|
Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология Образование Политология Производство Психология Стандартизация Технологии |
|
|
Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология Образование Политология Производство Психология Стандартизация Технологии |
Математическая обработка факторного эксперимента
Чтобы уменьшить влияние ошибки опыта на величину параметра оптимизации, матрицы планирования экспериментов строят с учетом дублирования опытов (табл.3.1). В этом случае в дальнейших расчетах уже используется средняя арифметическая величина функции отклика (математическое ожидание в случае бесконечного числа опытов), определяемая по следующей формуле: где m - число повторных опытов. Для оценки отклонения значений параметра оптимизации от математического ожидания определяют дисперсию параллельных опытов в каждой строке плана (построчные дисперсии): - число степеней свободы - это число независимых групп наблюдений исследуемого объекта. В данном случае из m наблюдений независимых результатов Ym будет m-1, так как результат любого одного наблюдения зависим и может быть определен по известным остальным опытам и величине среднего значения Ӯ. Затем проверяется однородность построчных дисперсий по критерию Коxpeна. Критерий Коxpeна G-это отношение максимальной построчной дисперсии к сумме всех дисперсий. Данный критерий показывает, что в случае незначимых отличий построчных дисперсий (Gрасч< Gтабл), т.е. их однородности, результаты экспериментов относятся к одной и той же совокупности. В противном случае (Gрасч> Gтабл) дисперсии неоднородны и, следовательно, наблюдаемые результаты экспериментов Yim либо характеризуют различные объекты исследования, либо опыты некорректны. Для расчета критерия Кохрена из всех дисперсий Si2 находится наибольшая S2max и делится на сумму всех построчных дисперсий: Если вычисленное значение критерия Коxpeна Gрасч меньше его критического значения Gкр, найденного по табл.3.4 для числа степеней свободы ƒ =m-l и числа опытов N при выбранном уровне значимости α (обычно принимают α =0, 05), то результаты не противоречат гипотезе об однородности дисперсий и на следующих этапах анализа можно применять обобщенную (усредненную) дисперсию воспроизводимости. Таблица 3.4 Значения G-критерия Кохрена при уровне значимости 5%
Дисперсия параметра оптимизации Sу2 или дисперсия вопроизводимости эксперимента определиться как частное от деления суммы построчных дисперсий на число опытов в матрице планирования N. Здесь N=ƒ 2 – число степеней свободы для определения Sy2. Использование такой формулы возможно в том случае, если число повторных опытов одинаково во всей матрице планирования. Таблица 3.5 Пример обработки результатов эксперимента
Gтабл> Gрасч ряд дисперсий однороден. Чтобы исключить влияние на параметр оптимизации систематических ошибок, обусловленных различными внешними условиями, необходимо порядок опытов рандомизировать во времени с помощью таблицы случайных чисел. Рандомизация-случайный порядок проведения опытов.
Фрагмент таблицы случайных чисел Если необходимо провести восемь опытов, то из случайного места таблицы выписывают числа от l до 8, отбрасывая числа больше 8 и уже выписанные. Полученная последовательность цифр определяет последовательность проведения опытов. Например, беря во внимание последнюю цифру числа, стоящего в первой строке и столбце, и двигаясь по столбцам, получим 6, 3, 1, 2, 4, 7, 3, 5. При проверке статистической значимости коэффициентов модели прежде всего рассчитывается дисперсия в определении коэффициентов: Коэффициент считается значимым, когда его абсолютная величина больше доверительного интервала, т.е где t - критерий Стьюдента (берется из таблиц в зависимости от уровня значимости α и числа степеней свободы при определении дисперсии опыта); Sbj - среднеквадратичная ошибка определения коэффициентов регрессии, Смысл этого неравенства заключается в том, что абсолютная величина коэффициента должна быть в t раз больше чем ошибка его определения. Статистическая незначимость коэффициента интерпретируется как отсутствие влияния соответствующего фактора в изученных интервалах его изменения. Такие коэффициенты из модели исключаются. Пример: Проверить значимость коэффициентов модели
Все коэффициенты значимы, кроме b12=0, 5. Тогда модель имеет вид Проверка адекватности модели призвана подтвердить или опровергнуть гипотезу о том, что параметр оптимизации действительно изменяется в соответствии с полученным уравнением регрессии. Эта процедура осуществляется с помощью критерия Фишера F который представляет собой отношение двух дисперсий - адекватности Sα д2 и воспроизводимости Sу2. Дисперсия адекватности представляет собой остаточную сумму квадратов разности экспериментальных и расчетных значений параметра оптимизации, отнесенную к числу степеней свободы: где ƒ 1=N - l; где l – число коэффициентов модели, включая b0;
Гипотеза об адекватности модели принимается в том случае, если выполняется условие Fрасч≥ Fтабл. Критические значения F – критерия для α =0, 05 и степень свободы ƒ 1 и ƒ 2 представлены в табл. 3.6. Таблица 3.6 Значения F-критерия Фишера при уровне значимости 5%
Причиной неадекватности модели могут быть недостаточный порядок модели, неудачный выбор интервала варьирования факторами, большая дисперсия воспроизводимости или включение большого числа факторов, не оказывающих существенного влияния на функцию отклика. Решение о дальнейших действиях в таких случаях зависит от того, какой гипотезе отдает предпочтение исследователь. Часто после такого результата анализа модели проводят новое исследование с усовершенствованной постановкой задачи и другими условиями проведения опытов. В заключение необходимо отметить, что в случае равенства числа опытов N числу коэффициентов l для проверки адекватности модели необходимо реализовать несколько параллельных опытов на основном уровне и определить среднее значение. Если разность, то модель тоже можно считать адекватной. В качестве примера рассмотрим построение математической модели, позволяющей контролировать инструмент. Рис. 3.1. Матрица для прессования винтовых профилей При прессовании профилей формирование винтового оребрения осуществляется путем затекания металла в пазы на матрице (рис.3.1, а). При этом движение металла в окружном направлении происходит за счет неравномерности скоростей истечения в пазах с наклонными рабочими поясками одинаковой пo сторонам ребра ширины (рис.3.1, б) или в пазах с поясками параллельными оси прессования, но имеющими различную ширину на противоположных сторонах канала (рис.3.1, в). Ребра профиля в процессе закрутки претерпевают определенную деформацию, обусловленную механизмом процесса. Величина деформации кручения зависит, главным образом, от параметров поясков матрицы и геометрии профиля. Поэтому представляет известный интерес изучение совместного влияния этих факторов на угол закрутки (угол закрутки характеризует поворот сечений, разделенных расстоянием в 1 м, относительно друг друга). Для этой цели использовался метод статистического планирования эксперимента. Кроме того, было принято, что ребристый профиль можно представить как совокупность симметрично расположенных элементов. В силу такой симметрии исследовалась закрутка лишь одного элемента ребристого изделия - профиля с поперечным сечением прямоугольника с размерами a и b. Исследование проводилось по плану дробного факторного эксперимента 23-1 с генерирующим соотношением Х3=Х1Х2 и определяющим контрастом l=X1 X2 X3. В качестве исследуемых факторов были взяты: относительная высота рабочего пояска Х1=l/l0, где l0 предельная высота, равная 10 мм; угол наклона плоскости рабочих поясков к оси прессования γ =Х2 (рад); относительная толщина ребра α /b=Х3, где α - ширина, b-толщина ребра. Откликом служит угол закрутки ͵ Θ (рад/м). Были приняты следующие интервалы варьирования факторов: Х1=0, 25…0, 75; Х2=0…0, 104 рад; Х3=10...15 (табл.3.7) Таблица 3.7 - Условия проведения и результаты экспериментов
Опыты проводились на вертикальном гидравлическом прессе ПСУ-250 с усилием 250 т на свинце, т.к. угол закрутки не зависит от природы метала. Условия проведения эксперимента приведены в табл.3.6; число повторных опытов было взято равным двум. Порядок проведения опытов был определен по таблице случайных чисел и имел следующую очередность: 6, 5, 2, 8, 4, 7, 3, l. Прессование слитков осуществлялось без смазки в контейнере диаметром 50мм. Угол закрутки измерялся с помощью угломера с точностью ±3º. В результате статистической обработки экспериментальных данных было получено адекватное уравнение регрессии в виде где Графическая иллюстрация уравнения приведена на рис.3.2. Анализируя диаграмму, можно отметить, что угол закрутки увеличивается с ростом утла наклона плоскости рабочих поясков и с уменьшением отношения длин поясков. Наиболее эффективно влияет на угол закрутки угол наклона плоскости рабочих поясков. Полученная зависимость была использована при расчете параметров матрицы, обеспечивающих заданный угол закрутки.
Рис. 3.2. Влияние параметров матрицы на угол закрути Планы второго порядка Планы второго порядка обычно применяют в следующих случаях: а) когда линейная модель неадекватна; б) после достижения области экстремума для ее описания. Например, модель второго порядка для k=2 имеет вид Число членов в этой модели равно
Поэтому число опытов для ее построения N должно быть не меньше, чем При этом опытов в полном факторном эксперименте ПФЭ 22 не хватает. Чтобы увеличить число опытов, каждый фактор должен принимать не 2 значения, a 3, т.е. необходимо проводить эксперименты N=3k=9. Применение таких планов связано с большим числом опытов. А мы стремимся к минимизации их числа. При построении планов второго порядка более рациональным является применение ЦКП - центрального композиционного планирования. Эта процедура предполагает реализацию опытов ПФЭ при k< 5, или ДФЭ, если k> 5. Затем к этим точкам добавляется некоторое количество специально расположенных точек, которые называются «звездными». Для случая двух факторов ЦКП имеет вид:
Такие планы называются центральными, т.к. все опыты расположены симметрично относительно центра (основного уровня), и композиционными, т.к. строятся они последовательно. Общее число опытов для ЦКП N=N1+2k+N0, где N1 – число опытов ядра плана, N1=2k при k≤ 5; N1=2k-p при k> 5; 2k – число «звездных» точек, N0 – число опытов в центре плана. Для ЦКП N0=1. Число уровней варьирования каждого фактора составляет 5 (-α; -1; 0; 1; α ). Построим матрицу планирования ЦКП для случая 3 факторов:
Число опытов данного ЦКП N=15. При ПФЭ 33 – N =27. Число опытов уменьшилось в 2 раза. Заметим, что в матрице ЦКП не все столбцы ортогональны: Например, Ортогональность столбцов матрицы можно получить, если ввести новые переменные:
Тогда матрица ЦКП становится ортогональной. В результате математических преобразований получаем модель в виде: где причем α и φ зависят от числа факторов. Их выбирают по таблице.
3.5.1. Ротабельное планирование Недостаток ЦКП в том, что коэффициенты уравнения рассчитываются с неодинаковыми дисперсиями, т.е. точность неодинакова в различных направлениях. Этот недостаток устраняет ротабельное планирование. Используя ранние таблицы, матрицы ротабельного планирования второго порядка для двух факторов имеет вид:
Дисперсия опыта подсчитывается на основании опытов, проведенных в центре эксперимента: 3.5.2. Некомпозиционный план Если заранее известно, что процесс описывается квадратичной моделью, то более рационально использовать некомпозиционнй план, содержащий экономное число опытов. Для двухфакторной модели он имеет вид правильного шестиугольника. Матрица планирования имеет вид:
Этот план является ротатабельным. При k> 3 строят некомпозиционные планы с варьированием каждого фактора на 3 уровнях (-1; 0; 1). Эти планы представляют собой выборки из ПФЭ Зk.
Вопросы для самопроверки 1. Что понимают под полным факторным экспериментом? 2. Как найти основные уровни факторов? 3. Каким образом выбирают интервал варьирования факторов? 4. Почему все факторы приводят к безразмерному виду? 5. Напишите формулу для кодирования факторов. 6. Что представляет собой матрица планирования эксперимента? 7. Как построить матрицу планирования эксперимента? 8. Перечислите свойства матрицы планирования эксперимента типа 2k. 9. Каким образом рассчитывают коэффициенты математической модели? 10.Как проводится анализ математической модели? 11. Как оценивается влияние комбинации факторов на параметр оптимизации? Популярное:
|
Последнее изменение этой страницы: 2017-03-11; Просмотров: 1010; Нарушение авторского права страницы
- значения параметра оптимизации в i-м опыте, соответственно определенные экспериментально и вычисленные по уровню регрессии.
