. 1; 4. 3. σ0 ср=4. 20 МПа Проверка адекватности модели. =a 12+a 22+a 32+a 122+a 132+a 232; ai=xi(2 xi-1); aij=4 xixj. t= σ·(r/(S 2 E (1+))1/2, = p(r-1), y=|σрасч-σср| – модуль разности отклика, рассчитанного по уравнению, и среднего отклика, определенного экспериментально в проверочной точке по r повторным наблюдениям. a 1=a 2=a 3=1/3·(2· 1/3 -1)=-1/9; a 12=a 13=a 23=4· 1/3=4/9; =3(-1/9)2+3(4/9)2=0. 630. Значения прочности в центре плана: σ0 расч=5. 75/3+3. 10/3+6. 15/3+ 0. 50/9 -2. 80/9 -2. 90/9=4. 42 МПа. t=|4. 42 -4. 20|·(2/(0. 037(1+0. 630))1/2 =1. 27; =6(2 -1)=6; =5 %; t(6; 0. 05)=2. 45.

Условие адекватности: tрасч

Пример. Влияние состава полимерной матрицы на тепловой эффект вулканизации. Все рецептуры содержали 15 масс. % каучука СКМС 30 РП и 30 масс. % смеси полимеров: каучук СКД (х1), полистирол (х2) и каучук СКМС-30 РП (х3) в различных соотношениях. Все системы содержали порообразователи. Для построения диаграмм использована программа в системе MATLAB. Но в нее были внесены определенные коррективы, которые позволили реализовать процедуру в следующей последовательности. С использованием программы Table Curve 3 D формируется модель, включающая два фактора х1 и х2. Затем составляется столбец значений параметров полученной модели b. этот столбец вводится в командное окно MATLAB. Затем открывается программа-модуль для построения диаграмм. В эту программу заранее внесены возможные уравнения. Такой подход позволяет рассчитать несколько конкурирующих моделей и оценить их статистические характеристики. В рассматриваемом случае получены следующие модели: 310 z=a+bx+cy+dx^2+ey^2+fxy+gx^3+hy^3+ixy^2+jx^2 y; 1301 z=(a+cx+ey+gx^2+iy^2+kxy)/(1+bx+dy+fx^2+hy^2+jxy); 301 z=a+bx+cy+dx^2+ey^2+fxy; 65 z=a+bx+cx^2+dx^3+ex^4+fx^5+gy+hy^2+iy^3+jy^4+ky^5; 50 z=a+bx+cx^2+dx^3+ex^4+fy+gy^2+hy^3+iy^4+jy^5.

На рисунке слева сплошными линиями показаны изолинии, полученные с использованием модели третьего порядка (310), а пунктиром – модели второго порядка. Справа даны изолинии (сплошные) применительно к моделям 65 и 50. они практически совпадают. Пунктиром показаны изолинии для модели 1301 по каталогу TC 3 D.

Задачи планирования эксперимента (ПЭ). Основные понятия ПЭ. Планирование эксперимента как метод получения функции связи. Полный факторный эксперимент (ПФЭ). Статистическая обработка результатов ПФЭ. Оптимизация РЭС методом крутого восхождения. Оптимизация РЭС симплексным методом.

Понятие планирования эксперимента(вопр.25)

Методы планирования эксперимента позволяют решать задачи выделения критичных первичных параметров (отсеивающие эксперименты: однофакторный эксперимент, метод случайного баланса), получения математического описания функции связи (ПФЭ), оптимизации РЭС (метод крутого восхождения и симплексный метод).

Выбранный критерий оптимизации должен отвечать ряду требований.

ПФЭ проводится по определенному плану (матрице ПФЭ). Для сокращения объема эксперимента используют дробные реплики.

Статистическая обработка результатов ПФЭ содержит проверку воспроизводимости опыта, оценку значимости коэффициентов модели, проверку адекватности модели.

Следует рассмотреть особенности метода крутого восхождения, симплексного метода оптимизации и последовательность проведения эксперимента для каждого из них.

Мысль о том, что эксперимент можно планировать, восходит к глубокой древности. Наш далекий предок, убедившийся, что острым камнем можно убить даже мамонта, несомненно выдвигал гипотезы , которые после целенаправленной экспериментальной проверки привели к созданию копья, дротика, а затем и лука со стрелами. Он, однако, не пользовался статистическими методами, поэтому остается непонятным, как он вообще выжил и обеспечил тем самым наше существование .

В конце 20-х г.г. XX века Рональд Фишер впервые показал целесообразность одновременного варьирования всеми факторами.

Идея метода Бокса-Уилсона проста: экспериментатору предлагается ставить последовательно небольшие серии опытов , в каждой из которых одновременно изменяются по определенным правилам все факторы. Серии организуются таким образом, чтобы после математической обработки предыдущей можно было выбрать условия проведения (т. е. спланировать) следующую серию. Так последовательно шаг за шагом достигается область оптимума . Применение ПЭ делает поведение экспериментатора целенаправленным и организованным, повышает производительность труда и надежность результатов.

ПЭ позволяет:

– сократить количество опытов;

– найти оптимум;

– получить количественные оценки влияния факторов;

– определить ошибки.

Планирование эксперимента (ПЭ) по ГОСТ 24026–80 – выбор плана эксперимента, удовлетворяющего заданным требованиям. Иначе, ПЭ – научная дисциплина, занимающаяся разработкой и изучением оптимальных программ проведения экспериментальных исследований.

План эксперимента – совокупность данных, определяющих количество, условия и порядок реализации опытов.

В ПЭ вводится понятие объекта исследования – системы, которая определенным образом реагирует на интересующее исследователя возмущение.

В проектировании ЭС объектом исследования может быть любое РЭУ (рисунок 42).

Рисунок 42 – Объект исследования

Объект исследования должен отвечать двум основным требованиям:

– воспроизводимость (повторяемость опытов);

– управляемость (условие проведения активного эксперимента заключающееся в возможности установки требуемых значений факторов и поддержании их на этом уровне).

Применение методов ПЭ для исследования РЭС основывается на том, что объект исследования (РЭС) можно представит кибернетической моделью – «черным ящиком» (см. рисунок 2), для которого может быть записана функция связи (см. формулу 1.1).

Для объекта исследования (усилителя на рисунке 42) формула 1.1 имеет вид:
,

где
,
,
,…,
.

В ПЭ функция связи или математическая модель объекта исследования – численные характеристики целей исследования (выходы «черного ящика»), выходные параметры РЭУ, параметры оптимизации.

Состояние «черного ящика» определяется набором факторов, переменных величин, влияющих на значение выходного параметра.

По ГОСТ 24026–80 фактор – переменная величина, по предположению влияющая на результат эксперимента.

Для применения методов ПЭ фактор должен быть:

– управляемым (выбрав нужное значение фактора, его можно установить и поддерживать постоянным в течение эксперимента);

– однозначным;

– независимым (не быть функцией другого фактора);

– совместимым в совокупности с другими факторами (т. е. все комбинации факторов осуществимы);

– количественным;

– точность установки (измерения) значения фактора должна быть высока.

Каждый фактор в проводимом эксперименте может принимать одно или несколько значений – уровни факторов. По ГОСТ 24026–80 уровень фактора – фиксированное значение фактора относительно начала отсчета. Может оказаться, что фактор способен принимать бесконечно много значений – непрерывный ряд. Практически принимается, что фактор имеет определенное количество дискретных уровней.

Фиксированный набор уровней факторов определяет одно из возможных состояний «черного ящика» – условия проведения одного опыта.

Если перебрать все возможные наборы уровней факторов, то получим полное множество различных состояний «черного ящика» – ,

где p – количество уровней,

n – количество факторов.

Если эксперимент проводится для 2-х факторов на 2-х уровнях варьирования, то имеем 2 2 = 4 состояния;

для 3-х факторов на 2-х уровнях – 2 3 = 8;

для 3-х факторов на 3-х уровнях – 3 3 = 27;

для 5-ти факторов на 5-ти уровнях – 5 5 = 3125 состояний «черного ящика» или опытов.

В ПЭ вводится понятие «факторное пространство». Факторным называется пространство , координатные оси которого соответствуют значениям факторов. Для «черного ящика» с двумя факторами x 1 , x 2 можно геометрически представить факторное пространство в виде рисунка 43. Здесь факторы изменяются (варьируются) на 2-х уровнях.

Для уменьшения количества опытов необходимо отказаться от экспериментов, которые содержат все возможные опыты. На вопрос: «Сколько опытов надо включить в эксперимент?» дают ответ методы ПЭ.

Известно, что минимальное количество опытов имеем при 2-х уровневом варьировании.

Итак, количество опытов 2 n .

Количество факторов n , участвующих в эксперименте, определяется с помощью отсеивающих экспериментов (однофакторного эксперимента, метода случайного баланса .

Рисунок 43 – Поверхность отклика

Так как каждому набору значений факторов соответствует некоторое (определенное) значение параметра выходного параметра y (параметра оптимизации), то имеем некоторую геометрическую поверхность отклика – геометрическое представление функции отклика.

Функция отклика – зависимость математического ожидания отклика от факторов.

Отклик – наблюдаемая случайная переменная, по предположению зависящая от факторов.

Математическое описание поверхности отклика (математическая модель) – уравнение, связывающее параметр оптимизации y с факторами (уравнение связи, функция отклика, формула 1.1). В ПЭ принимаются следующие предположения о функции отклика (поверхности отклика):

– поверхность отклика – гладкая, непрерывная функция,

– функция имеет единственный экстремум.

Планирование эксперимента как метод получения функции связи(вопр.27)

Итак, вопрос о минимизации количества опытов связан с выбором количества уровней варьирования факторов p . В ПЭ принимают p =2, при этом количество опытов N = 2 n .

При выборе подобласти для ПЭ проходят два этапа:

– выбор основного уровня фактора (x i 0);

– выбор интервала варьирования (λ i ).

Введем обозначения:

–
–натуральное значение основного уровня i - го фактора (базовое значение, базовый уровень),

i – номер фактора.

Пример, если R 1 = 10 кОм (см. рисунок 42), то
кОм,

для R 2 = 3кОм –
кОм и т.д.;

–
–натуральное значение верхнего уровня фактора, которое определяется по формуле x imax = x i 0 + λ i ,

где – натуральное значение интервала варьирования i - го фактора.

В примере (см. рисунок 42) принимается = 20 кОм, тогда

x 1 max = 120 кОМ;

–
–натуральное значение нижнего уровня фактора, которое определяется по формуле x imin = x i 0 - λ I , в нашем примере x 1 min = 80 кОм.

На величину интервала варьирования накладываются естественные ограничения:

– интервал варьирования должен быть не меньше ошибки измерения фактора;

– интервал варьирования должен быть на больше пределов области определения фактора .

Выбор интервала варьирования неформализуемый этап, на котором используется следующая априорная информация:

– высокая точность установки значений факторов;

– предположение о кривизне поверхности отклика;

– диапазон возможного изменения факторов.

Для РЭС принимают = (0,1,…,0,3) x i 0 .

В примере (см. рисунок 42) подсчитаем значения трех факторов при заданном базовом уровне (x i 0 ) и интервале варьирования ().

Таблица 3.1 – Значения факторов

В ПЭ используются не натуральные, а кодированные значения факторов.

Кодирование факторов (по ГОСТ 24026–80 – «нормализация факторов») проводится по формуле:

Тогда если x 1 = x 1 max , то имеем x i =+1, если x 1 = x 1 min , – x i = –1, x i – кодированное значение фактора.

В самом простом случае ПЭ позволяет получить математическое описание функции связи (математическую модель объекта исследования – РЭУ) в виде неполного квадратичного полинома:

.

При этом осуществляется варьирование на двух уровнях (p =2), и минимальное количество опытов равно N =2 n , где n – количество наиболее влияющих факторов, включенных в эксперимент после проведения отсеивающих экспериментов.

Эксперимент, в котором реализуются все возможные сочетания уровней факторов, называется полным факторным экспериментом (ПФЭ).

ПФЭ проводится по плану, который называется матрицей ПФЭ, или матрицей плана (таблицы 3.2 и 3.3).

Матрицей плана называют стандартную форму записи условий проведения экспериментов в виде прямоугольной таблицы, стоки которой отвечают опытам, столбцы – факторам.

Таблица 3.2 – Матрица ПФЭ для двух факторов

В матрице ПФЭ знак ”–” (минус) соответствует ”+1”, а ”+” (плюс) ”соответствует ”–1”.

В матрице ПФЭ для двух факторов (n = 2) (см. таблицу 3.2) количество уровней варьирования – p = 2, количество опытов N = 2 2 = 4.

Таблица 3.3 – Матрица ПФЭ для трех факторов

В матрице ПФЭ для трех факторов (n = 3) (см. таблицу 3.3) количество уровней варьирования – p = 2, количество опытов N = 2 3 = 8.

В соответствии с планом проводится ПФЭ. Для примера на рисунке 42 принимаем n =3 и реализуем матрицу ПФЭ по таблице 3.3. Для этого:

x 1 , x 2 ,… x n на уровни по первой строке матрицы (см. таблицу 3.3) (–1, –1,…,–1);

– измеряют первое значение выходного параметра y 1 ;

– устанавливают значения факторов x 1 , x 2 ,… x n на уровни по второй строке матрицы (см. таблицу 3.3) (+1, –1,…,–1);

– измеряют второе значение выходного параметра y 2 , и так далее до последнего опыта N (y n ).

Каждый эксперимент содержит элемент неопределенности в силу ограниченности экспериментального материала. Постановка повторных (параллельных) опытов может не дать совпадающих результатов из-за ошибки воспроизводимости.

Если предположить, что закон распределения случайной величины y j – нормальный, то можно найти ее среднее значение при повторных опытах (по каждой строке матрицы).

Статистическая проверка гипотез

I гипотеза – о воспроизводимости опыта.

Для проверки этой гипотезы проводят серию повторных (параллельных) опытов (дублирование опытов по каждой строке матрицы). Вычисляют среднее значение выходного параметра

,

где l – номер повторного опыта,

–количество повторных, (параллельных) опытов.

Можно вычислить дисперсию каждого - го опыта (по каждой строке матрицы):

.

Дисперсия эксперимента определяется в результате усреднения дисперсий всех опытов:

.

Формулу можно применять, если дисперсии однородны, т. е. нет дисперсий больше остальных.

Гипотеза о равенстве (однородности) дисперсий проверяется по G - критерию Кохрена:

.

По таблице для степеней свободы

,
находят
.

Если
, то гипотеза об однородности дисперсий верна, опыт воспроизводим. Следовательно дисперсии можно усреднять, можно оценить дисперсию эксперимента , но для определенного уровня значимостиq .

Уровень значимости q – вероятность совершения ошибки (отклонение верной гипотезы или принятие неверной гипотезы).

Опыт может быть невоспроизводим при:

– наличии неуправляемых, неконтролируемых факторов;

– дрейфе фактора (изменении во времени);

– корреляции факторов.

Вычислив коэффициенты модели по формулам

,

для
,

для (
), проверяютгипотезу II – значимости коэффициентов по t - критерию Стьюдента.

.

По таблице находим
для
– числа степеней свободы и уровня значимости q . Количество дублируемых опытов (k ) в общем случае равно N .

Если
, то коэффициенты модели значимы.

Если
, то коэффициенты модели незначимы, т.е.
.

Статистическая незначимость коэффициентов модели b i может быть обусловлена следующими причинами:

– уровень базового значения фактора x i 0 близок к точке частного экстремума по переменной x i ;

– интервал варьирования мал;

– фактор x i не влияет на выходной параметр y (ошибочно включен в эксперимент);

– велика ошибка эксперимента из-за наличия неуправляемых факторов.

Запишем модель только со значимыми коэффициентами:

III гипотеза – адекватности модели.

Проверяется гипотеза о равенстве (однородности) двух дисперсий. Подсчитывается дисперсия адекватности по формуле:

,

где d – количество значимых коэффициентов модели;

–рассчитанное по модели значение выходного параметра. Для вычисления x i и x ih соответствующие первой строке матрицы. Для вычисления подставляют в модель со значимыми коэффициентами значенияx i и x ih соответствующие второй строке матрицы и т. д.

Модель адекватна результатам эксперимента, если выполняется условие

.

–определяется по таблице для
,
и уровня значимостиq .

Модель неадекватна результатам эксперимента если:

– не подходит форма аппроксимирующего полинома;

– большой интервал варьирования;

– велика ошибка эксперимента из-за наличия неуправляемых факторов или не включены в эксперимент значимые факторы.

Планирование экстремальных экспериментов

Метод крутого восхождения

Объект исследования – РЭС: усилитель, генератор, источник питания.

В качестве примера принимаем усилитель (рисунок 42).

Процедура метода крутого восхождения(вопр.30)

1 С центром в исходной точке (базовой, нулевой)
проводим ПФЭ для этого:

а) определяем интервал варьирования по каждому фактору и вычисляем уровни варьирования факторов (см. таблица 3.1);

б) строим матрицу ПФЭ N =2 n (см. таблицу 3.3);

в) проводим ПФЭ и измеряем значения выходного параметра y j ;

г) проводим статистическую обработку результатов эксперимента (проверяем I гипотезу о воспроизводимости опыта);

д) вычисляем линейные коэффициенты модели b 0 , b 1 , b 2 , b 3 и записываем уравнение в виде линейного полинома .

Например

Проверяем значимость коэффициентов модели и адекватность модели.

2 Записываем градиент функции отклика:

Для приведенного примера: .

3 Поставим задачу нахождения
.

Вычисляем произведение
по каждому фактору, где
– относительная величина интервала варьирования (таблица 3.4).

Таблица 3.4 – Параметры для проведения метода крутого восхождения

4 Находим
и определяем базовыйi -й фактор с
.

В примере базовый фактор .

Для базового фактора принимаем шаг крутого восхождения
.

5 Вычисляем шаг крутого восхождения по остальным факторам по формуле

,

в числителе b i берется со своим знаком.

;

.

Округляем
.

Переведем относительную величину шага крутого восхождения в натуральное значение:

.

6 «Идем» в направлении максимума (экстремума) по градиенту.

Для этого нужно провести опыты в новых точках плана.

Сначала проводим «мысленные» опыты. «Мысленные» опыты заключаются в вычислении «предсказанных» значений выходного параметра
в определенных точках
факторного пространства.

Для этого:

а) подсчитываем значения факторов в «мысленных» опытах по формуле

,

где h = 1, 2, …, f –номер шага крутого восхождения (таблица 3.5);

Таблица 3.5 – «Шаги» крутого восхождения

б) кодируем значения факторов для «мысленных» опытов и заносим в таблицу 3.6:

;

;

;

;

;

;

;

;

;

;

Таблица 3.6 – Значения кодированных факторов

в) подставляя кодированные значения факторов в уравнение

,

вычисляем выходной параметр
(,не вычисляют, они есть в ПФЭ).

Подсчитываем , , для модели примера:

7 Сравниваем результаты «мысленных» опытов с результатами эксперимента.

Выбираем
, соответствующее (N + h ) «мысленному» опыту.

Проверяем на объекте исследования (усилителе)
(точку с параметрами
).

Принимаем условия (N + h )-го опыта за центр нового ПФЭ (базовая точка).

Например, для
= –
кОм;
кОм;
кОм.

8 Проводим ПФЭ и статистическую обработку результатов. Находим новую модель (с другими коэффициентами) и повторяем движение к оптимуму.

Так как каждый цикл приближает нас к оптимуму, нужно уменьшить шаг
, или 0,01.

Движение к оптимуму прекращают, когда все коэффициенты модели окажутся
.

Симплексный метод оптимизации(вопр.31)

Основной особенностью симплексного метода поиска экстремума является совмещение процессов изучения поверхности отклика и перемещения по ней. Это достигается тем, что эксперименты ставятся только в точках факторного пространства, соответствующих вершинам симплекса.

В основу плана положен не гиперкуб, используемый для ПФЭ, а симплекс – простейшая геометрическая фигура, при заданном количестве факторов.

Что такое симплекс?

n -мерный симплекс – это выпуклая фигура, образованная (n + 1)-й точками (вершинами), не принадлежащими одновременно ни одному (n – 1)-мерному подпространству n -мерного пространства (X n ).

Для двух факторов x 1 и x 2 (n =2) двумерный симплекс имеет вид треугольника на плоскости (рисунок 44).

Рисунок 44 – Двумерный симплекс с тремя вершинами

Для трех факторов x 1 , x 2 и x 3 (n =3) трехмерный симплекс имеет вид треугольной пирамиды (рисунок 45).

Рисунок 45 – Трехмерный симплекс с четырьмя вершинами

Для одного фактора x 1 (n =1) одномерный симплекс имеет вид отрезка на прямой (рисунок 46).

Рисунок 46 – Одномерный симплекс с двумя вершинами

Использование симплекса основано на его свойстве, которое заключается в том, что отбросив одну из вершин с худшим результатом и используя оставшуюся грань, можно получить новый симплекс, добавив одну точку, зеркальную относительно отброшенной. В вершинах симплекса ставят эксперимент, затем точку с минимальным значением выходного параметра (y j ) отбрасывают и строят новый симплекс с новой вершиной – зеркальным отображением отброшенной. Формируется цепочка симплексов, перемещающихся по поверхности отклика в область экстремума (рисунок 47).

Рисунок 47– Движение к оптимуму по поверхности отклика

Для упрощения вычислений принимают условие, что все ребра симплекса равны.

Если одну из вершин симплекса поместить в начало координат, а остальные расположить так, чтобы ребра, выходящие из этой вершины образовывали одинаковые углы с соответствующими осями координат (рисунок 48), то координаты вершин симплекса могут быть представлены матрицей.

Рисунок 48 – Двумерный симплекс с вершиной в начале координат

Матрица координат вершин многомерного симплекса

Если расстояние между вершинами равно 1, то

;

.

Процедура последовательного симплекса

1 Пусть нужно найти
,

2 Задается шаг варьирования по каждому фактору x i . Пример в таблице 3.7.

Таблица 3.7– Значения факторов для первоначального симплекса

3 Задается размер симплекса (расстояние между вершинами)
регулярный симплекс.

4 Обозначаются вершины симплекса С j , где j – номер вершины. В примере j =4.

5 Производится ориентация первоначального симплекса. Для этого одну из вершин начального симплекса (С j 0 ) помещают в начало координат. А именно, за нулевую точку начального симплекса принимают номинальные значения факторов.

Строится матрица координат вершин симплекса с первой вершиной в начале координат и значения координат вершин заносятся в таблицу (таблица 3.8).

Таблица 3.8 – Координаты вершин симплекса

Вычисляют координаты остальных вершин начального симплекса (С j 0 ):

Результаты вычислений заносят в таблицу (таблица 3.9).

Таблица 3.9 – Координаты вершин и результаты эксперимента

Значения координат вершин вычисляются по формулам. Для примера n =3 имеем:

;
;
;

;
;
;

;
;
.

6 Реализуется эксперимент в вершинах симплекса.

Для этого устанавливают значения факторов, соответствующие первой вершине начального симплекса С 10 , и измеряют значения выходного параметра у 1 . Устанавливают значения факторов, соответствующие второй вершине С 20 , и измеряют у 2 .

Рассчитанные для примера значения факторов, соответствующие координатам вершин, приводятся в таблице 3.10.

Таблица 3.10 – Значения факторов в вершинах симплекса

Расчет координат вершин для n =3:

,

С 20 х 12 = 10+0,95∙2=11,9 кОм;

х 22 = 3,0+0,24∙0,6=3,144 кОм;

х 32 = 100+0,24∙20=104,8 кОм;

С 30 х 13 = 10+0,24∙2=10,48 кОм;

х 23 = 3,0+0,95∙0,6=3,57 кОм;

х 33 = 100+0,24∙20=104,8 кОм;

С 40 х 14 = 10+0,24∙2=10,48 кОм;

х 24 = 3,0+0,24∙0,6=3,144 кОм;

х 34 = 100+0,95∙20=119 кОм.

7 Сравнивают значения выходного параметра и отбрасывают вершину, соответствующую минимальному значению y .

8 Вычисляют координаты новой вершины зеркального отображения наихудшей точки («звездной точки») по формуле

где – обозначение координатыj -ой вершины (точки), i =1,2,…,n – номер фактора, j =1,2,…, (n +1) – номер вершины симплекса.

В примере
В – минимальное значение, следовательно, зеркальная точка будет
. Для нее координаты вершины вычисляются как:

9 Проводят эксперимент в новой вершине С 3 * нового симплекса (С 10 , С 20 , С 3 *, С y 3 *.

10 Сравнивают значения выходного параметра нового симплекса (y 1 , y 2 , y 3 *, у 4) и отбрасывают вершины с минимальным y (например y 1 =5В). Строим новый симплекс с новой вершиной С 1 *.

Для этого вычисляют координаты вершины:

Снова проводят эксперимент в новой вершине С * 1 нового симплекса (С 1 *, С 20 , С 3 *, С 40) и измеряют значение выходного параметра y 1 *.

Сравниваем точки с выходными параметрами y 1 *=5, y 2 =6, y 3 * =9, y 4 =8. Отбрасываем вершину с минимальным y 1 *=5. И снова определяем новую «звездную точку».

Движение к оптимуму прекращают, если симплекс начинает вращение, т.е. одна и та же вершина встречается более чем в (n +1) последовательных симплексах.

11 В завершение проводят ПФЭ и статистическую обработку результатов. Находят модель. Движение к оптимуму прекращают, когда все коэффициенты модели окажутся
.

Техническое задание (ТЗ , техзадание )(вопр.8) - исходный документ для проектирования сооружения или промышленного комплекса, конструирования технического устройства (прибора, машины, системы управления и т. д.), разработки информационных систем, стандартов либо проведения научно-исследовательских работ (НИР).

ТЗ содержит основные технические требования, предъявляемые к сооружению, изделию или услуге и исходные данные для разработки; в ТЗ указываются назначение объекта, область его применения, стадии разработки конструкторской (проектной, технологической, программной и т.п.) документации, её состав, сроки исполнения и т. д., а также особые требования, обусловленные спецификой самого объекта либо условиями его эксплуатации. Как правило, ТЗ составляют на основе анализа результатов предварительных исследований, расчётов и моделирования.

Как инструмент коммуникации в связке общения заказчик-исполнитель, техническое задание позволяет:

обеим сторонам

• представить готовый продукт

  выполнить попунктную проверку готового продукта (приёмочное тестирование - проведение испытаний )

  уменьшить число ошибок, связанных с изменением требований в результате их неполноты или ошибочности (на всех стадиях и этапах создания, за исключением испытаний )

заказчику

• осознать, что именно ему нужно

  требовать от исполнителя соответствия продукта всем условиям, оговорённым в ТЗ

исполнителю

• понять суть задачи, показать заказчику «технический облик» будущего изделия, программного изделия или автоматизированной системы

  спланировать выполнение проекта и работать по намеченному плану

  отказаться от выполнения работ, не указанных в ТЗ

Техническое задание - исходный документ определяющий порядок и условия проведения работ по Договору, содержащий цель, задачи, принципы выполнения, ожидаемые результаты и сроки выполнения работ.

Техническое задание является основополагающим документом всего проекта и всех взамоотношений заказчика и разработчика. Корректное ТЗ, написанное и согласованное между всеми заинтересованными и ответсвенными лицами является залогом успешной реализации проекта.

Вопр 9.

Обязательность выполнения стадий и этапов разработки конструкторской документации устанавливается техническим заданием на разработку.

Примечания: 1. Стадия «Техническое предложение» не распространяется на конструкторскую документацию изделий разрабатываемых по заказу Министерства обороны. 2. Необходимость разработки документации для изготовления и испытания макетов устанавливается разработчиком. 3. Конструкторская документация для изготовления макетов разрабатывается с целью: проверки принципов работы изделия или его составных частей на стадии эскизного проекта; проверки основных конструкторских решений разрабатываемого изделия или его составных частей на стадии технического проекта; предварительной проверки целесообразности изменения отдельных частей изготовляемого изделия до внесения эти изменений в рабочие конструкторские документы опытного образца (опытной партии). 4. Под разовым изготовлением понимается единовременное изготовление одного или более экземпляров изделия, дальнейшее производство которого не предусматривается.

2. Рабочим конструкторским документам изделия единичного производства, предназначенные для разового изготовления, присваивают литеру «И» при их разработке, которой может предшествовать выполнение отдельных стадий разработки (техническое предложение, эскизный проект технический проект) и соответственно этапов работ, указанных в таблице.

1, 2. (Измененная редакция, Изм. № 1).

3. (Исключен, Изм. № 1).

4. Техническое предложение - совокупность конструкторских документов, которые должны содержать технические и технико-экономические обоснования целесообразности разработки документации изделия на основании анализа технического задания заказчика и различных вариантов возможных решений изделий, сравнительной оценки решений с учетом конструктивных и эксплуатационных особенностей разрабатываемого и существующих изделий и патентные исследования.

Техническое предложение после согласования и утверждения в установленном порядке является основанием для разработки эскизного (технического) проекта. Объем работ - по ГОСТ 2.118-73.

5. Эскизный проект - совокупность конструкторских документов, которые должны содержать принципиальные конструктивные решения, дающие общее представление об устройстве и принципе работы изделия, а также данные, определяющие назначение, основные параметры и габаритны размеры разрабатываемого изделия.

Эскизный проект после согласования и утверждения в установленном порядке служит основанием для разработки технического проекта или рабочей конструкторской документации. Объем работ - по ГОСТ 2.119-73.

6. Технический проект - совокупность конструкторских документов, которые должны содержать окончательные технические решения, дающие полное представление об устройстве разрабатываемого изделия, и исходные данные для разработки рабочей документации.

Технический проект после согласования и утверждения в установленном порядке служит основанием для разработки рабочей конструкторской документации. Объем работ - по ГОСТ 2.120-73. 7. Ранее разработанные конструкторские документы применяют при разработке новых или модернизации изготовляемых изделий в следующих случаях:

а) в проектной документации (техническом предложении, эскизном и техническом проектах) и рабочей документации опытного образца (опытной партии) - независимо от литерности применяемых документов;

б) в конструкторской документации с литерами «О 1 « («О 2 «), «А» и «Б», если литерность применяемого документа та же или высшая.

Литерность полного комплекта конструкторской документации определяется низшей из литер, указанных в документах, входящих в комплект, кроме документов покупных изделий.

(Измененная редакция, Изм. № 1).

8. Конструкторские документы, держателями подлинников которых являются другие предприятия, могут применяться только при наличии учтенных копий или дубликатов.

Системный подход(вопр.10) - это направление исследования объекта с разных сторон, комплексно, в отличие от ранее применявшихся (физических, структурных и т.д.). При системном подходе в рамках моделирования систем необходимо прежде всего четко определить цель моделирования. Необходимо помнить, что невозможно полностью смоделировать реально функционирующую систему (систему-оригинал), а необходимо создать модель (систему-модель) под поставленную проблему при решении конкретной задачи. В конечном итоге моделирование должно адекватно отражать реальные процессы поведения исследуемых систем. Одной из целей моделирования является ее познавательная направленность. Выполнению этой цели способствует правильный отбор в создаваемую модель элементов системы, структуры и связей между ними, критерия оценки адекватности модели. При таком подходе упрощается классификация реальных систем и их моделей.

Таким образом, в целом системный подход предполагает следующие этапы решения проблемы:

Изучение предметной области (качественный анализ).

Выявление и формулирование проблемы.

Математическая (количественная) постановка проблемы.

Натурное и/или математическое моделирование исследуемых объектов и процессов.

Статистическая обработка результатов моделирования.

Поиск и оценка альтернативных решений.

Формулирование выводов и предложений по решению проблемы.

Вопр.17 Требования к конструкциям ЭС и показатели их качества При решении задач конструирования заказных БИС и кристаллов СВЧ ИС решаются задачи операции входного контроля исходных данных, покрытия, компоновки, взаимного расположения компонентов при минимуме числа пересечений, трассировки, контроля топологии, изготовления рисунков фотошаблонов и их оригиналов. Главное, что надо отметить, это то, что радиоинженер-конструктор-технолог является пользователем средств вычислительной техники, а не их разработчиком и программистом, поэтому ему нужны основы этих знаний, чтобы грамотно решать свои задачи по автоматизированному конструированию. К основным требованиям, предъявляемым к конструкциям ЭС относятся высокое качество энергоинформационных (электрических) показателей, надежность, прочность, жесткость, технологичность, экономичность и серийноспособность конструкции при малой материалоемкости и потребляемой мощности. Конструкции, отвечающие этим требованиям, должны обладать минимальными массой m, объемом V, потребляемой мощностью Р, частотой отказов l, стоимостью С и сроком разработки Т, должны быть вибро- и ударопрочны, работать в нормальном тепловом режиме и иметь достаточно высокий для производства процент выхода годных изделий. Показатели, характеризующие эти качества, могут быть разбиты на следующие группы: абсолютные (в абсолютных единицах), комплексный (безразмерный, обобщенный), удельные (в удельных величинах) и относительные (безразмерные, нормированные). К абсолютным показателям относят массу конструкции, ее объем, потребляемую мощность, частоту отказов, стоимость и срок разработки. Иногда эту группу показателей называют материальными (М) показателями, отвечающими на вопрос, из чего и как сделано устройство. Группу же энергоинформационных параметров в этих случаях называют функциональными (Ф) показателями, которые отвечают на вопрос для чего и что может делать устройство. Из этих двух групп могут быть получены более общие показатели качества такие, как комплексный показатель и удельные показатели качества. Комплексный показатель качества представляет собой сумму нормированный частных материальных показателей со своими "весовыми" коэффициентами, как коэффициентами значимости этого параметра на суммарное качество конструкции: К=j m m o +j V V o +j l l o +j P P o +j C C o +j T T o , (1) где m o , V o , l o , P o , C o , T o – нормированные значения материальных параметров относительно заданных по техническому заданию либо отношения этих материальных параметров для разных сравнительных вариантов конструкции, j m , j V , j l , j P , j C , j T – коэффициенты значимости частных материальных параметров, определяемые методом экспертных оценок, обычно их значение выбирают в пределах от 0 до 1. Выражение (1) показывает, что чем меньше каждый из материальных параметров, тем выше качество конструкции при одних и тех же функциональных параметрах. Коэффициенты значимости определяются группой экспертов (желательно в количестве не менее 30 человек), которые в зависимости от назначения и объекта установки РЭС присваивают каждый то или иное значение коэффициента значимости параметрам. Далее их результаты оценки суммируются, определяются средние значения и среднеквадратичные этих коэффициентов, находятся допустимые поля отклонений и по ним устраняют "промахи" экспертов, которые исключают из общей суммы и далее повторяют те же операции обработки данных. В результате получают средние, "достоверные" значения этих коэффициентов, и тем самым и само уравнение для расчетов. К удельным показателям качества конструкции относят удельные коэффициенты конструкций: плотность упаковки элементов на площади или в объеме, удельную мощность рассеивания на площади или в объеме (теплонапряженность конструкции), удельную массу (плотность) конструкции, величину истечения газа из объема конструкции (степень герметичности), Удельные коэффициенты оценивают прогресс развития новых конструкций по сравнению с предыдущими аналогами и прототипами. Они выражаются как k=М/Ф и для каждого из типов радиоустройств или болков имеют конкретное выражение размерности величин. Так для антенных устройств, если для них в качестве основного параметра взять массу, удельный коэффициент k А =m/G [кг/ед.усиления], где G – коэффициент усиления антенны; для передающих устройств k пер =m/Р вых [кг/Вт], где Р вых – выходная мощность передатчика. Поскольку передающие устройства характеризуются большим количеством функциональных параметров (коэффициентом усиления, коэффициентом шума, полосой пропускания, выходной мощностью и др.), то функциональная сложность и качество выполняемых функций для микросборочных конструктивов может быть оценено количеством разработанных микросборок (n МСБ), тогда k пер =m/ n МСБ [кг/МСБ]. Аналогично можно рассчитать удельные коэффициенты и по отношению к другим материальным параметрам и получить для сравнения аналогов их величины, выраженные в [см 3 /ед.усиления], [см 3 /Вт], [см 3 /МСБ], [руб/ед.усиления],[руб/Вт], [руб/МСБ] и т.п. Такие оценки наиболее наглядны и не требуют доказательств, что лучше а что хуже без всяких эмоций. Плотность упаковки элементов на площади или в объеме оценивается следующими выражениями g S =N/S и g V =N/V, где N – количество элементов, S и V – занимаемые ими площадь или объем соответственно. Количество элементов определяется какN=N ИС *n э +n ЭРЭ, где N ИС – количество ИС в устройстве, n э – количество элементов в одной ИС (кристалле или в корпусе), n ЭРЭ – количество навесных электрорадиоэлементов в конструкции ячейки, блока, стойки. Плотность упаковки является главным показателем уровня интеграции конструктивов того или иного уровня. Так если для полупроводниковых ИС с объемом кристалла в 1 мм 3 и количеством элементов в нем равным 40 единиц, g ИС =40*10 3 эл/см 3 , то на уровне блока цифровых РЭС g б =40 эл/см 3 . Происходит это за счет того, что кристаллы корпусируются, далее корпусированные ИС рзмещаются на плате с известным зазором и при компоновке ФЯ в блок опять-таки появляются дополнительные зазоры между пакетом ФЯ и внутренними стенками корпуса. Да и сам корпус имеет объем (объем стенок и лицевой панели), в котором нет полезных (схемных) элементов. Иначе говоря, при переходе с одного уровня компоновки на другой происходит потеря (дезинтеграция) полезного объема. Как будет сказано ниже, коэффициент дезинтеграции определяется отношение суммарного объема к полезному объему. Для блока цифрового типа он выражается какq V =V б /N ИС *V ИС, где V ИС – объем одной микросхемы (либо бескорпусной, либо корпусированной в зависимости от метода конструирования). Учтя это выражение, можно записать, что g б = (N ИС *n э)/(q V * N ИС *V ИС) =g ИС / q V , (2) где g ИС =n э / V ИС – плотность упаковки элементов в ИС. Как показано выше, в бескорпусных ИС цифрового типа малой степени интеграции эта величина составляет 40 тыс.эл./см 3 . При установке бескорпусных ИС в корпус, например IV типа, происходит увеличение объема примерно в 200 раз, а при установке корпусированных ИС на плату и далее компоновке их в объеме корпуса еще в 5 раз, т.е. суммарный коэффициент дезинтеграции составляет уже 10 3 , при этом и получается g б =40 эл/см 3 , что характерно для блоков III поколения РЭС цифрового типа. Из выражения (2) следует, что конструирование цифровых устройств высокой интеграции требует от разработчика не только применения БИС и СБИС, но и достаточно компактной компоновки. Для конструкций аналоговых ЭС, где не наблюдается четко выраженных регулярных структур активных элементов, где их число становится соизмеримым или даже меньшим, чем число пассивных навесных ЭРЭ (обычно одну аналоговую ИС "обрамляют" до 10 пассивных элементов: конденсаторов вместе с катушками и фильтрами), коэффициенты дезинтеграции объема еще более возрастает (в 3…4 раза). Из этого следует, что сравнивать конструктивы разного уровня иерархии и различных по назначению и принципу действия нельзя, т.е. этот показатель качества для всех ЭС не является универсальным. К тому же добавим, что если в одной компактной конструкции применили ИС малой степени интеграции (до 100 элементов на корпус), а в другой – плохо скомпоноввнной, но на БИС, то может оказаться по этому показателю, что вторая конструкция лучше, хотя явно видно, что она хуже. Поэтому в случае применения элементной базы разной степени интеграции сравнение конструкций по плотности компоновки неправомерно. Таким образом, плотность упаковки элементов в объеме конструктива является действительной оценкой качества конструкции, но пользоваться этим критерием для сравнения надо грамотно и объективно. Удельная мощность рассеивания определяет тепловую напряженность в объеме конструктива и рассчитывается как Р уд.расс =Р расс /V, где Р расс @(0,8…0,9)Р для цифровых регулярных структур. В аналоговых, в особенности в приемоусилительных ячейках и блоках, мощности рассеивания и теплонапряженности невелики и тепловой режим обычно бывает нормальным и с большим запасом по этому параметру. В устройствах цифрового типа это, как правило, не наблюдается. Чем выше требования на быстродействие вычислительных средств, тем больше величина потребляемой мощности, тем выше теплонапряженность. Для РЭС на бескорпусных МСБ эта проблема еще более усугубляется, так как объем при переходе от III к IV поколению уменьшается, как было отмечено выше, в 5…6 раз. Поэтому в конструкциях блоков цифрового типа на бескорпусных МСБ обязательным является наличие мощных теплоотводов (металлических рамок, медных печатных шин и т.п.) В некоторых случаях в бортовых РЭС применяют и системы охлаждения, выбор типа которых проводится по критерию удельной мощности рассеивания с поверхности блока (Р¢ уд.расс =Р расс /S, Вт/см 2). Для блоков цифрового типа III поколения допускаемая тепловая напряженность составляет 20…30 Вт/дм 3 в условиях естественной конвекции и при перегреве корпуса относительно среды не более, чем 40 О С, а для блоков IV поколения порядка 40 Вт/дм 3 и более. Удельная масса конструкции выражается как m¢=m/V. Этот параметр ранее считался за главный критерий оценки качества аппаратуры и далее было условное деление конструкций на "тонущую РЭА" (m¢>1 г/см 3) и "плавающую РЭА" (m¢<1 г/см 3). Если конструкция была тонущая, то считали, что она компактна и хорошо скомпонована (мало воздуха и пустот в корпусе). Однако с появление IV поколения конструкций РЭС, где преобладающей долей массы являлись металлические рамки и с более толстыми стенками корпус (для обеспечения требуемой жесткости корпуса при накачке внутрь его азота), даже плохо скомпонованные ячейки оказывались тонущими. И чем больше и впустую расходовался металл, тем более возрастал этот показатель, переставший отражать качество компоновки и конструкции в целом. Поэтому для сравнения качества конструкций по этому критерию отказались, но он оказался полезным для решения другой задачи, а именно, распределение ресурса масс в конструктивах. Величина истечения газа из объема конструкции оценивает степень ее герметичности и определяется как D=V г *р/t , (3) где V г - объем газа в блоке, дм 3 ; р – величина перепада внутреннего и внешнего давления (избыточного давления) в блоке, Па (1 Па=7,5 мкм рт.ст.); t - срок службы или хранения, с. Для блоков с объемом V г =0,15…0,2 дм 3 в ответственных случаях при выдержке нормального давления к концу срока службы (8 лет) требуется D=6,65*10 -6 дм 3 *Па/с (или 5,5*10 -5 дм 3 *мкм рт.ст/с), в менее ответственных случаях полная вакуумная герметизация не обеспечивается и степень герметичности может быть уменьшена до значения 10 -3 дм 3 *мкм.рт.ст/с. В группе относительных показателей находятся коэффициенты дезинтеграции объема и массы, показатель функционального расчленения, величина перегрузки конструкции при вибрациях и ударах, а также многие параметры технологичности конструкции такие, как коэффициенты унификации и стандартизации, коэффициент повторяемости материалов и изделий электронной техники, коэффициент автоматизации и механизации и др. Последние достаточно хорошо известны из технологических дисциплин, поэтому повторять их содержание и влияние на качество конструкции не станем. Как уже отмечалось выше при рассмотрении плотности упаковки, в конструкциях РЭС разного уровня компоновки присутствуют потери полезного объема, а следовательно, и масс при корпусировании ИС, компоновке их в ячейки и далее в блоки, стойки. Уровень их может быть весьма значительным (в десятки и сотни раз). Оценки этих потерь (дезинтеграции) объемов и масс проводится с помощью коэффициентов дезинтеграции q V и q m соответственно, выражаемые как отношение суммарного объема (массы) конструктива к его полезному объему (массе), или q V =V/V N , q m =m/m N , (4) где V N =SV с.э., m N =Sm с.э. – полезный объем и масса схемных элементов. При переходе с одного уровня компоновки на более высший уровень коэффициенты дезинтеграции объема (или массы) q V(m) показывают, во сколько раз увеличиваются суммарные объем (или масса) комплектующих изделий к следующей конкретной форме их компоновки, например при переходе от нулевого уровня – корпусированных микросхем к первому – функциональной ячейке имеемq V(m) =V(m) ФЯ /SV(m) ИС, при переходе от уровня ячейки к блоку q V(m) = V(m) б /SV(m) ФЯ и т.д., где V(m) ИС, V(m) ФЯ, V(m) б – соответственно объемы (или массы) микросхемы, ячейки, блока. Как и в случае критерия плотности упаковки заметим, что коэффициенты дезинтеграции реально отражают качество конструкции, в частности ее компактность, но и они не могут быть использованы для сравнения конструктивов, если они относятся к разным поколениям, разным уровням конструктивной иерархии или ЭС различного назначения и принципа действия. Анализ существующих наиболее типовых и компактных конструктивов различных поколений и различного назначения позволил получить средние значения их коэффициентов дезинтеграции объема и массы (табл. 1). там же приведены значения удельной массы конструктивов. Показатель функционального разукрупнения конструкции представляет собой отношение количества элементов N в конструктиве к количеству выводов М из него, или ПФР=N/M. Например для цифровой бескорпусной МСБ, содержащей 12 бескорпусных ИС с 40 элементами в каждом кристалле (N=40*12=480 элементов) и 16 выходными площадками, имеем ПФР=480/16=30. Чем выше ПФР, тем ближе конструкция к конструктиву высокой интеграции, тем меньше монтажных соединений между ними, тем выше надежность и меньше масса и габариты. Наибольшее число функций и элементов монтажа "вбирают" в себя БИС¢ы и СБИС¢ы. Однако и у них есть предел степени интеграции, оговариваемый именно количеством допустимых выводов от активной площади кристалла к периферийным контактным площадкам. Наконец, величина перегрузки n действующих на конструкцию вибраций или ударов оценивается как отношение возникающего от их действия ускорения масс элементов конструкции к ускорению свободного падения, или n=a/g, где а – величина ускорения при вибрации (или ударе). Вибро- и ударопрочность конструкции определяются значениями величин допускаемых перегрузок при вибрациях и ударах, которые может выдержать конструкция без разрушения своих связей между элементами. Для того, чтобы эти свойства были обеспечены, необходимо, чтобы реально возникающие в тех или иных условиях эксплуатации перегрузки не превышали предельно допустимых для конкретной конструкции.

Вопр.26

Планирование эксперимента – выбор плана эксперимента, удовлетворяющего заданным требованиям, совокупность действий направленных на разработку стратегии экспериментирования (от получения априорной информации до получения работоспособной математической модели или определения оптимальных условий). Это целенаправленное управление экспериментом, реализуемое в условиях неполного знания механизма изучаемого явления.

В процессе измерений, последующей обработки данных, а также формализации результатов в виде математической модели, возникают погрешности и теряется часть информации, содержащейся в исходных данных. Применение методов планирования эксперимента позволяет определить погрешность математической модели и судить о ее адекватности. Если точность модели оказывается недостаточной, то применение методов планирования эксперимента позволяет модернизировать математическую модель с проведением дополнительных опытов без потери предыдущей информации и с минимальными затратами.

Цель планирования эксперимента – нахождение таких условий и правил проведения опытов при которых удается получить надежную и достоверную информацию об объекте с наименьшей затратой труда, а также представить эту информацию в компактной и удобной форме с количественной оценкой точности.

Пусть интересующее нас свойство (Y) объекта зависит от нескольких (n) независимых переменных (Х1, Х2, …, Хn) и мы хотим выяснить характер этой зависимости - Y=F(Х1, Х2, …, Хn), о которой мы имеем лишь общее представление. Величина Y – называется “отклик”, а сама зависимость Y=F(Х1,Х2, …, Хn) – “функция отклика”.

Отклик должен быть определен количественно. Однако могут встречаться и качественные признаки Y. В этом случае возможно применение рангового подхода. Пример рангового подхода - оценка на экзамене, когда одним числом оценивается сложный комплекс полученных сведений о знаниях студента.

Независимые переменные Х1, Х2, …, Хn – иначе факторы, также должны иметь количественную оценку. Если используются качественные факторы, то каждому их уровню должно быть присвоено какое-либо число. Важно выбирать в качестве факторов лишь независимые переменные, т.е. только те которые можно изменять, не затрагивая другие факторы. Факторы должны быть однозначными. Для построения эффективной математической модели целесообразно провести предварительный анализ значимости факторов (степени влияния на функцию), их ранжирование и исключить малозначащие факторы.

Диапазоны изменения факторов задают область определения Y. Если принять, что каждому фактору соответствует координатная ось, то полученное пространство называется факторным пространством. При n=2 область определения Y представляется собой прямоугольник, при n=3 – куб, при n >3 - гиперкуб.

При выборе диапазонов изменения факторов нужно учитывать их совместимость, т.е. контролировать, чтобы в этих диапазонах любые сочетания факторов были бы реализуемы в опытах и не приводили бы к абсурду. Для каждого из факторов указывают граничные значения

, i=1,... n.

Регрессионный анализ функции отклика предназначен для получения ее математической модели в виде уравнения регрессии

где В1, …, Вm – некоторые коэффициенты; е – погрешность.

Среди основных методов планирования, применяемых на разных этапах исследования, используют:

планирование отсеивающего эксперимента, основное значение которого выделение из всей совокупности факторов группы существенных факторов, подлежащих дальнейшему детальному изучению;

планирование эксперимента для дисперсионного анализа, т.е. составление планов для объектов с качественными факторами;

планирование регрессионного эксперимента, позволяющего получать регрессионные модели (полиномиальные и иные);

планирование экстремального эксперимента, в котором главная задача – экспериментальная оптимизация объекта исследования;

планирование при изучении динамических процессов и т.д.

Инициатором применения планирования эксперимента является Рональд А. Фишер, другой автор известных первых работ – Френк Йетс. Далее идеи планирования эксперимента формировались в трудах Дж. Бокса, Дж. Кифера. В нашей стране - в трудах Г.К. Круга, Е.В. Маркова и др.

В настоящее время методы планирования эксперимента заложены в специализированных пакетах, широко представленных на рынке программных продуктов, например: StatGrapfics, Statistica, SPSS, SYSTAT и др.

Вопр.18 Полный факторный эксперимент предполагает возможность управлять объектом по одному или нескольким независимым каналам (см. рис.1.5,в).

В общем случае, схема эксперимента может быть представлена в виде, представленном на рис.1.5, в. В схеме используются следующие группы параметров:

1. управляющие (входные )

2. параметры состояния (выходные )

3. возмущающие воздействия ()

При многофакторном и полном факторном эксперименте выходных параметров может быть несколько. Пример такого пассивного многофакторного эксперимента будет рассмотрен в шестой главе настоящей книги.

Управляющие параметры представляют собой независимые переменные, которые можно изменять для управления выходными параметрами. Управляющие параметры называют факторами . Если (один управляющий параметр), то эксперимент однофакторный. Многофакторный эксперимент соответствует конечному числу управляющих параметров. Полный факторный эксперимент соответствует наличию возмущающих воздействий в многофакторном эксперименте.

Диапазон изменения факторов или число значений, которое они могут принимать называется уровнем фактора .

Полный факторный эксперимент характеризуется тем, что при фиксированных возмущающих воздействиях минимальное число уровней каждого фактора равно двум. В этом случае, зафиксировав все факторы кроме одного, необходимо провести два измерения, соответствующих двум уровням этого фактора. Последовательно осуществляя такую процедуру для каждого из факторов , получим необходимое число опытов в полном факторном эксперименте для реализации всех возможных сочетаний уровней факторов , где - число факторов.

1. История возникновения планирования эксперимента

Планирование эксперимента – продукт нашего времени, однако истоки его теряются в глубине веков.

Истоки планирования эксперимента уходят в глубокую древность и связаны с числовой мистикой, пророчествами и суевериями.

Это собственно не планирование физического эксперимента, а планирование числового эксперимента, т.е. расположение чисел так, чтобы выполнялись некоторые строгие условия, например, на равенство сумм по строкам, столбцам и диагоналям квадратной таблицы, клеточки которой заполнены числами натурального ряда.

Такие условия выполняются в магических квадратах, которым, по-видимому, принадлежит первенство в планировании эксперимента.

Согласно одной легенде примерно в 2200 г. до н.э. китайский император Ю выполнял мистические вычисления с помощью магического квадрата, который был изображен на панцире божественной черепахи.

Квадрат императора Ю

Клетки этого квадрата заполнены числами от 1 до 9, и суммы чисел по строкам, столбцам и главным диагоналям равны 15.

В 1514 г. немецкий художник Альбрехт Дюрер изобразил магический квадрат в правом углу своей знаменитой гравюры-аллегории «Меланхолия». Два числа в нижнем горизонтальном ряду A5 и 14) составляют год создания гравюры. В этом состояло своеобразное «приложение» магического квадрата.

Квадрат Дюрера

В течение нескольких веков построение магических квадратов занимало умы индийских, арабских, немецких, французских математиков.

В настоящее время магические квадраты используются при планировании эксперимента в условиях линейного дрейфа, при планировании экономических расчетов и составлении рационов питания, в теории кодирования и т.д.

Построение магических квадратов является задачей комбинаторного анализа, основы которого в его современном понимании заложены Г. Лейбницем. Он не только рассмотрел и решил основные комбинаторные задачи, но и указал на большое практическое применение комбинаторного анализа: к кодированию и декодированию, к играм и статистике, к логике изобретений и логике геометрии, к военному искусству, грамматике, медицине, юриспруденции, технологии и к комбинации наблюдений. Последняя область применения наиболее близка к планированию эксперимента.

Одной из комбинаторных задач, имеющей прямое отношение к планированию эксперимента, занимался известный петербургский математик Л. Эйлер. В 1779 г. он предложил задачу о 36 офицерах как некоторый математический курьез.

Он поставил вопрос, можно ли выбрать 36 офицеров 6 рангов из 6 полков по одному офицеру каждого ранга от каждого полка и расположить их в каре так, чтобы в каждом ряду и в каждой шеренге было бы по одному офицеру каждого ранга и по одному от каждого полка. Задача эквивалентна построению парных ортогональных 6x6 квадратов. Оказалось, что эту задачу решить невозможно. Эйлер высказал предположение, что не существует пары ортогональных квадратов порядка п=1 (mod 4).

Задачей Эйлера, в частности, и латинскими квадратами вообще занимались впоследствии многие математики, однако почти никто из них не задумывался над практическим применением латинских квадратов.

В настоящее время латинские квадраты являются одним из наиболее популярных способов ограничения на рандомизацию при наличии источников неоднородностей дискретного типа в планировании эксперимента. Группировка элементов латинского квадрата, благодаря своим свойствам (каждый элемент появляется один и только один раз в каждой строке и в каждом столбце квадрата), позволяет защитить главные эффекты от влияния источника неоднородностей. Широко используются латинские квадраты и как средство сокращения перебора в комбинаторных задачах.

Возникновение современных статистических методов планирования эксперимента связано с именем Р. Фишера.

С 1918 г. он начал свою известную серию работ на Рочемстедской агробиологической станции в Англии. В 1935 г. появилась его монография «Design of Experiments», давшая название всему направлению.

Среди методов планирования первым был дисперсионный анализ (кстати, Фишеру принадлежит и термин «дисперсия»). Фишер создал основы этого метода, описав полные классификации дисперсионного анализа (однофакторный и многофакторный эксперименты) и неполные классификации дисперсионного анализа без ограничения и с ограничением на рандомизацию. При этом он широко использовал латинские квадраты и блок-схемы. Вместе с Ф. Йетсом он описал их статистические свойства. В 1942 г. А. Кишен рассмотрел планирование по латинским кубам, которое явилось дальнейшим развитием теории латинских квадратов.

Затем Р. Фишер независимо опубликовал сведения об ортогональных гипер-греко-латинских кубах и гипер-кубах. Вскоре после этого 1946–1947 гг.) Р. Рао рассмотрел их комбинаторные свойства. Дальнейшему развитию теории латинских квадратов посвящены работы X. Манна A947–1950 гг.).

Исследования Р. Фишера, проводившиеся в связи с работами по агробиологии, знаменуют начало первого этапа развития методов планирования эксперимента. Фишер разработал метод факторного планирования. Йегс предложил для этого метода простую вычислительную схему. Факторное планирование получило широкое распространение. Особенностью полного факторного эксперимента является необходимость ставить сразу большое число опытов.

В 1945 г. Д. Финни ввел дробные реплики от факторного эксперимента. Это позволило резко сократить число опытов и открыло дорогу техническим приложениям планирования. Другая возможность сокращения необходимого числа опытов была показана в 1946 г. Р. Плакеттом и Д. Берманом, которые ввели насыщенные факторные планы.

В 1951 г. работой американских ученых Дж. Бокса и К. Уилсона начался новый этап развития планирования эксперимента.

Эта работа подытожила предыдущие. В ней ясно сформулирована и доведена до практических рекомендаций идея последовательного экспериментального определения оптимальных условий проведения процессов с использованием оценки коэффициентов степенных разложений методом наименьших квадратов, движения по градиенту и отыскания интерполяционного полинома (степенного ряда) в области экстремума функции отклика («почти стационарной» области).

В 1954–1955 гг. Дж. Бокс, а затем Дж. Бокс и П. Юл показали, что планирование эксперимента можно использовать при исследовании физико-химических механизмов процессов, если априори высказаны одна или несколько возможных гипотез. Здесь планирование эксперимента пересекалось с исследованиями по химической кинетике. Интересно отметить, что кинетику можно рассматривать как метод описания процесса с помощью дифференциальных уравнений, традиции которого восходят к И. Ньютону. Описание процесса дифференциальными уравнениями, называемое детерминистическим, нередко противопоставляется статистическим моделям.

Бокс и Дж. Хантер сформулировали принцип ротатабельности для описания «почти стационарной» области, развивающейся в настоящее время в важную ветвь теории планирования эксперимента. В той же работе показана возможность планирования с разбиением на ортогональные блоки, указанная ранее независимо де Бауном.

Дальнейшим развитием этой идеи было планирование, ортогональное к неконтролируемому временному дрейфу, которое следует рассматривать как важное открытие в экспериментальной технике – значительное увеличение возможностей экспериментатора.

2. Математическое планирование эксперимента в научных исследованиях

2.1 Основные понятия и определения

Под экспериментом будем понимать совокупность операций совершаемых над объектом исследования с целью получения информации о его свойствах. Эксперимент, в котором исследователь по своему усмотрению может изменять условия его проведения, называется активным экспериментом. Если исследователь не может самостоятельно изменять условия его проведения, а лишь регистрирует их, то это пассивный эксперимент.

Важнейшей задачей методов обработки полученной в ходе эксперимента информации является задача построения математической модели изучаемого явления, процесса, объекта. Ее можно использовать и при анализе процессов и при проектировании объектов. Можно получить хорошо аппроксимирующую математическую модель, если целенаправленно применяется активный эксперимент. Другой задачей обработки полученной в ходе эксперимента информации является задача оптимизации, т.е. нахождения такой комбинации влияющих независимых переменных, при которой выбранный показатель оптимальности принимает экстремальное значение.

Опыт – это отдельная экспериментальная часть.

План эксперимента – совокупность данных определяющих число, условия и порядок проведения опытов.

Планирование эксперимента – выбор плана эксперимента, удовлетворяющего заданным требованиям, совокупность действий направленных на разработку стратегии экспериментирования (от получения априорной информации до получения работоспособной математической модели или определения оптимальных условий). Это целенаправленное управление экспериментом, реализуемое в условиях неполного знания механизма изучаемого явления.

В процессе измерений, последующей обработки данных, а также формализации результатов в виде математической модели, возникают погрешности и теряется часть информации, содержащейся в исходных данных. Применение методов планирования эксперимента позволяет определить погрешность математической модели и судить о ее адекватности. Если точность модели оказывается недостаточной, то применение методов планирования эксперимента позволяет модернизировать математическую модель с проведением дополнительных опытов без потери предыдущей информации и с минимальными затратами.

Цель планирования эксперимента – нахождение таких условий и правил проведения опытов при которых удается получить надежную и достоверную информацию об объекте с наименьшей затратой труда, а также представить эту информацию в компактной и удобной форме с количественной оценкой точности.