响应表面试验设计方法及MINITAB优化(CCD-BBD)

呼应外表实验设计及MINITAB优化

CCDBBD.呼应曲面设计方法(ResponseSurfaceMethodology，RSM)是利用合理的实验设计方法并经过实验得到一定数据，采用多元二次回归方程来拟合要素与呼应值之间的函数关系，经过对回归方程的分析来寻求最优工艺参数，处理多变量问题的一种统计方法。什么是RSM？1概述.确信或疑心要素对目的存在非线性影响；要素个数2-7个，普通不超越4个；一切要素均为计量值数据；实验区域已接近最优区域；基于2程度的全因子正交实验。适用范围.中心复合实验设计(centralcompositedesign，CCD)；Box-Behnken实验设计；方法分类.确定要素及程度，留意程度数为2，要素数普通不超越4个，要素均为计量数据；创建“中心复合〞或“Box-Behnken〞设计；确定实验运转顺序(DisplayDesign)；进展实验并搜集数据；分析实验数据；优化要素的设置程度。普通步骤.立方点轴向点中心点区组序贯实验旋转性根本概念2中心复合实验设计.立方点(cubepoint)立方点，也称立方体点、角点，即2程度对应的“-1〞和“+1〞点。各点坐标皆为+1或-1。在k个要素的情况下，共有2k个立方点.轴向点(axialpoint)轴向点，又称始点、星号点，分布在轴向上。除一个坐标为+α或-α外，其他坐标皆为0。在k个要素的情况下，共有2k个轴向点。.中心点(centerpoint)中心点，亦即设计中心，表示在图上，坐标皆为0。.三要素下的立方点、轴向点和中心点.区组(block)也叫块。设计包含正交模块，正交模块可以允许独立评价模型中的各项及模块影响，并使误差最小化。但由于把区组也作为一个要素来安排，添加了分析的复杂程度。.序贯实验〔顺序实验〕先后分几段完成实验，前次实验设计的点上做过的实验结果，在后续的实验设计中继续有用。.旋转性(rotatable)设计旋转设计具有在设计中心等距点上预测方差恒定的性质，这改善了预测精度。.α的选取在α的选取上可以有多种出发点，旋转性是个很有意义的思索。在k个要素的情况下，应取α=2k/4当k=2，α=1.414；当k=3，α=1.682；当k=4，α=2.000；当k=5，α=2.378.按上述公式选定的α值来安排中心复合实验设计(CCD)是最典型的情形，它可以实现实验的序贯性，这种CCD设计特称中心复合序贯设计(centralcompositecircumscribeddesign,CCC)，它是CCD中最常用的一种。.假设要求进展CCD设计，但又希望实验程度安排不超越立方体边境，可以将轴向点设置为+1及-1，那么计算时机自动将原CCD减少到整个立方体内，这种设计也称为中心复合有界设计(centralcompositeinscribeddesign,CCI)。这种设计失去了序贯性，前一次在立方点上曾经做过的实验结果，在后续的CCI设计中不能继续运用。.对于α值选取的另一个出发点也是有意义的，就是取α=1，这意味着将轴向点设在立方体的外表上，同时不改动原来立方体点的设置，这样的设计称为中心复合外表设计(centralcompositeface-centereddesign,CCF)。这样做，每个要素的取值程度只需3个(-1,0,1)，而普通的CCD设计，要素的程度是5个(-α,-1,0,1,α),这在改换程度较困难的情况下是有意义的。这种设计失去了旋转性。但保管了序贯性，即前一次在立方点上曾经做过的实验结果，在后续的CCF设计中可以继续运用，可以在二阶回归中采用。.中心点的个数选择在满足旋转性的前提下，假设适中选择Nc，那么可以使整个实验区域内的预测值都有一致均匀精度(uniformprecision)。见下表：.但有时以为，这样做的实验次数多，代价太大，Nc其实取2以上也可以；假设中心点的选取主要是为了估计实验误差，Nc取4以上也够了。总之，当时间和资源条件都允许时，应尽能够按引荐的Nc个数去安排实验，设计结果和推测出的最正确点都比较可信。真实需求减少实验次数时，中心点至少也要2-5次。.6.2.3Box-Behnken实验设计将各实验点取在立方体棱的中点上.在要素一样时，比中心复合设计的实验次数少；没有将一切实验要素同时安排为高程度的实验组合，对某些有平安要求或特别需求的实验尤为适用；具有近似旋转性，没有序贯性。特点..拟合选定模型；分析模型的有效性：P值、R2及R2(adj)、s值、失拟分析、残差图等；假设模型需求改良，反复1-3步；对选定模型分析解释：等高线图、曲面图；求解最正确点的要素程度及最正确值；进展验证实验。6.2.4分析呼应曲面设计的普通步骤.6.2.5用MINITAB实现呼应曲面设计.生成呼应曲面设计表.全因子中心复合实验〔无区组〕1/2实施中心复合实验〔无区组〕实验要素数实验总次数.任务表数据是编码值输入高低程度的实践值选入A、B、C三个要素编码值与实践值.选择编码值选择线性回归分析呼应曲面设计.SourceDFSeqSSAdjSSAdjMSFPRegression37.7897.7892.59621.080.387Linear37.7897.7892.59621.080.387ResidualError1638.59738.5972.4123Lack-of-Fit1136.05736.0573.27796.450.026PureError52.5402.5400.5079Total1946.385S=1.553R-Sq=16.8%R-Sq(adj)=1.2%输出结果：线性回归方差分析表此值很小阐明线性回归效果不好此值小于0.05时表示线性回归模型不正确此值大于0.05时表示回归的效果不显著线性回归结果.SourceDFSeqSSAdjSSAdjMSFPRegression936.46536.4654.05174.080.019Linear37.7897.7892.59622.620.109Square313.38613.3864.46194.500.030Interaction315.29115.2915.09705.140.021ResidualError109.9209.9200.9920Lack-of-Fit57.3807.3801.47602.910.133PureError52.5402.5400.5079Total1946.385S=0.9960R-Sq=78.6%R-Sq(adj)=59.4%此值较大，阐明二次多项式回归效果比较好。此值大于0.05，表示二次多项式回归模型正确。此值小于0.05的项显著有效，回归的整体、二次项和交叉乘积项都显著有效，但是一次项的效果不显著。输出结果：二次多项式回归方差分析表非线性回归结果.TermCoef(coded)SECoefTPCoef(uncoded)Constant10.46230.406225.7560.00012.4512A-0.57380.2695-2.1290.0590.9626B0.18340.26950.6800.512-2.2841C0.45550.26951.6900.122-1.4794A*A-0.67640.2624-2.5780.027-0.2676B*B0.56280.26242.1450.0581.1164C*C-0.27340.2624-1.0420.322-0.2388A*B-0.67750.3521-1.9240.083-0.6001A*C1.18250.35213.3580.0070.6951B*C0.23250.35210.6600.5240.3060输出结果：二次多项式回归系数及显著性检验对要素实践值的回归系数P值大的项不显著对编码值的回归系数.TermCoef(coded)SECoefTPCoef(uncoded)Constant10.23860.337930.3030.00012.6189A-0.57380.2641-2.1730.0510.8848B0.18340.26410.6940.501-1.7352C0.45550.26411.7250.110-2.0904A*A-0.64930.2558-2.5380.026-0.2568B*B0.58990.25582.3060.0401.1702A*B-0.67750.3450-1.9640.073-0.6001A*C1.18250.34503.4270.0050.6951输出结果：剔除C×C和B×C后二次多项式回归系数及显著性检验这两个二次项回归系数有很小的改动，这是由于旋转设计只具有近似正交性.目的是最大值下限设为10目的值设为20目的最优化.因子最优程度值最优预测值.在研讨大豆产量Y的实验中，思索氮肥A、磷肥B、钾肥C这三种肥料的施肥量。每个要素取两个根本程度，采用中心复合实验，其中：氮肥的