Вы находитесь на странице: 1из 168

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение


высшего профессионального образования
«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ СТРОИТЕЛЬНЫЙ УНИВЕРСИТЕТ»

А.Д. Жуков, Т.В. Смирнова,


П.К. Гудков

ПРАКТИКУМ
ПО ТЕХНОЛОГИЧЕСКОМУ
МОДЕЛИРОВАНИЮ
Рекомендовано Учебно-методическим объединением вузов РФ
по образованию в области строительства в качестве учебного пособия
для студентов высших учебных заведений, обучающихся по программе
бакалавриата по направлению подготовки 270800 «Строительство»
(профиль «Производство и применение строительных материалов,
изделий и конструкций»)
(27.01.2014 г., № 102—15/801)

Москва 2014
УДК 517.28+536.491+699.86
ББК 22.161+22.317+38.637
Ж86
Р е ц е нз е нты :
доктор технических наук, профессор В.Ф. Коровяков, заместитель директора
по научно-организационной работе ГУП «НИИМосстрой»;
кандидат технических наук М.М. Косухин, профессор кафедры городского
строительства и хозяйства Белгородского государственного технологического
университета им. В.Г. Шухова;
кандидат экономических наук Е.Ю. Боброва, заместитель заведующего кафедрой
методологии саморегулирования и аттестации Высшей школы экономики
Жуков, А.Д.
Ж86 Практикум по технологическому моделированию : учебное по-
собие / А.Д. Жуков, Т.В. Смирнова, П.К. Гудков ; М-во образования
и науки Росс. Федерации, Моск. гос. строит. ун-т. Москва : МГСУ,
2014. 168 с.
ISBN 978-5-7264-0903-0
Изложены основы теории технологического моделирования, рассмо-
трены различные аспекты решения общих и частных задач, а также мето-
дики планирования эксперимента и обработки его результатов. Приведены
рекомендации по выполнению лабораторных и расчетно-графических работ
по курсам «Технологическое моделирование» и «Решение технологических
задач с применением ЭВМ».
Для бакалавров и магистров, обучающихся по направлению подготовки
270800 «Строительство», специалистов в области технологий строительных
материалов и инженеров-технологов.
УДК 517.28+536.491+699.86
ББК 22.161+22.317+38.637

Учебное издание
Жуков Алексей Дмитриевич, Смирнова Татьяна Викторовна, Гудков Павел Кириллович
ПРАКТИКУМ ПО ТЕХНОЛОГИЧЕСКОМУ МОДЕЛИРОВАНИЮ
Учебное пособие
Редактор А.К. Смирнова
Корректор В.К. Чупрова
Компьютерная верстка О.Г. Горюновой
Дизайн обложки Д.Л. Разумного
Подписано в печать 13.10.2014 г. Формат 60×84/16.
И-17. Уч.-изд. 11,37. Усл.-печ. л. 10,5. Тираж 100 экз. Заказ 370
Федеральное государственное бюджетное образовательное учреждение
высшего профессионального образования
«Московский государственный строительный университет».
Издательство МИСИ – МГСУ.
Тел. (495) 287-49-14, вн. 13-71, (499) 188-29-75, (499) 183-97-95,
e-mail: ric@mgsu.ru, rio@mgsu.ru
Отпечатано в типографии Издательства МИСИ – МГСУ.
Тел. (499) 183-91-90, (499) 183-67-92, (499) 183-91-44.
129337, Москва, Ярославское ш., 26

ISBN 978-5-7264-0903-0 © ФГБОУ ВПО «МГСУ», 2014


ВВЕДЕНИЕ

Практикум по технологическому моделированию включает раз-


делы, ориентирующие студентов на непосредственное решение
практических задач, в частности: системное исследование техно-
логий и процессов, их составляющих; планирование и обработка
результатов эксперимента; решение оптимизационных и интерпо-
ляционных задач; инженерная интерпретация результатов экспе-
римента.
Практикум, как и ранее изданное учебное пособие по техноло-
гическому моделированию*, является мостиком от теорий форми-
рования свойств материалов и их изготовления к практическим
решениям, направленным на реализацию того или иного способа
изготовления материала, постановку его в производстве, оптими-
зацию применения.1
Корректный выбор модели или системы моделирования явля-
ется во многих случаях основой для принятия правильных решений
по реализации эксперимента как в плане достижения его резуль-
татов, так и в плане экономии затрат на его проведение. В связи с
этим в практикуме большое внимание уделено как построению
моделей, так и реализации эксперимента (на основе этих моделей),
направленного на решение практических задач [15].
Ниже излагается методика выбора параметра оптимизации, ко-
торый должен быть: эффективным с точки зрения достижения цели,
универсальным, количественным и выражаться одним числом,
статистически эффективным, простым и легко вычисляемым и
иметь физический смысл. Рассмотрены различные способы орга-
низации и планирования многофакторного эксперимента: при по-
строении неполных квадратичных и полных квадратичных мате-
матических моделей, с использованием полных и дробных фактор-
ных планов, соответствующих условиям оптимальности.

* См.: Жуков, А.Д. Технологическое моделирование : учебное пособие.


Москва : МГСУ, 2013.

3
Моделирование структуры материала, его технологии в целом
или отдельных процессов (в частности адекватных технологическим
переделам) направлено на решение практических задач: оптими-
зационных, интерпретационных и пр. В практикуме рассмотрены
способы оптимизации эксперимента в рамках метода Бокса — Уил-
сона на факторном пространстве различной сложности. Метод ана-
литической оптимизации рассмотрен как для систем неполных
квадратичных, так и полных квадратичных математических моде-
лей.
Системный подход является одной из основ технологического
моделирования. Если технология рассматривается как единая ки-
бернетическая система, то для ее изучения применимы как кано-
нический анализ, так и комплексный метод МГСУ. Технология
может рассматриваться как совокупность отдельных, но взаимос-
вязанных кибернетических систем: совокупность отдельных бло-
ков, адекватных технологическим переделам. В этом случае осу-
ществляют изучение каждого блока в отдельности, устанавливают
взаимосвязи между отдельными блоками и формируют общую схе-
му процесса. Основой для изучения является моделирование, ко-
торое может осуществляться как статистическими методами, так и
с помощью детерминированных и концептуальных моделей.
1. СИСТЕМНОЕ ИССЛЕДОВАНИЕ ТЕХНОЛОГИЧЕСКИХ
ПРОЦЕССОВ

1.1. Технология и технологический процесс


Технология (от греч. τέχνη — искусство, мастерство, умение и
λόγος — изучение) — комплекс организационных мер, операций и
приемов, направленных на изготовление, обслуживание, ремонт и
(или) эксплуатацию изделия с номинальным качеством и опти-
мальными затратами. При этом:
• под термином изделие следует понимать любой материаль-
ный, интеллектуальный, моральный, политический и т.п. предмет
труда (конечный продукт);
• под термином номинальное качество следует понимать за-
ранее заданное качество (например, оговоренное техническим за-
данием и согласованное в техническом предложении);
• под термином оптимальные затраты следует понимать мини-
мально возможные затраты, не влекущие за собой ухудшение ус-
ловий труда, санитарных и экологических норм, норм технической
и пожарной безопасности, сверхнормативный износ орудий труда,
а также финансовых, экономических, политических и прочих ри-
сков.
В промышленности и сельском хозяйстве подробное описание
технологии выполняется в документах, именуемых картой техно-
логического процесса (при подробном описании) или маршрутной
картой (при кратком описании). В сценическом искусстве техно-
логия исполнения спектаклей, пьес, съемки кинофильмов описы-
вается сценарием. Применительно к политэкономии и экономике
при изменении общественного мнения (в чью-либо пользу) при-
меняется термин пиар (от англ. PR — Public Relations — связь с
широкой общественностью), зачастую неправильно воспринима-
емый общественностью как рекламная акция. Применительно к
политике с 70-х гг. прошлого столетия установился термин дорож-
ная карта (дословный перевод англоязычного термина Road map).
Технологиями морального плана называются законы предков (чего
делать нельзя или если делать, то что и как), правила поведения
человека в обществе, кодекс чести, конституция (в цивилизованном
обществе), понятия (в уголовном мире) и т.п. В разговорной речи
термин технология часто заменяют словосочетанием ноу-хау (от
англ. Know How — знаю как).

5
Если обратиться к самому определению термина технология, к
его изначальному значению (мастерство, искусство и наука), то
очевиден вывод, что цель технологии заключается в том, чтобы
разложить на составляющие элементы процесс достижения какого-
либо результата. Технология применима повсюду, где имеется до-
стижение, стремление к результату, но осознанное использование
технологического подхода было подлинной революцией.
До появления технологии господствовало искусство — человек
делал что-то, но это что-то получалось только у него, это как дар —
дано или не дано. С помощью же технологии все то, что доступно
только избранным, одаренным (искусство), становится доступно
всем. Например, изготовление каменного топора можно предста-
вить как акт искусства, а можно — как технологию. В первом слу-
чае имеется (возможно) бесподобный топор, но со смертью носи-
теля искусства делания топоров больше не будет. Во втором случае
мастерство сохранится навсегда, но качество продукта (возможно)
будет не таким высоким. Момент перехода от искусства к техноло-
гии фактически создал современную человеческую цивилизацию,
сделал возможным ее дальнейшее развитие и совершенствование.
В конце XVIII в. в общем массиве знаний о технике стали раз-
личать традиционный описательный раздел и новый, нарождаю-
щийся, который получил название технология. И. Бекман (1739—
1811) ввел в научное употребление термин технология, которым он
назвал научную дисциплину, читавшуюся им в германском универ-
ситете в Геттингене с 1772 г. В 1777 г. И. Бекман опубликовал рабо-
ту «Введение в технологию», где писал: «Обзор изобретений, их
развития и успехов в искусствах и ремеслах может называться исто-
рией технических искусств; технология, которая объясняет в целом,
методически и определенно все виды труда с их последствиями и
причинами, являет собой гораздо большее». Позже в пятитомном
труде «Очерки по истории изобретений» (1780—1805 гг.) он развил
это понятие.
Технология — в широком смысле — объем знаний, которые мож-
но использовать для производства товаров и услуг из экономических
ресурсов. Технология — в узком смысле — способ преобразования
вещества, энергии, информации в процессе изготовления продук-
ции, обработки и переработки материалов, сборки готовых изделий,
контроля качества, управления. Технология включает в себе мето-
ды, приемы, режим работы, последовательность операций и про-

6
цедур, она тесно связана с применяемыми средствами, оборудова-
нием, инструментами, используемыми материалами.
Современные технологии основаны на достижениях научно-
технического прогресса и ориентированы на производство про-
дукта: материальная технология создает материальный продукт,
информационная технология (ИТ) — информационный продукт.
Технология это также научная дисциплина, разрабатывающая
и совершенствующая способы и инструменты производства. В быту
технологией принято называть описание производственных про-
цессов, инструкции по их выполнению, технологические требова-
ния и пр. Технологией или технологическим процессом часто на-
зывают также сами операции добычи, транспортировки и перера-
ботки, которые являются основой производственного процесса.
Технический контроль на производстве тоже является частью тех-
нологии. Разработкой технологий занимаются технологи, инжене-
ры, конструкторы, программисты и другие специалисты в соот-
ветствующих областях.
Технология по методологии ООН — это либо технология в чи-
стом виде, охватывающая методы и технику производства товаров
и услуг (dissembled technology), либо воплощенная технология, ох-
ватывающая машины, оборудование, сооружения, целые произ-
водственные системы и продукцию с высокими технико-экономи-
ческими параметрами (embodied technology).
Промышленность строительных материалов охватывает различ-
ные по своему характеру производства. Некоторые из них по ука-
занным признакам имеют между собой мало общего. Однако все
эти производства объединяет назначение выпускаемой продук-
ции — применение ее в строительстве. Технология строительных
материалов как прикладная наука базируется на научных данных
физики, химии, механики и других естественных наук.

1.2. Технологические процессы


Любой технологический процесс представляет собой совокуп-
ность взаимосвязанных основных, вспомогательных и обслужива-
ющих процессов. Основным технологическим процессом является
такой, в результате которого предметы труда превращаются в гото-
вую продукцию, характерную для данного предприятия. Процесс
производства какого-либо строительного материала состоит из от-

7
дельных стадий или переделов, которые, в свою очередь, подраз-
деляются на ряд технологических операций, выполняемых для дан-
ного производства в строго определенной последовательности.
Технологический процесс (ТП) — последовательность технологи-
ческих операций, необходимых для выполнения определенного
вида работ. Технологический процесс состоит из технологических
(рабочих) операций, которые, в свою очередь, складываются из
рабочих движений (приемов). В зависимости от применения в про-
изводственном процессе для решения одной и той же задачи раз-
личных приемов и оборудования различают типы технологических
процессов. Технологический процесс согласно ГОСТ 3.1109—82
это часть производственного процесса, содержащая целенаправ-
ленные действия по изменению и (или) определению состояния
предмета труда.
Технологическая операция — это часть технологического процес-
са, выполняемая непрерывно на одном рабочем месте, под одним
или несколькими одновременно обрабатываемыми или собирае-
мыми изделиями, одним или несколькими рабочими. Условие не-
прерывности операции означает выполнение предусмотренной ею
работы без перехода к обработке другого изделия.
Технологическая операция состоит из отдельных элементов,
представляющих собой законченное трудовое действие, и харак-
теризуется неизменностью объекта обработки, рабочего места и
исполнителей. В зависимости от степени технологического осна-
щения процесса операции могут быть ручные, машинные, автома-
тические и аппаратурные. Ручные операции выполняются с ис-
пользованием простого и механизированного инструмента. Ма-
шинные операции осуществляются с помощью машин при
постоянном участии рабочих. Автоматические операции протека-
ют без участия рабочего или только под его наблюдением. Аппара-
турные операции (машинные и автоматические) характеризуются
выполнением технологического процесса в специальных агрегатах.
Участие рабочего в этом случае сводится к проверке соблюдения
технологических режимов, а также к выполнению загрузочных и
разгрузочных работ.
Технологическая операция является основной единицей произ-
водственного планирования и учета. На основе операций опреде-
ляется трудоемкость изготовления изделий и устанавливаются нор-
мы времени и расценки, выясняется требуемое количество рабочих,
оборудования, приспособлений и инструментов, рассчитывается

8
себестоимость обработки, производится календарное планирование
производства и осуществляется контроль качества и сроков испол-
нения работ.
В условиях автоматизированного производства под операцией
понимается законченная часть технологического процесса, выпол-
няемая непрерывно на автоматической линии, которая состоит из
нескольких станков, связанных автоматически действующими
транспортно-загрузочными устройствами. В этих условиях непре-
рывность производства выполнения операций может нарушаться
направлением обрабатываемых заготовок на промежуточный склад
в периоды между отдельными позициями, выполняемыми на раз-
личных технологических модулях.
Кроме технологических операций в состав технологического
процесса входят вспомогательные операции. К вспомогательным
операциям относятся транспортные, контрольно-измерительные
и т.д., т.е. операции не изменяющие размеров, формы, внешнего
вида или свойств изделия, но необходимые для осуществления тех-
нологического процесса.
Установ — часть технологической операции, выполняемая при
неизменном закреплении обрабатываемых заготовок или собира-
емой конструкции.
Технологический переход — законченная часть технологической
операции, выполняемая над одной или несколькими поверхностя-
ми заготовки, одним или несколькими одновременно работающи-
ми инструментами без изменения или при автоматическом изме-
нении режимов работы станка.
Элементарный переход — часть технологического перехода, вы-
полняемая одним инструментом над одним участком поверхности
обрабатываемой заготовки за один рабочий ход без изменения ре-
жима работы станка.
Вспомогательный переход — законченная часть технологической
операции, состоящая из действий человека и оборудования, кото-
рые не сопровождаются изменением формы, размеров и шерохо-
ватости поверхностей предметов труда, но необходимы для выпол-
нения технологического перехода (установки заготовки, смены
инструмента и т.д.).
Рабочий ход — законченная часть технологического перехода,
состоящая из однократного перемещения инструмента относитель-
но заготовки, сопровождаемого изменением формы, размеров, ка-
чества поверхности и свойств заготовки.

9
Вспомогательный ход — законченная часть технологического
перехода, состоящая из однократного перемещения инструмента
относительно заготовки, не сопровождающаяся изменением фор-
мы, качества поверхности или свойств заготовки, но необходимая
для подготовки рабочего хода.
Вспомогательные процессы характеризуются получением про-
дукции, не являющейся основной для данного предприятия (ремонт
оборудования и оснастки, производство электроэнергии, пара
и т.д.).
Обслуживающие процессы создают условия для осуществления
основных и вспомогательных процессов (внутризаводское транс-
портирование, система технического контроля и т.п.).
Несмотря на все многообразие выпускаемых промышленностью
отдельных видов строительных материалов, в их технологии мож-
но выделить ряд основных общих технологических переделов, ха-
рактерных для производства большинства изделий. Но некоторые
переделы могут и отсутствовать, даже при производстве одного и
того же материала, если применена разная технология. Однако об-
щая последовательность отдельных стадий технологического про-
цесса для подавляющего большинства строительных материалов
сохраняется без существенных изменений.
Классификация основных процессов в технологии строительных
материалов может быть проведена на основе различных признаков.
Механические процессы, основой которых является механическое
воздействие на исходные материалы, описываются законами ме-
ханики твердых тел. К механическим процессам относят измель-
чение, классификацию (сортировку), смешение и транспортиров-
ку твердых компонентов. Эти процессы применяются в основном
для подготовки сырья и в некоторых случаях при конечной обра-
ботке готового продукта.
Гидромеханические процессы, протекание которых определяется
законами гидродинамики — науки о движении жидкостей и газов.
К гидромеханическим процессам относятся перемещение и пере-
мешивание жидкостей и газов, разделение жидких неоднородных
систем под действием сил тяжести и центробежных сил (седимен-
тация и центрифугирование), а также движение твердых тел в жид-
кости или газе.
Тепловые и массообменные процессы определяются законами
тепломассопереноса, законами распространения теплоты и зако-
нами молекулярной (молярной) диффузии. В технологии строи-

10
тельных материалов эти процессы, как правило, протекают одно-
временно. Типичным примером таких процессов является сушка.
Удаление влаги из материала подчиняется законам массообмена.
Однако в целях ускорения этого процесса материал обычно нагре-
вают. Скорость же передачи теплоты от греющего агента (тепло-
носителя) к поверхности материала и скорость распространения
теплоты в среде самого материала определяются законами тепло-
передачи. Скорость самих тепловых процессов в значительной сте-
пени зависит от гидродинамических условий (скоростей и режимов
течения греющего агента), при которых осуществляется перенос
теплоты. Поэтому, хотя сушка и относится к массообменным про-
цессам, при конструировании сушильных установок учитывают
законы гидродинамики и теплопередачи.
Химические процессы описываются законами химической кине-
тики. Получение многих строительных материалов связано с раз-
личными химическими превращениями исходных компонентов.
Таковы, например, реакции полимеризации и поликонденсации в
технологии органических строительных материалов, реакции ги-
дратации при твердении цемента.
По способу организации основные процессы в технологии стро-
ительных материалов подразделяются на периодические и непре-
рывные.
Периодические процессы проводятся в установках, характеризу-
емых тем, что все стадии процесса протекают в одном месте, но в
разное время. Примером может служить автоклавная обработка
бетона — типичный связанный с гидратацией вяжущего химиче-
ский процесс, осложненный массообменными (первоначальным
увлажнением с последующим испарением влаги в конце процесса)
и теплообменными процессами (нагревом и охлаждением матери-
ала). Технология автоклавной обработки состоит из следующих
стадий: загрузка автоклава, подъем температуры с одновременным
подъемом давления в автоклаве, изотермическая выдержка, охлаж-
дение и выгрузка. Изделия во время автоклавирования находятся
на месте и в разные временные периоды подвергаются различным
температурным воздействиям. По окончании автоклавирования
все технологические операции повторяются.
Периодические процессы характеризуются неустановившимся
состоянием во времени, т.е. в любой точке массы обрабатываемого
материала или в любом сечении аппарата отдельные физические

11
величины или параметры, характеризующие процесс и состояние
вещества, подвергающегося переработке, меняются во времени.
Непрерывные процессы характеризуются единством времени про-
текания отдельных стадий процесса, осуществляемых в разных ме-
стах установки или в разных установках, выполняющих одну тех-
нологическую операцию. Вследствие установившегося состояния
в любой точке массы обрабатываемого материала при любом сече-
нии непрерывно действующего аппарата физические величины
или параметры в течение всего времени протекания процесса оста-
ются неизменными. Характерным примером такого процесса может
служить тепловлажностная обработка бетона в щелевых пропароч-
ных камерах. Это процесс химический, осложненный массообмен-
ным и тепловым процессами. В любой период времени характери-
стика среды и обрабатываемой массы в определенной точке уста-
новки остается практически постоянной (при правильной
организации технологического процесса).
Непрерывные процессы имеют значительные преимущества
перед периодическими: большая производительность, возможность
применения адаптированной для каждой стадии процесса аппара-
туры, стабилизация процесса во времени, улучшение качества го-
тового продукта или полуфабриката, возможность осуществления
полной механизации и автоматизации, что позволяет сократить, а
во многих случаях и вообще исключить применение ручного труда.
Поэтому в настоящее время во всех отраслях техники стремятся
перейти от периодических к непрерывным производственным про-
цессам.
Периодические и непрерывные процессы характеризуются про-
должительностью τ и периодом Т. Продолжительность процесса —
время, необходимое для завершения всех стадий процесса, начиная
от момента загрузки и кончая выгрузкой готового продукта или
полуфабриката. Период процесса — время от начала загрузки ис-
ходного материала данной партии до начала загрузки материала
последующей партии. Частное от деления продолжительности про-
цесса на период процесса τ/T носит название степени непрерыв-
ности процесса.
Комбинированные процессы представляют собой либо непрерыв-
ный процесс, отдельные стадии которого проводятся периодически,
либо периодический процесс, содержащий стадии, которые про-
водятся непрерывно.

12
Различие между периодическими и непрерывными процессами
заключается только в способе организации самого процесса и его
аппаратурном оформлении. Физико-химическая сущность про-
цесса неизменна и не зависит от конструкции агрегата.
Технология стала наукой, когда занялась рассмотрением произ-
водства как совокупности технологических переделов, располо-
женных в определенной последовательности и функционирующих
по определенным алгоритмам, основой которых являются техно-
логические процессы и операции. Результатами подобной научной
деятельности становится появление рекомендаций по изготовле-
нию, технических условий на материал, технологических регла-
ментов, рекомендаций по эксплуатации оборудования и пр.
Изучение закономерности функционирования субъектов тех-
нологии осуществляется с применением аппарата технологическо-
го моделирования, заключающегося в построении описательных
или математических моделей, применении методов статистическо-
го анализа. Собственно моделирование является промежуточной
задачей, а целью являются оптимизационные и адаптационные
решения задач по прогнозированию результатов и, как следствие, —
совершенствование технологического процесса.
В качестве критериев эффективности технологического про-
цесса рассматривают три базовые группы показателей:
• свойства продукции, отвечающие требованиям по примене-
нию и соответствующие требованиям ГОСТ, регламентирующим
наличие дефектов материала и флуктуаций показателей;
• технологичность изготовления, учитывающую уровень ис-
пользуемого оборудования, его наукоемкость, возможность исклю-
чения ручного труда и пр.;
• экономико-организационные показатели, характеризующие
затраты в денежном выражении, расход энергетических ресурсов,
эксплуатационные затраты, привлекательность продукции для по-
требителя.
Зачастую критерии становятся комплексными. В современном
строительстве особым спросом пользуются изделия, изготовленные
специально для применения в конкретных типах конструкций (на-
пример, для стен, кровли, перегородок). Они, так же как и мате-
риалы «широкого» применения, по всем показателям отвечают
требованиям ГОСТ, но пользуются у потребителя большим дове-
рием.

13
1.3. Модель как инструмент изучения
технологического процесса
При изучении любого объекта физического явления или техно-
логического процесса его умышленно упрощают до удобного или
до понятного уровня, т.е. представляют это явление или этот про-
цесс в виде модели. При этом должны соблюдаться два условия:
модель должна достоверно описывать реальный процесс и способ-
ствовать получению полезной и новой информации, а также долж-
на быть экономична и удобна в использовании.
Модель может отличаться от реального объекта как масштабом,
так и природой [9]. Математические модели не составляют особо-
го исключения. Согласно общепринятым представлениям [7] су-
ществует пять типов математических моделей: уравнения матема-
тической физики, концептуальные математические модели, экс-
периментально-статистические модели, модели исследования
операций, имитационные модели.
Модели, основанные на уравнениях математической физики, ба-
зируются на анализе бесконечно малых изменений в физической
системе бесконечно малого объема. В основе таких моделей лежат
фундаментальные законы природы или не менее фундаментальные
следствия из этих законов. Для инженерных расчетов необходим
переход от бесконечно малых величин к конечным (измеримым)
величинам в реальной системе. Этот переход в некоторых случаях
аналитически сложен, а в большинстве невозможен, поэтому ин-
тегрирование заменяют приближенными методами. В качестве ин-
женерного средства преодоления подобных «аналитических барье-
ров» и сформировалась теория подобия [8], соединившая диффе-
ренциальные уравнения с экспериментальной информацией о
системе.
Концептуальные математические модели имеют в своем основа-
нии некую инженерную мысль, выраженную в терминах данной
науки с последующим абстрактно-знаковым описанием с помощью
дифференциальных или алгебраических уравнений, геометриче-
ских соотношений, логических операций. Подобные модели до-
статочно просто поддаются инженерной интерпретации, но не
всегда могут быть адекватны реальным процессам.
Экспериментально-статистические модели описывают с извест-
ной точностью (степенью адекватности) связь между входами и
выходами системы без анализа ее внутренней структуры. Для дан-

14
ного способа моделирования характерны универсальность мето-
дологии сбора экспериментальной информации, сложность все-
сторонней интерпретации параметров моделей и ограниченность
области применения такой модели, адекватной только в рамках
объекта, для которого эта модель построена.
Модели исследования операций как совокупности действий, на-
правленных на достижение какой-либо цели, характерны, главным
образом, для технико-экономических задач. В основе имитацион-
ных моделей лежит объединение различных способов моделирова-
ния, включение моделей любых типов.
Отдельной областью моделирования являются модели, постро-
енные на умозаключениях, т.е. на теоретическом осмыслении и име-
ющихся предпосылках (существующих концепций и багажа зна-
ний), а также на результатах практических исследований, добытых
в эксперименте, и умозаключениях самого разработчика модели.
В этом разработчику широкую поддержку оказывают базы данных
и современные способы накопления и обработки информации.
При решении реальных задач нет четких границ применения
различных типов моделей. В задачах анализа систем, направленных
на познание внутренних механизмов их функционирования, при-
оритетным являются физико-математическое и концептуальное
моделирование, в задачах управления конкретной системой (тех-
нологией изготовления материала, например) — статистические
модели, модели исследования операций, а также имитационные
модели на их основе.
Статистические методы разработаны, обоснованы и широко
применяются в практике моделирования и анализа технологиче-
ских процессов. Статистические модели получают на основе спе-
циальных методов планирования и обработки результатов экспе-
римента. Подобные модели занимали и, вероятно, будут занимать
основное место в инженерной практике, особенно в условиях все
более расширяющегося применения компьютеров.
В пособии рассматриваются способы моделирования, каждый
из которых предполагает знание экспериментатором теории про-
цесса, законов физики, основных положений, излагаемых в дис-
циплине «Процессы и аппараты». О моделировании технологиче-
ских процессов в рамках кибернетических моделей, моделей, по-
строенных на основе систем дифференциальных уравнений и
законов, описывающих макрообъекты, а также о графическом и
визуальном моделировании и пойдет речь.

15
Использование уравнений математической физики, статисти-
ческой физики Гиббса и других методов описания процессов, про-
текающих в окружающем нас мире, является одним из наиболее
распространенных приемов математического (знакового) модели-
рования. Применительно к технологии строительных материалов
методы математической физики используют при описании спосо-
бов помола, приготовления смесей, формования и тепловой об-
работки, а также при изучении свойств изделий и их поведения в
конструкции. Объектом изучения в данном случае является тепло-
и массоперенос [6], распространение звука, формирование и дрейф
эксплуатационных характеристик.

1.4. Системный анализ технологических процессов


1.4.1. СИСТЕМНЫЙ ПОДХОД И СТАТИСТИЧЕСКИЕ МЕТОДЫ
Системный подход является одной из основ технологического
моделирования. Он заключается в разбиении всего технологиче-
ского процесса на отдельные блоки, адекватные технологическим
переделам; изучении функционирования каждого блока в отдель-
ности; установлении взаимосвязи между отдельными блоками и
построении общей схемы процесса как совокупности блоков и свя-
зей между ними. Основой для изучения является моделирование,
которое может осуществляться как статистическими методами, так
и с помощью детерминированных и концептуальных (логических)
моделей. Объектом исследования является технологический про-
цесс и для описания его широко применяется кибернетическая
система, именуемая «черным ящиком», имеющим свои входные
параметры, управляющие воздействия и выходы. Способы изучения
технологических процессов с помощью построения статистических
моделей и их оптимизации постоянно обогащаются и расширяются.
«Черный ящик» (рис. 1) может охватывать технологию в целом.
Данный прием широко используют при построении моделей на
основе «пассивного» эксперимента, когда выводы делают из на-
блюдений и сбора статистической информации. «Черный ящик»
может охватывать отдельный технологический передел, т.е. отдель-
ный процесс: приготовление смеси, формование, тепловую обра-
ботку. Модель технологии в этом случае получают из отдельных
кирпичиков-блоков. Связь между отдельными «блоками» техно-
логии осуществляется через факторы, которые являются «выхода-

16
ми» для одного блока и «входами» для другого. Этот прием, широ-
ко применяемый при анализе нелинейных технологических про-
цессов, не исключает использование методик, применяемых в
первом способе.

Рис. 1. Технология как кибернетическая система

Подобная блок-схема является вполне легитимной основой для


проведения эксперимента, последующей обработки результатов и
построения его математической (статистической) модели. Мате-
матическая модель отдельного технологического процесса форми-
руется из совокупности полиномов, описывающих отдельные фраг-
менты этого процесса.
Если «черный ящик» охватывал технологию в целом, то экспе-
римент охватывает десятки факторов. Сначала рассматривается вся
совокупность факторов, «участвующих» в процессе создания ма-
териала. С использованием специальных методик выделяют наи-
более значимые факторы, и далее все задачи оптимизации техно-
логии и имитационные решения реализуют на основе варьирования
значимыми факторами.
Системный анализ технологии, моделирование процессов на-
правлены на решение трех типов задач: разработку методики под-
бора состава, оптимизацию состава или характеристик исходных
компонентов, оптимизацию параметров, характеризующих техно-
логию в целом или отдельные технологические переделы.

1.4.2. Разбиение на блоки, определение параметров


оптимизации
Метод разбиения технологии на отдельные блоки для изучения
процессов изготовления строительных материалов широко исполь-

17
Рис. 2. Блок-схемы основных технологических переделов:
Kз — коэффициент загрузки; ОК — характеристика подвижности смеси (осадка конуса или др.); Р — расход; ЭС —
эксплуатационные свойства; а — амплитуда; d — диаметр частиц; E — расход энергии; n — частота движения рабочего органа;
Р — давление (формования); R — прочностная характеристика; S — удельная поверхность; s — размер приемного отверстия;
s′ — площадь поверхности перемешивающего органа; T — тип устройства; W — влажность; ρн — насыпная плотность; ρ — средняя
плотность; τ — время; α — коэффициент загрузки мелящими телами; σ(ρ) — однородность (по плотности); ν — частота; η — вязкость
Табл ица 1
Общая характеристика технологических переделов


пере- Наименование передела Вводимые факторы Факторы управления «Отклики» (результаты)
дела

1 Измельчение
1.1 Дробление Р а з м е р и с х о д н ы х Частота движения рабо- Размер частиц после измель-
1.2 Помол частиц; прочностная чего органа; чения, удельная поверхность,
характеристика зазор между измельчаю- насыпная плотность частиц;
щими элементами; прочностная характеристика;
размеры выходного от- расход энергии
верстия;

19
время измельчения
2. Перемешивание
2.1 Гравитационный смеситель Плотность, прочност- Частота вращения рабо- Плотность, однородность,
2.2 Смеситель принудительно- ная характеристика чего органа; пластичность смеси;
2.3 го действия и расход компонентов температура и время пе- расход энергии
2.4 Вибрационный смеситель 1, 2, 3…; расход воды ремешивания;
Электромагнитный смеси- амплитуда, частота и вре-
тель мя вибрирования
3. Формование
3.1 Пластическое формование Плотность смеси; Усилие, температура и Плотность, прочность, одно-
3.2 Формование под пригрузом пластичность смеси время формования; родность, влажность сырца;
3.3 Виброформование амплитуда, частота и вре- расход энергии
3.4 Прессование мя вибрирования
3.5 Экструдирование
3.6 Отлив листов
О к о н ч ан и е т а б л. 1


пере- Наименование передела Вводимые факторы Факторы управления «Отклики» (результаты)
дела

4 Тепловая обработка
4.1 Сушка Плотность, прочность, Температура, давление, Прочность, плотность и гео-
4.2 Обжиг влажность сырца время этапов: 1, 2, 3 … метрические характеристики
4.3 Плавление изделия; усадка; расход энер-
4.4 Пропаривание гии
4.5 Автоклавная обработка
4.6 Электромагнитное воздей-
ствие

20
5 Волокнообразование
5.1 Центрифугирование Температура и расход Количество, температура, Диаметр и длина волокон;
5.2 Центробежно-фильерно расплава; частота вращения; содержание корольков; со-
5.3 дутьевой способ расход и плотность расход воздуха; держание связующего; плот-
Способ раздува связующего время ность ковра
зуется в технологическом моделировании [5; 10] и является основой
для любой логической модели, описывающей технологический
процесс. Основой для разбиения на блоки является изучение тех-
нологических схем, которые, в свою очередь, являются моделями
с различной степенью упрощения относительно реальных техно-
логических процессов. Технологические схемы можно разделить
на «простые» и «сложные».
Каждый блок — это технологический передел, имеющий вход-
ные параметры, управления и выходные параметры. С другой сто-
роны, каждый блок — это отдельная кибернетическая система —
«черный ящик» с факторами (входами и управлениями), а также
функциями отклика и параметрами оптимизации (рис. 2).
Любую логическую (структурную) схему технологического про-
цесса можно представить в виде совокупности отдельных блоков.
В «простых» схемах последовательность блоков выстраивается в
линейную цепочку, их характеристики и взаимосвязи (табл. 1) мо-
гут быть определены в рамках активного эксперимента [14]. «Слож-
ные» схемы характеризуются разветвленной структурой и ком-
плексными связями между факторами, характеризующими отдель-
ные блоки. Изучение «сложных» технологических схем
осуществляется в рамках активного эксперимента с использовани-
ем информации от наблюдений за реальными процессами.

1.4.3. МОДЕЛИРОВАНИЕ ТЕХНОЛОГИЧЕСКОГО ПЕРЕДЕЛА


Как говорилось выше, «черный ящик» может охватывать техно-
логию в целом или приниматься для каждого технологического
передела самостоятельно. Зачастую подобного деления бывает не-
достаточно. Некоторые (если не многие) технологические процес-
сы характеризуются изменяющимися параметрами режима. Ста-
тистические требования, предъявляемые к факторам, таковы, что
они просто не допускают получения математических (статистиче-
ских) моделей общепринятыми способами.
В случае сложных технологических процессов, если это допу-
скается экспериментом, возможно разбиение кибернетической
системы на более мелкие подблоки («черные ящички»), каждый из
которых характеризует только часть технологического процесса.
Очевидно, что каждый подблок должен характеризоваться своими
входами, выходами и управлениями. В процессе подготовки экс-
перимента и его планирования необходимо сформировать деталь-

21
ную структурную блок-схему. Каждый из подблоков должен иметь
свои параметры управления и выходные характеристики, в том
числе и параметр оптимизации. Подобная блок-схема является
вполне легитимной основой для проведения эксперимента, по-
следующей обработки результатов и построения его математиче-
ской (статистической) модели. Математическая модель отдельно-
го технологического процесса формируется из совокупности по-
линомов, описывающих отдельные фрагменты этого процесса.
Как уже отмечалось, любая модель — это упрощение. Например,
в общем случае, передел «отлив листов» относят к формованию.
Это так, но в различных технологиях этот процесс реализуется по-
разному. В технологии минераловатных плит — «отлив» эквивален-
тен формированию ковра на сетчатом конвейере; в технологии плит
из гидромасс — отливу гидромассы на конвейере или под прессом;
в технологии гипсоволокнистых или цементоволокнистых листов —
формированию «пленки» или листа на отливочной машине.
Большинство технологических процессов в «линейные» схемы
не укладывается. При исследовании технологии конкретного ма-
териала целесообразна более глубокая детализация переделов (бло-
ков), факторов, описывающих процессы. В качестве примеров рас-
смотрим изготовление изделий из автоклавного ячеистого бетона,
технологию минеральных волокон и технологию минераловатных
плит объемно-ориентированной структуры.
В каждой из перечисленных технологий существуют техноло-
гические переделы, которые можно отнести к детерминированным.
В данном случае к таким, в которых изменять (варьировать) какие-
либо параметры нецелесообразно. Факторы, характеризующие про-
цессы транспортирования компонентов, разрезку массивов на бло-
ки и ряд других являются «неоперабельными», т.е. их изменение в
условиях активного эксперимента может привести к нарушению
технологического цикла. Изучение этих процессов проводят в про-
цессе наблюдений, т.е. на основе правил «пассивного» экспери-
мента и систематического накопления данных.

1.5. Комплексный метод в технологическом моделировании


Основой комплексного метода является активный экспери-
мент — такой способ исследований, при котором факторы изме-
няются экспериментатором по определенным планам. Задачи, для
решения которых может использоваться планирование экспери-

22
мента, чрезвычайно разнообразны. Поиск оптимальных условий,
построение интерполяционных моделей, выбор существенных фак-
торов, оценка и уточнение констант теоретических моделей (на-
пример, кинетических), выбор наиболее приемлемых из некото-
рого множества гипотез о механизме явлений, исследование диа-
грамм состав — свойство — вот примеры задач, при решении
которых применяется планирование эксперимента [6].
Эксперимент, который ставится для решения задач оптимиза-
ции, называется экстремальным. Это название связано с глубокой
аналогией между решением задачи оптимизации и поиском экс-
тремума некоторой функции.
Рассмотрим комплекс, разработанный в МГСУ с целью иссле-
дования технологических процессов с использованием методов
статистики и математического анализа. Комплекс предназначен
для планирования и обработки результатов эксперимента, содер-
жащего различное количество факторов. В результате перенастрой-
ки блока линейного эксперимента возможна обработка результатов
15-, 30-, 45-, 60-факторного эксперимента [6; 10]. Количество ва-
рьируемых факторов устанавливается типом задач, выполняемых
экспериментатором.
Комплексом объединены следующие программы: «GJ-STAT-06.
Обработка и аналитическая оптимизация результатов эксперимен-
та»; «JE-STAT–15. Расчеты и анализ факторного пространства экс-
перимента»; «JE-STAT-23. Построение нелинейных моделей и ре-
шение интерполяционных и оптимизационных задач»; «JEK-
STAT-25. Моделирование и оптимизация технологических
процессов»; «JEK-STAT-27. Моделирование процессов и оптими-
зация результатов многофакторного эксперимента». В комплексе
предусматривается индивидуальная деятельность экспериментато-
ра и обработка результатов эксперимента с помощью трех программ:
• обработки результатов линейного эксперимента»;
• обработки и аналитической оптимизации результатов экс-
перимента, построенного по D-оптимальным планам;
• обработки и аналитической оптимизации результатов экс-
перимента, построенного на основе центральных композиционных
планов с получением в результате квадратичных полиномов.
Блок-схема программного комплекса включает десять струк-
турных элементов аналитического, логического и расчетного вида:
1. Принятие решения перед проведением эксперимента. Это реше-
ние основано на анализе априорной информации и заключается в

23
изучении имеющихся данных по исследуемым процессам. Резуль-
татом являются рекомендации по проведению эксперимента и
перечень факторов, задействованных в эксперименте. Определяют
функции отклика (как правило, это свойства изделий, расход энер-
горесурсов, экономические показатели) и параметр, по которому
будет оптимизироваться технологический процесс.
При выборе области эксперимента должны учитываться следу-
ющие соображения. Прежде всего надо оценить границы областей
определения факторов. При этом должны учитываться ограничения
нескольких типов:
• первый тип — принципиальные ограничения для значений
факторов, которые не могут быть нарушены ни при каких обстоя-
тельствах (например, если фактор — температура, то нижним пре-
делом будет абсолютный нуль);
• второй тип — ограничения, связанные с технико-экономи-
ческими соображениями (например, со стоимостью сырья, дефи-
цитностью отдельных компонентов, временем ведения процесса);
• третий тип, с которым чаще всего приходится иметь дело, —
определяется конкретными условиями проведения процесса (на-
пример, существующей аппаратурой, технологией, организацией;
так, в реакторе, изготовленном из некоторого материала, темпера-
туру нельзя поднять выше температуры плавления этого материа-
ла или выше рабочей температуры данного катализатора).
2. Ранжирование факторов. Осуществляется в процессе реали-
зации «оценочного» эксперимента, который проводят с использо-
ванием всех факторов, выявленных в результате анализа предва-
рительной информации.
В теории математического планирования эксперимента оценка
влияния большой группы факторов, характеризующих технологи-
ческий процесс, на функции отклика рассматривается как ранжи-
рование факторов. Ранжирование может проходить по системе
экспертных оценок, по бальной системе, но наиболее адекватные
результаты могут быть получены в процессе статистической про-
верки.
Один из видов статистической проверки — эксперимент, в ре-
зультате которого определяется только линейное влияние факторов
на отклик. В подобных экспериментах целесообразно использовать
дробные реплики высоких порядков, что снижает количество опы-
тов, необходимых для получения результата.

24
Обработка результатов, проверка статистических гипотез и оцен-
ка значимости, получаемых коэффициентов уравнения регрессии
осуществляются стандартными для математического планирования
методами. Адекватность модели проверяется при вероятности пред-
сказания достоверных результатов 85 %. Снижение уровня досто-
верности связано именно с линейным типом моделей, когда не
раскрываются квадратичные взаимодействия, но такой уровень
считается достаточным для ранжирования факторов.
Осуществляется построение линейных полиномов. Если коэф-
фициент меньше доверительного интервала, то он приравнивается
нулю, а фактор считается незначимым.
В эксперименте может быть использовано одновременно до
7 факторов, 16 или до 30 факторов. Комбинации матриц планиро-
вания позволяют выполнять эксперименты и с большим количе-
ством варьируемых факторов. Чем больше варьируемых факторов
охвачено экспериментом, тем он сложнее, более трудоемок и под-
вержен влиянию неконтролируемых внешних параметров (вре-
менных, психологических, характеризующих изменение среды и
сырья), всех тех характеристик, которые могут привести к «некон-
тролируемому дрейфу» результатов эксперимента.
Количество варьируемых факторов, задействованных в экспе-
рименте, зависит от его цели или от вида изучаемого объекта. Если
объектом является технологический передел, то, как правило, бы-
вает достаточно 7 или 16 факторов. Если изучается технология це-
ликом, то количество варьируемых факторов может быть 30 и в
этом случае используют параллельно 2 или 3 блока 30-факторного
эксперимента.
3. Анализ результатов оценочного эксперимента. Заключается в
определении влияния каждого фактора на параметр оптимизации.
Коэффициенты при значимых факторах позволяют дать оценку
влияния каждого фактора на функции отклика. В результате вы-
деляют группы факторов:
• влияющих на результат в максимальной степени (группа «А»);
• значительно влияющих на результат (группа «Б»);
• влияющих на результат в меньшей степени (оставшиеся зна-
чимые факторы).
В результате устанавливают три типа связи между варьируемы-
ми факторами и функциями отклика.

25
В группу «А» попадает n факторов. Для факторов этой группы
результатом являются полиномы типа:
Y = b0′ + b1X1 + … + b12X1X2 + … + b11X12 + … при этом X  [1, n[.
В группу «Б» попадает m факторов. Для факторов этой группы
результатом являются полиномы типа:
Y = b0″ + bnXn + … + bn(n+1)XnXn+1 + … при этом X  [n, m[.
В оставшейся группе содержится k – (n + m) факторов. Для этих
факторов дополнительных экспериментов не проводят и для опи-
сания их влияния используют линейные полиномы оценочного
эксперимента:
Y = b0 + bmXm + … + bkXk + … при этом X  [m, k[.
4. Проведение эксперимента по группе наиболее значимых факто-
ров (группа «А»). Из всех значимых факторов, характеризующих
технологический процесс, выделяют группу от 3 до 7 факторов, для
которых проводят эксперимент на основе матрицы, построенной
на основе композиционных ортогональных планов.
5, 6. Планирование и проведение эксперимента, а также обработ-
ка результатов, построение полиномов II-й степени и их оптимиза-
ция. Осуществляется по методике, изложенной в учебном посо-
бии [6].
7. Проведение эксперимента по группе среднезначимых факторов
(группа «Б»). Из всех оставшихся значимых варьируемых факторов
выделяют группу от 3 до 7 факторов, для которых проводят экс-
перимент на основе матрицы, построенной по D-оптимальным
планам.
8, 9. Обработка результатов и построение неполных квадратичных
полиномов и их оптимизация. Осуществляется по методике, изло-
женной в учебном пособии [6].
10. Построение оптимизационных и интерпретационных моделей,
графическая интерпретация. Осуществляется с помощью специ-
альных программ для ЭВМ или в расчетном («ручном») режиме.
В результате проверки значимости выделяют факторы, оказы-
вающие на функции отклика наибольшее влияние. Эксперимент,
направленный на аналитическую оптимизацию, проводится имен-
но с этими факторами. Решение технологических задач посредством

26
аналитической оптимизации предполагает получение квадратич-
ных полиномов — математических моделей, проверенных на адек-
ватность и на выполнение всех статистических гипотез.
При применении ортогональных планов все коэффициенты
оцениваются независимо. Это значит, что изменение оценки лю-
бого коэффициента (например, исключение незначащего члена из
уравнения) не приводит к изменению других оценок и их диспер-
сий.
С использованием моделей возможно решение ряда задач, име-
ющих практическую направленность: интерполяционных и опти-
мизационных. Аналитическая оптимизация неполных квадратич-
ных и линейных моделей заключается в дифференцировании каж-
дого полинома в частных производных по Х 1 , Х 2 , Х 3 , …, Х n ,
приравнивании результата 0 и в решении системы уравнений. Оп-
тимизация квадратичных моделей заключается в дифференциро-
вании каждого квадратичного полинома в частных производных
по варьируемым факторам Х1, Х2, Х3, …, Хn, приравнивании резуль-
тата 0 и в решении системы уравнений. Графическую интерпрета-
цию модели осуществляют построением поверхностей равных зна-
чений отклика (Y = const) в системе координат [Х1, Х2, Х3 …].

1.6. Оценка эксплуатационной стойкости


теплоизоляционных материалов
Целью изучения технологического процесса является его опти-
мизация, заключающаяся в более четкой ориентации на получение
изделий с заданными свойствами и в получении изделий, облада-
ющих способностью сохранять эти свойства в течение проектного
срока эксплуатации конструкции. Эксплуатационная стойкость
теплоизоляционного материала определяется не только его свой-
ствами, но и способностью длительное время выдерживать экс-
плуатационные нагрузки без значительного изменения свойств.
Ниже приводится методика оценки эксплуатационной стойкости
(путем искусственного состаривания) наиболее распространенно-
го теплоизоляционного материала — минераловатных плит (МВП).
МВП являются достаточно сложным объектом для исследования
эксплуатационных свойств, что во многом обусловлено особен-
ностями их структуры: волокнистый каркас (пористость МВП 88—
95 %) из волокон минеральной ваты средним диаметром 4—7 мкм

27
и длиной до 30—50 мм, скрепленных в процессе тепловой обработ-
ки в изделие с заданными свойствами с помощью синтетического
связующего (3—8 % по массе) или путем прошивки сформирован-
ной структуры полимерными нитями, металлической проволокой
и т.п. Не только вид сырья, свойства волокон и связующих, но и
особенности структуры, степень заводской готовности МВП также
влияют на их эксплуатационные свойства.
При решении технологических задач с помощью моделирования
в первую очередь решается вопрос выбора параметра оптимизации
[12]. Основными эксплуатационными свойствами МВП являются
прочностная характеристика, плотность, воздухопроницаемость,
теплопроводность. Теплопроводность и воздухопроницаемость
плит в зависимости от их средней плотности имеют различные ха-
рактеристики изменения. В частности, для плит низкой плотности
они возрастают, а для плит плотностью выше 100 кг/м3 они имеют
тенденцию к снижению. Поэтому в качестве параметра оптимиза-
ции принята прочность при 10%-й деформации (R10). Эта характе-
ристика имеет однозначное изменение: при увеличении плотности
она возрастает, а при увеличении циклов z она снижается.
Испытания на искусственное состаривание проводят в клима-
тической камере в течение 180 циклов (замораживание — оттаива-
ние — нагрев). Строят графики зависимости прочности при 10%-й
деформации, воздухопроницаемости и теплопроводности от коли-
чества циклов (z).
Основой методики оценки долговечности МВП является метод
сравнения с критическими показателями, определяемыми для эта-
лонного изделия. Данные по критическим показателям были опре-
делены по результатам исследования свойств минеральных волок-
нистых материалов при их искусственном состаривании. Прочность
при 10%-й деформации R10 принимают в качестве параметра оп-
тимизации, т.е. основного параметра, по которому определяют экс-
плуатационную стойкость изделий. Теплопроводность λ является
учитываемым фактором, значение которого определяют наравне с
прочностью при 10%-й деформации R10.
По результатам испытаний в климатической камере строят за-
висимости λ = f(z), R10 = f(z) на области определения z от 0 до 180
циклов. Затем проверяют значение показателя свойств при z = 180.
Этот показатель должен быть не меньше установленного для данной
средней плотности изделий (табл. 2, 3).

28
Табли ц а 2
Значения критических показателей по теплопроводности

Средняя плотность изделия,


Показатель кг/м3
40 100 150 200
Теплопроводность при z = 180, Вт/(м · К) 0,039 0,038 0,037 0,038
Дифференциал (Dλ = dλ/dz) · 10–7 –20 –60 –100 –140

Табли ц а 3
Значения критических показателей по прочности при 10%-й деформации

Средняя плотность изделия,


Показатель кг/м3
40 100 150 200
Прочность при 10%-й деформации при 0,4 10,0 30,0 40,0
z = 180, кПа
Дифференциал (DR = dR10/dz) · 10–3 –10 –60 –100 –120

Методика определения эксплуатационной стойкости основана


на гипотезе о том, что в условиях эксплуатации до 180 циклов за-
висимость между показателями свойств и количеством циклов но-
сит линейный характер. Это характерно, например, для минерало-
ватных изделий объемно-ориентированной структуры (рис. 3, а).
Для оценки характера изменения исследуемых параметров вво-
дится понятие критического дифференциала (угла наклона) функ-
ции Y = f(z). Дифференциал равен производной функции Y = f(z) в
данной точке. Если функция имеет уравнение прямой, то диффе-
ренциал равен:
dY
Dp = = const.
dz
Если зависимость нелинейна, но функция может быть аппрок-
симирована кривой второго порядка, то дифференциал равен:

dY
Dp = = Kz.
dz

29
Рис. 3. Определение дифференциалов,
характеризующих скорость изменения параметров
по количеству циклов:
а — линейное изменение параметров;
б — нелинейное изменение параметров; 1 — функциональная
зависимость, расположенная в области, обеспечивающей расчетную
долговечность; 2 — функциональная зависимость,
расположенная на «критической» границе

dY
В этом случае определяют расчетные значения функции для
dz
двух точек А (z равен 90 циклам) и Б (z равен 180 циклам). Резуль-
тирующий дифференциал определяют как среднее арифметическое
значений в точках А и Б:
DA + D Б
Dp = .
2

30
Если зависимость не может быть аппроксимирована аналити-
ческой кривой, то осуществляют графическое дифференцирование
в двух точках А (z равен 90 циклам) и Б (z равен 180 циклам). Ре-
зультирующий дифференциал, как и в предыдущем случае, опре-
деляют как среднее арифметическое значений в точках А и Б.
Затем определяют значения прочности и теплопроводности,
сравнивают расчетные данные с табличными. Если расчетное зна-
чение дифференциала (Dλ или DR) оказывается меньше таблично-
го, то считают, что данный материал может обеспечить расчетную
эксплуатационную стойкость, равную 50 годам.
Как известно, водостойкость волокон повышается при увели-
чении значений модуля кислотности. Поверхностные слои воло-
кон, изготовленных из базальтов и мергелей и многокомпонентных
шихт, имеют меньшее количество дефектов, чем волокна из шлаков.
Заданная структура минераловатного ковра, состоящая из волокон
минераловатной ваты, неволокнистых включений и синтетическо-
го связующего (до 8—10 % по массе), закрепляется в процессе те-
пловой обработки. От того, насколько равномерно будет распре-
делено это связующее в объеме ковра и насколько полно оно будет
отверждено при тепловой обработке, зависят прочностные и экс-
плуатационные свойства минераловатных материалов. Естествен-
но, что на эти показатели существенно влияют вид применяемого
связующего, длительность и условия его хранения. Даже если во-
локно и имеет повышенную стойкость к агрессивным и темпера-
турно-влажностным воздействиям, долговечность МВП во многом
определяется эксплуатационными свойствами связующего. К чис-
лу основных технологических факторов, влияющих на формиро-
вание повышенных эксплуатационных свойств минераловатных
материалов, относится полнота отверждения связующего, завися-
щая главным образом от режимов тепловой обработки ковра. При
недостаточной степени поликонденсации фенолоспиртов минера-
ловатные материалы разрушаются даже в условиях склада при тем-
пературе 18—20 °С, причем с увеличением влажности до 100 % де-
структивные процессы интенсифицируются, поэтому в первые дни
хранения при положительных температурах минераловатные ма-
териалы с недостаточной степенью отверждения связующих не-
значительно доупрочняются вследствие продолжающихся процес-
сов структурирования неотвержденной части связующего, а затем
резко теряют прочность: степень разрушения тем выше, чем мень-

31
ше степень отверждения связующего, ниже температура и выше
влажность окружающего воздуха [3].
Резкие колебания температур, переменная влажность и агрес-
сивные воздействия, которые испытывает минераловатный мате-
риал в конструкции, приводят к развитию микродефектов и трещин
в волокне, а также возникновению внутренних напряжений в кар-
касе материала преимущественно в местах сосредоточения групп
волокон на границах раздела фаз волокно — связующее, что при-
водит к ослаблению связей между связующим и волокном, нару-
шению структуры изделия и возможному его постепенному раз-
рушению.
Наибольшие разрушения наблюдаются в слое тепловой изоля-
ции, примыкающем к наружному слою конструкции. Поэтому для
строительных конструкций, трубопроводов и оборудования, под-
верженных воздействию повышенных температур и влажности,
желательно применять многослойную теплоизоляцию. Уменьшение
расчетной (оптимальной) толщины слоя минераловатной тепловой
изоляции не только ухудшает ее запроектированные качества, но
и может способствовать интенсификации деструктивных процес-
сов в изоляционном слое и снижению его надежности [4; 11].
Эксплуатационные свойства МВП, применяемых в качестве
слоя тепловой изоляции в ограждающих конструкциях, связаны с
нестационарными воздействиями температуры и влаги. Стойкость
материалов при периодических колебаниях температурно-влаж-
ностных факторов (эксплуатационная стойкость) имеет домини-
рующее значение. Вместе с тем некоторые минераловатные изделия
в ряде случаев недостаточно стойки в условиях повышенной влаж-
ности, что приводит к ухудшению их функциональных и строи-
тельных свойств (вплоть до разрушения) еще до их применения в
конструкциях. Следовательно, основными показателями, по из-
менению которых можно исследовать эксплуатационные свойства
МВП, могут быть морозо- и влагостойкость, предусмотренные
стандартами.

32
2. СТАТИСТИЧЕСКИЕ МЕТОДЫ В ИЗУЧЕНИИ
ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

2.1. Планирование эксперимента


2.1.1. ПРИМЕНЕНИЕ МЕТОДОВ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТА
Статистические методы планирования эксперимента сформу-
лированы в 20-х гг. ХХ в. английским статистиком Рональдом Фи-
шером. Им обоснована целесообразность одновременного варьи-
рования всеми факторами в противовес широко распространенно-
му однофакторному эксперименту. В начале 50-х гг. прошлого века
появилось новое направление в планировании, связанное с опти-
мизацией процессов экстремального эксперимента. В Советском
Союзе и в России основы методов математического моделирования
были заложены в трудах Ю.П. Адлера и развиты В.А. Вознесенским,
Т.Н. Гартманом, В.В. Налимовым [1; 2; 7; 13] и др.
Планирование эксперимента делает поведение эксперимента-
тора целенаправленным и организованным, существенно способ-
ствует повышению производительности его труда и надежности
полученных результатов. Достоинством метода является его уни-
версальность, пригодность в самых различных областях исследо-
ваний. Планирование эксперимента развивается и вызывает все
больший интерес у исследователей. Интерес вполне понятен: пер-
спектива сократить число опытов, найти оптимум, получить коли-
чественные оценки влияния факторов и определить ошибки —
крайне привлекательна. Но когда экспериментатор делает попыт-
ку познакомиться с планированием эксперимента, он часто
сталкивается с серьезными трудностями. Иногда он неверно при-
меняет методы планирования, выбирает не самый эффективный
для данной ситуации путь исследования и т.п. При этом снижается
эффективность работы экспериментатора и появляется опасность
дискредитации этого полезного направления научных исследо-
ваний.
Научные исследования, связанные с экспериментом, могут осу-
ществляться в лабораториях или на производстве. Эксперимент
может быть физическим, психологическим или модельным. Он
может непосредственно проводиться на объекте или на его модели.
Модель обычно отличается от объекта масштабом, а иногда при-

33
родой. Если модель достаточно точно описывает объект, то экс-
перимент на объекте может быть заменен экспериментом на мо-
дели.
Эксперимент, по определению Ю.П. Адлера, это совокупность
действий, к которым приходится обращаться, чтобы задавать при-
роде интересующие нас вопросы [1]. Эта совокупность может быть
весьма сложна, но ее всегда можно разложить на отдельные эле-
менты, каждый из которых называется опытом. Такое определение
эксперимента, не являясь исчерпывающим и однозначным, явля-
ется достаточным. Эксперимент занимает центральное место в на-
уке. Одним из возможных путей повышения его эффективности
является применение математических методов, построение мате-
матической теории планирования эксперимента.
Планирование эксперимента — это процедура выбора числа и ус-
ловий проведения опытов, необходимых и достаточных для реше-
ния поставленной задачи с требуемой точностью. При этом суще-
ственно следующее:
• стремление к минимизации общего числа опытов;
• одновременное варьирование всеми переменными, опреде-
ляющими процесс, по специальным правилам (алгоритмам);
• использование математического аппарата, формализующего
многие действия экспериментатора;
• выбор четкой стратегии, позволяющей принимать обосно-
ванные решения после каждой серии экспериментов.

2.1.2. ИНТЕРПОЛЯЦИОННЫЕ И ОПТИМИЗАЦИОННЫЕ ЗАДАЧИ


Задачи, для решения которых может использоваться планиро-
вание эксперимента, чрезвычайно разнообразны. Поиск оптималь-
ных условий, построение интерполяционных формул, выбор су-
щественных факторов, оценка и уточнение констант теоретических
моделей (например, кинетических), выбор наиболее приемлемых
из некоторого множества гипотез о механизме явлений, исследо-
вание диаграмм состав — свойство — вот примеры задач, при ре-
шении которых применяется планирование эксперимента.
Задачи поиска оптимальных условий являются одними из наи-
более распространенных научно-технических задач. Они возника-
ют, когда установлена возможность проведения процесса и необ-
ходимо найти наилучшие (оптимальные в некотором смысле) ус-
ловия его реализации.

34
Возможна постановка задачи определения условий проведения
процесса, оптимальных в смысле максимизации выхода требуемо-
го продукта. Но это далеко не единственно возможная постановка
задачи. Найденные условия оказались бы другими, если бы стави-
лась, например, задача минимизации себестоимости продукта или
задача минимизации количества вредных примесей. Всегда необ-
ходимо четко формулировать, в каком смысле условия должны быть
оптимальными. Этим определяется выбор цели исследования. Точ-
ная формулировка цели в значительной мере определяет успех иссле-
дования.
Задачи, сформулированные аналогичным образом, называются
задачами оптимизации. Процесс их решения называется процессом
оптимизации или просто оптимизацией. Выбор оптимального со-
става многокомпонентных смесей или сплавов, повышение про-
изводительности действующих установок, повышение качества
продукции, снижение затрат на ее получение — вот примеры задач
оптимизации. Эксперимент, который ставится для решения задач
оптимизации, называется экстремальным.

2.1.3. «ЧЕРНЫЙ ЯЩИК» КАК ОБЪЕКТ ИССЛЕДОВАНИЙ


«Черный ящик» — это кибернетическая система, широко ис-
пользуемая при исследовании технологических процессов. Ранее
преобладал детерминированный подход, который предполагает
построение физической модели процесса на основании тщатель-
ного изучения механизма явлений (например, кинетики, гидроди-
намики). Такой подход позволял получить математическую модель
объекта в виде системы дифференциальных уравнений или крите-
риальных зависимостей с последующей интерпретацией. В случае
использования «черного ящика» все внутренние связи оставлены
вне области интереса экспериментатора и его интересуют только
внешние реакции «черного ящика».
Для проведения эксперимента необходимо иметь возможность
воздействовать на поведение «черного ящика». Все способы тако-
го воздействия обозначаем буквой Х (икс) и называем факторами.
Их называют также входами «черного ящика».
При решении задачи будем использовать математические мо-
дели объекта исследования. Под математической моделью пони-
мается уравнение, связывающее параметр оптимизации с факто-
рами.

35
Фиксированный набор уровней факторов (т.е. установление
каждого фактора на некоторый уровень) определяет одно из воз-
можных состояний «черного ящика». Одновременно это есть ус-
ловие проведения одного из возможных опытов. Если перебрать
все возможные наборы состояний, то получится полное множество
различных состояний данного «ящика».
Каждый фактор может принимать в опыте одно из нескольких
значений. Такие значения будем называть уровнями. Может ока-
заться, что фактор способен принимать бесконечно много значений
(непрерывный ряд). Однако на практике точность, с которой уста-
навливается некоторое значение, не беспредельна. Поэтому мож-
но считать, что всякий фактор имеет определенное число дискрет-
ных уровней. Это соглашение существенно облегчает построение
«черного ящика». Число различных состояний определяет слож-
ность данной системы. Зная сложность, можно сказать, сколько
различных опытов следует включить в эксперимент в поставленной
задаче. Поэтому надо научиться оценивать сложность «ящика», если
известно число факторов и число уровней каждого фактора.
Чтобы узнать число различных состояний, достаточно число
уровней факторов (если оно для всех факторов одинаково) возвести
в степень числа факторов k: pk, где р — число уровней. Реальные
объекты, с которыми люди сталкиваются ежедневно, обладают
огромной сложностью. Так, на первый взгляд простая система с
пятью факторами на пяти уровнях имеет 3125 состояний, а для де-
сяти факторов на четырех уровнях их уже свыше миллиона. В этих
условиях люди просто вынуждены отказаться от таких эксперимен-
тов, которые включают все возможные опыты: перебор слишком
велик. Тогда возникает вопрос, сколько и каких опытов надо вклю-
чить в эксперимент, чтобы решить поставленную задачу? Здесь-то
и приходит на помощь планирование эксперимента.
При планировании эксперимента не безразлично, какими свой-
ствами обладает объект исследования. Существенным вопросом
является, воспроизводятся ли на объекте результаты эксперимен-
та. Ниже будут рассматриваться только такие объекты, для которых
требование воспроизводимости выполняется.
Планирование эксперимента предполагает активное вмешатель-
ство в процесс и возможность выбора в каждом опыте тех уровней
факторов, которые представляют интерес. Поэтому такой экспе-

36
римент называется активным. Объект, на котором возможен ак-
тивный эксперимент, называется управляемым.
На практике нет абсолютно управляемых объектов. На реальный
объект обычно действуют как управляемые, так и неуправляемые
факторы. Неуправляемые факторы влияют на воспроизводимость
эксперимента и являются причиной ее нарушения. Если требова-
ния воспроизводимости не выполняются, проводят активно-пас-
сивный эксперимент. Если плохая воспроизводимость объясняет-
ся действием фактора, систематически изменяющегося (дрейфу-
ющего) во времени, то обращаются к специальным методам
планирования.
Если все факторы не управляемы, то возникает задача установ-
ления связи между параметром оптимизации и факторами по ре-
зультатам наблюдений за поведением объекта, или, как говорят, по
результатам пассивного эксперимента.

2.1.4. ПЛАНИРОВАНИЕ ЭКСТРЕМАЛЬНОГО ЭКСПЕРИМЕНТА


Планирование экстремального эксперимента для воспроизво-
димых управляемых объектов — это метод выбора количества и
условий проведения опытов, минимально необходимых для оты-
скания оптимальных условий, т.е. для решения поставленной за-
дачи. Детерминированный и статистический (связанный с плани-
рованием эксперимента) подходы должны разумно дополнять друг
друга.
В теории планирования экстремального эксперимента исполь-
зуется специальная терминология. Прежде чем приступать к экс-
перименту, необходимо однозначно и непротиворечиво сформу-
лировать его цель и выбрать подходящую количественную харак-
теристику этой цели, которую называют параметром оптимизации.
Понятие «объект исследования» требует точного формального
определения. Для такого определения удалось приспособить ки-
бернетическое понятие «черный ящик» — модель объекта. Входы
«черного ящика» называются факторами. Каждый фактор может
принимать некоторое определенное число различных значений,
называемых уровнями. Сочетание определенных уровней всех фак-
торов определяет возможное состояние «черного ящика» и условия
одного из возможных опытов. Совокупность всех возможных со-

37
стояний определяет сложность «черного ящика» и общее число
возможных опытов.
Результаты эксперимента используются для получения матема-
тической модели объекта исследования, которая представляет со-
бой уравнение, связывающее параметр оптимизации и факторы.
Такое уравнение называется функцией отклика.

2.2. Выбор параметров оптимизации

2.2.1. ВИДЫ ПАРАМЕТРОВ ОПТИМИЗАЦИИ


Задача выбора необходимых для эксперимента опытов, методов
математической обработки их результатов и принятия решений —
это и есть задача планирования эксперимента. Частный случай этой
задачи — планирование экстремального эксперимента, т.е. экспери-
мента, поставленного с целью поиска оптимальных условий функ-
ционирования объекта.
При планировании экстремального эксперимента очень важно
определить параметр, который нужно оптимизировать. Цель ис-
следования должна быть четко сформулирована и должна допускать
количественную оценку. Характеристику цели, заданную количе-
ственно, называют параметром оптимизации. Параметр оптимиза-
ции является реакцией (откликом) на воздействие факторов, ко-
торые определяют поведение выбранной системы. Реакция объ-
екта многогранна, многоаспектна. Выбор того аспекта, который
представляет наибольший интерес, как раз и задается целью ис-
следования.
Объект может характеризоваться сразу всей совокупностью па-
раметров оптимизации или любым подмножеством из этой сово-
купности. Движение к оптимуму возможно, если выбран один един-
ственный параметр оптимизации. В этом случае прочие характе-
ристики процесса уже не выступают в качестве параметров
оптимизации, а служат ограничениями. Возможно построение
обобщенного параметра оптимизации как некоторой функции от
множества исходных факторов.
Экономические параметры оптимизации, такие как прибыль,
себестоимость и рентабельность, обычно используются при ис-
следовании действующих промышленных объектов, тогда как за-

38
траты на эксперимент имеет смысл оценивать в любых исследова-
ниях, в том числе и лабораторных. Если цена опытов одинакова,
затраты на эксперимент пропорциональны числу опытов, которые
необходимо поставить для решения данной задачи. Это в значи-
тельной мере определяет выбор плана эксперимента.
Среди технико-экономических параметров наиболее часто ис-
пользуется производительность. Такие параметры, как долговеч-
ность, надежность и стабильность, связаны с длительными наблю-
дениями или использованием экспресс-методов. Почти во всех
исследованиях приходится учитывать количество и качество полу-
чаемого продукта. Как меру количества продукта используют выход,
например, выход годных изделий.
Реже встречаются, но не являются менее важными, статистиче-
ские параметры, используемые для улучшения характеристик слу-
чайных величин или случайных функций. В качестве примеров
назовем задачи на минимизацию дисперсии случайной величины,
на уменьшение числа выбросов случайного процесса за фиксиро-
ванный уровень и т.д.
В технологических задачах важным является снижение диспер-
сии плотности высокопористых материалов, дисперсии прочност-
ных характеристик по глади и толщине минераловатного ковра,
степени отверждения связующего в нем и т.д. При решении задач
технической эстетики или сравнении произведений искусства воз-
никает потребность в эстетических параметрах. Они основаны на
ранговом подходе, который будет рассмотрен ниже.
С ростом сложности объекта возрастает роль психологических
аспектов взаимодействия человека с объектом. Так, при выборе
оптимальной организации рабочего места оператора параметром
оптимизации может служить число ошибочных действий в различ-
ных возможных ситуациях. Сюда относятся задачи выработки ус-
ловных рефлексов.

2.2.2. ТРЕБОВАНИЯ К ПАРАМЕТРАМ ОПТИМИЗАЦИИ


И ИХ СОВОКУПНОСТИ

Параметр оптимизации (признак, по которому предполагается


оптимизация процесса) должен быть количественным, задаваться
числом. Параметр должен быть измеряем при любой возможной

39
комбинации выбранных уровней факторов. Множество значений,
которые может принимать параметр оптимизации, называют об-
ластью его определения. Области определения могут быть непре-
рывными и дискретными, ограниченными и неограниченными.
Выход реакции — это параметр оптимизации с непрерывной огра-
ниченной областью определения. Он может изменяться в интер-
вале от 0 до 100 %. Число бракованных изделий, число зерен на
шлифе сплава — примеры параметров с дискретной областью опре-
деления, ограниченной снизу.
Уметь измерять параметр оптимизации это значит располагать
подходящим прибором. В ряде случаев такого прибора может не
существовать или он слишком дорог. Если нет способа количествен-
ного измерения результата, то приходится воспользоваться прие-
мом, называемым ранжированием (ранговым подходом). При этом
параметрам оптимизации присваиваются оценки — ранги по за-
ранее выбранной шкале: двухбальной, пятибальной и т.д. Ранговый
параметр имеет дискретную ограниченную область определения.
В простейшем случае область содержит два значения (да, нет; хо-
рошо, плохо). Это может соответствовать, например, годной про-
дукции и браку.
Ранг — это количественная оценка параметра оптимизации, но
она носит условный (субъективный) характер. Качественному при-
знаку ставится в соответствие некоторое число — ранг. Для каждо-
го физически измеряемого параметра оптимизации можно постро-
ить ранговый аналог.
Параметр оптимизации должен выражаться одним числом. Ино-
гда это получается естественно, как регистрация показания при-
бора. Чаще приходится производить некоторые вычисления. Ста-
тистическая однозначность параметра заключается в том, что каж-
дому набору варьируемых факторов должно соответствовать
только одно значение параметра оптимизации. Это требование
является главным, определяющим корректность поставленной за-
дачи.
Параметр оптимизации должен быть эффективным и в стати-
стическом смысле. Фактически это требование сводится к выбору
параметра оптимизации, который определяется с наибольшей воз-
можной точностью. Если эта точность недостаточна, приходится
обращаться к увеличению числа повторных опытов.

40
Параметр оптимизации должен отвечать требованиям универ-
сальности или полноты. Под универсальностью параметра опти-
мизации понимается его способность всесторонне характеризовать
объект. В частности, технологические параметры оптимизации не-
достаточно универсальны: они не учитывают экономику. Универ-
сальностью обладают, например, обобщенные параметры оптими-
зации, которые строятся как функции от нескольких частных па-
раметров.
Параметр оптимизации должен иметь физический смысл, быть
простым и легко вычисляемым. Требование физического смысла
связано с последующей интерпретацией результатов эксперимен-
та. Параметр оптимизации в некоторой степени оказывает влияние
на вид математической модели исследуемого объекта. Экономиче-
ские параметры, в силу их аддитивной природы, легче представля-
ются простыми функциями, чем физико-химические показатели.

2.2.3. ФАКТОРЫ И ИХ СВОЙСТВА


Способы воздействия на оптимизируемый объект были названы
факторами. От удачного выбора факторов зависит успех оптими-
зации. После того как выбраны объект исследования и параметр
оптимизации, нужно включить в рассмотрение все существенные
факторы, которые могут влиять на процесс. Если какой-либо су-
щественный фактор окажется нeyчтенным, то это может привести
к неприятным последствиям. Так, если неучтенный фактор произ-
вольно флюктуировал (принимал случайные значения, которые
экспериментатор не контролировал), это значительно увеличивает
ошибку опыта. При поддержании фактора на некотором фиксиро-
ванном уровне может быть получено ложное представление об оп-
тимуме, так как нет гарантии, что фиксированный уровень явля-
ется оптимальным.
Если число факторов больше пятнадцати, нужно обратиться к
методам отсеивания несущественных факторов. Здесь можно вос-
пользоваться формализацией априорной информации, методом
случайного баланса, планами Плaккета — Бермана и др. Иногда
эти планы применяются и при меньшем числе факторов.
Фактор — это измеряемая переменная величина, принимающая
в некоторый момент времени определенное значение. Факторы

41
соответствуют способам воздействия на объект исследования. Каж-
дый фактор имеет область определения, под которой понимается
совокупность всех значений, которые в принципе может принимать
данный фактор. Область определения может быть непрерывной и
дискретной. Однако в тех задачах планирования эксперимента, ко-
торые будут рассматриваться, всегда используются дискретные об-
ласти определения. Так, для факторов с непрерывной областью
определения, таких как температура, время, количество вещества
и т.п., всегда выбираются дискретные множества уровней. В прак-
тических задачах области определения факторов, как правило, огра-
ничены. Ограничения могут носить принципиальный или техни-
ческий характер.
Факторы разделяются на количественные и качественные. Ка-
чественные факторы — это разные вещества, разные технологиче-
ские способы, аппараты, исполнители и т.д. Хотя качественным
факторам не соответствует числовая шкала в том смысле, как это
понимается для количественных факторов, однако можно постро-
ить условную порядковую шкалу, которая ставит в соответствие
уровням качественного фактора числа натурального ряда, т.е. про-
изводит кодирование. Порядок уровней может быть произволен,
но после кодирования он фиксируется.

2.2.4. ТРЕБОВАНИЯ, ПРЕДЪЯВЛЯЕМЫЕ К ФАКТОРАМ


И ИХ СОВОКУПНОСТИ

Факторы должны быть управляемыми. Экспериментатор, вы-


брав нужное значение фактора, может его поддерживать постоян-
ным в течение всего опыта, т.е. может управлять фактором. В этом
состоит особенность «активного» эксперимента. Планировать экс-
перимент можно только в том случае, если экспериментатор спо-
собен поддерживать уровни факторов на установленных планом
значениях.
Точное определение фактора заключается в фиксации последо-
вательности действий (операций), с помощью которых устанавли-
вают конкретные значения (уровни) фактора. Такое определение
фактора называют операциональным. Например, если фактором
является давление в некотором аппарате, то совершенно необхо-
димо указать, в какой точке и с помощью какого прибора оно из-

42
меряется и как оно устанавливается. Введение операционального
определения обеспечивает однозначное понимание фактора. С опе-
рациональным определением связаны выбор размерности фактора
и точность его фиксирования.
Точность замера факторов определяется диапазоном их изме-
нения. При изучении процесса, который длится десятки часов, нет
необходимости учитывать доли минуты, а в быстрых процессах не-
обходимо учитывать, быть может, доли секунды.
Если факторы измеряются с большой ошибкой или особенность
объекта исследования такова, что значения факторов трудно под-
держивать на выбранном уровне (уровень фактора плывет), то экс-
периментатору следует обратиться к конфлюэнтному анализу.
Факторы должны быть непосредственными воздействиями на
объект. Факторы должны быть однозначны. Трудно управлять фак-
тором, который является функцией других факторов. Но в плани-
ровании могут участвовать сложные факторы, такие как соотно-
шения между компонентами, их логарифмы и т.п. Необходимость
введения сложных факторов возникает при желании представить
динамические особенности объекта в статической форме.
При планировании эксперимента обычно одновременно изме-
няется несколько факторов. Поэтому очень важно сформулировать
требования, которые предъявляются к совокупности факторов.
Прежде всего, выдвигается требование совместимости. Совме-
стимость факторов означает, что все их комбинации осуществимы
и безопасны. Несовместимость факторов может наблюдаться на
границах областей их определения. Избавиться от нее можно со-
кращением областей. Положение усложняется, если несовмести-
мость проявляется внутри областей определения. Одно из возмож-
ных решений — разбиение на подобласти и решение двух отдельных
задач (реализация двух автономных планов).
При планировании эксперимента важна независимость факто-
ров, т.е. возможность установления фактора на любом уровне вне
зависимости от уровней других факторов. Если это условие невы-
полнимо, то невозможно планировать эксперимент. Следователь-
но, вторым требованием является отсутствие корреляции между
факторами. Требование некоррелированности не означает, что
между значениями факторов нет никакой связи; достаточно, чтобы
связь не была линейной. Выбор факторов — очень ответственный

43
этап подготовки к планированию эксперимента: от удачного вы-
бора зависит его успех.

2.3. Модель исследуемого процесса


Математическая модель — это функция отклика: Y = f (Хl, Х2, …,
Xk). Выбрать модель значит выбрать вид этой функции, записать
ее уравнение. Тогда останется спланировать и провести экспери-
мент для оценки численных значений констант (коэффициентов)
этого уравнения. Геометрическим аналогом модели (функцией от-
клика) является поверхность отклика. В случае многих факторов
геометрическая наглядность теряется. Возникает абстрактное мно-
гомерное пространство, в котором не выработан навык ориенти-
рования. Приходится переходить на язык алгебры. Тем не менее
простые примеры, которые будут рассмотрены, помогут при рабо-
те с многими факторами. Для наглядности будем рассматривать
случай с двумя факторами.

Рис. 4. Области определения факторов Х1 и Х2


и множество значений функции отклика Y на плоскости.
Следы равных значений
функции отклика: Y1 < Y2 < Y3 < Y4

Геометрически возможные состояния «черного ящика» с двумя


входами можно изобразить на плоскости в декартовой системе ко-
ординат (рис. 4). По одной оси координат откладывают в некотором
масштабе значения (уровни) одного фактора, а по другой оси —
другого. Каждому состоянию «ящика» соответствует точка на пло-
скости.

44
Для факторов существуют области определения: у каждого фак-
тора есть минимальное и максимальное возможные значения, меж-
ду которыми он может изменяться либо непрерывно, либо дис-
кретно. Если факторы совместимы, то границы образуют на пло-
скости некоторый прямоугольник, внутри которого лежат точки,
соответствующие состояниям «черного ящика».
Чтобы указать значение параметра оптимизации, требуется еще
одна ось координат (рис. 5). Пространство, в котором строится по-
верхность отклика, называют факторным пространством. Оно за-
дается координатными осями, по которым откладываются значения
факторов и параметра оптимизации. Размерность факторного про-
странства зависит от числа факторов. При многих факторах по-
верхность отклика уже нельзя изобразить наглядно и приходится
ограничиваться только алгебраическим языком.

Рис. 5. Области определения факторов Х1 и Х2


и множество значений функции отклика Y
в трехмерной системе координат.
Поверхность функции отклика: Y = f(Х1, Х2);
проекции равных значений функций отклика
на плоскость (Х1ОХ2): Y1 < Y2 < Y3 < Y4

Поверхность отклика задана только в совместной области опре-


деления факторов. В этой области каждому возможному набору
значений факторов (состоянию объекта) соответствует единствен-
ное значение параметра оптимизации. Для уменьшения размер-
ности факторного пространства при геометрическом построении
поверхности отклика можно использовать сечения.

45
Для двух факторов можно даже не переходить к трехмерному
пространству, а ограничиться плоскостью. Для этого достаточно
произвести сечение поверхности отклика плоскостями, параллель-
ными плоскости Х1ОХ2, и полученные в сечениях линии спроек-
тировать на эту плоскость. Так строят, например, изображения гор
и морских впадин на географических картах. Точка М на рис. 6 это
и есть та оптимальная точка, которую ищет экспериментатор. Каж-
дая линия соответствует постоянному значению параметра опти-
мизации. Такая линия называется линией равного отклика.
Целью эксперимента является нахождение оптимальных значе-
ний результата. В практике используются два метода планирования:
классический или метод, основанный на «шаговом принципе».
Графическая интерпретация поверхностей отклика дает возмож-
ность изобразить оба варианта поиска оптимума (см. рис. 6).

Рис. 6. Планирование эксперимента (графическая интерпретация):


а — метод Гаусса — Зейделя; б — «шаговый метод»; I—IX — номера опытов

Классический метод, который еще называют методом Гаусса —


Зейделя (см. рис. 6, а) состоит в том, что сначала последовательно
изменяются значения одного фактора. На рисунке этому этапу со-
ответствуют опыты с I по IV. Затем находится и фиксируется наи-
лучшее значение этого фактора (в примере — Х2). Далее значение
Х 2 фиксируется и начинают изменяться значения фактора Х 1
(опыты с V по IХ), пока не будет определена его оптимальная об-
ласть. Простейший вариант шаговой процедуры представлен на
рис. 6, б. Сначала изучается локальная область (I), затем определя-
ется наиболее интересное направление и в этом направлении ста-

46
вятся следующие опыты (II) т.д., пока не будет определен оптимум.
В обоих случаях достигнут одинаковый результат — оптимум
найден.
Успех при применении каждого из методов зависит от вида по-
верхности отклика. В случае симметричной окружности они экви-
валентны. На успех влияют свойства самих методов. Важно, какие
значения фактора зафиксированы в «классическом методе». Слу-
чайно может оказаться, что Х2 установлен сразу на оптимальный
уровень. Важно, в какой последовательности перебирают факто-
ры — что зафиксировано раньше.
Для «шагового метода» существенно, где выбрана исходная об-
ласть и пр. Размер такой области заранее не известен, но адекват-
ность можно проверять по результатам эксперимента. Значит, по-
сле выбора сначала произвольной подобласти рано или поздно
будут найдены ее требуемые размеры. И как только это случится,
можно будет воспользоваться движением по градиенту. На следу-
ющем этапе экспериментатор будет искать линейную модель уже
в другой подобласти. Цикл повторяется до тех пор, пока движение
по градиенту не перестанет давать эффект. Это значит, что найдена
область, близкая к оптимуму. Такая область называется «почти ста-
ционарной». Здесь линейная модель уже не нужна. Либо попада-
нием в почти стационарную область задача решена (рассматрива-
емый случай), либо надо переходить к полиномам более высоких
степеней, например второй степени, чтобы подробнее описать об-
ласть оптимума.

2.4. Правила постановки эксперимента


2.4.1. ОСНОВНЫЕ ПРИНЦИПЫ МОДЕЛИРОВАНИЯ
Поставка эксперимента с целью нахождения оптимума при
минимуме затрат с использованием «классического» подхода или
«шаговой процедуры» — это прежде всего вопрос стратегии. Воз-
можный путь решения – перебор всех возможных состояний и вы-
бор тех значений совокупности факторов, которые соответствуют
наилучшему отклику. Другая возможность — случайный выбор не-
которого числа состояний и определение откликов в них в надеж-
де, что среди этих состояний попадутся оптимальные или, по край-
ней мере, близкие к нему состояния.

47
Третья возможность — построение математической модели и
предсказывание с ее помощью значения откликов в тех состояни-
ях, которые не изучались экспериментально. Если нельзя измерить
отклик в каждом состоянии, то можно хотя бы предсказывать ре-
зультат. Причем даже не в каждом состоянии, а только в наиболее
интересных, в тех, которые приближают экспериментатора к оп-
тимуму. Эта стратегия приводит к шаговому принципу, лежащему в
основе рассматриваемых методик планирования эксперимента.
За отказ от полного перебора состояний надо чем-то платить.
Цена — это предположения, которые делают относительно свойств
неизвестной модели до начала эксперимента (как говорят, априо-
ри). Некоторые из предположений проверить невозможно, их на-
зывают постулатами. Если в действительности они не выполняют-
ся, то поиск оптимума невозможен. В этом случае можно принять
за оптимум то, что на самом деле им не является (хотя и удовлет-
воряет экспериментатора).
В качестве постулатов принимают предположения о свойствах
поверхности отклика: непрерывность поверхности, ее гладкость и
наличие единственного оптимума (быть может, и на границе об-
ласти определения факторов). Эти постулаты позволяют предста-
вить изучаемую функцию в виде степенного ряда в окрестности
любой возможной точки факторного пространства (такие функции
в математике называются аналитическими). Если сформирован
способ постепенного приближения к оптимальной точке, нужно,
чтобы результат не зависел от исходной точки. Если оптимум один,
то неважно, приближаемся мы к нему справа или слева.
Требование непрерывности не согласуется с представлением о
дискретных уровнях факторов. Считают, что фактор принимает
непрерывный ряд значений, если даже некоторые значения не име-
ют смысла или физически нереализуемы. В этом случае, если из-
вестны значения параметра оптимизации в нескольких соседних
точках факторного пространства, возможно (в силу гладкости и
непрерывности функции отклика) представить себе результаты,
которые можно ожидать в других соседних точках. Следовательно,
можно найти такие точки, для которых ожидается наибольшее уве-
личение (или уменьшение, если ищут минимум) параметра опти-
мизации. Тогда ясно, что следующий эксперимент надо переносить
именно в эти точки. Надо продвигаться в этом направлении, пре-
небрегая остальными. Сделав новый эксперимент, снова можно
оценить направление, в котором, скорее всего, следует двигаться.

48
В силу единственности оптимума рано или поздно непременно его
достигнем. Это и есть шаговый принцип.
В факторном пространстве выбирается какая-то точка и рас-
сматривается множество точек в ее окрестности, т.е. в области опре-
деления факторов выбирают малую подобласть. Целью является
реализация эксперимента и построение первой модели на основа-
нии результатов этого эксперимента. Эту модель используют для
предсказания результатов опытов в тех точках, которые не входили
в эксперимент. Если эти точки лежат внутри подобласти, то такое
предсказание называется интерполяцией, а если вне — экстраполя-
цией. Чем дальше от области эксперимента лежит точка, для кото-
рой необходимо предсказать результат, тем с меньшей уверенностью
это можно делать. Поэтому следует экстраполировать недалеко и
использовать результаты экстраполяции для выбора условий про-
ведения следующего эксперимента.
Далее цикл повторяется. Попутно полученную модель можно
использовать для проверки различных гипотез о механизме изуча-
емого явления или о его отдельных сторонах. Например, если пред-
полагается, что увеличение значения некоторого фактора должно
приводить к увеличению значения параметра оптимизации, то с
помощью модели можно узнать, так ли это. Такая проверка назы-
вается интерпретацией модели и имеет большое значение.

2.4.2. ВЫБОР МОДЕЛИ


Выбор типа или класса модели в первую очередь определяется
теми требованиями, которые предъявляются к этой модели. Глав-
ным требованием является способность предсказывать направление
дальнейших опытов, причем предсказывать с требуемой точностью.
Точность предсказания во всех возможных направлениях должна
быть одинакова.
Это значит, что в некоторой подобласти, в которую входят и
координаты выполненных опытов, предсказанное с помощью мо-
дели значение отклика не должно отличаться от фактического боль-
ше, чем на некоторую заранее заданную величину. Модель, которая
удовлетворяет такому или какому-либо аналогичному требованию,
называется адекватной. Проверка выполнимости этого требования
называется проверкой адекватности модели. Разработаны специ-
альные статистические методы, с помощью которых проверяется
адекватность.

49
Если несколько различных моделей отвечают нужным требова-
ниям, то следует предпочесть ту из них, которая является самой
простой. Логарифмическая функция на некотором отрезке с удов-
летворительной точностью описывается двумя уравнениями: ло-
гарифмическим и уравнением прямой. Какое из описаний проще —
ответить сложно. Простота — вещь относительная. Если заранее
точно не сформулировано, что называется простым, а что сложным,
то невозможно произвести выбор.
При прочих равных условиях всегда предпочтительнее степен-
ные ряды. Точнее, отрезки степенных рядов — алгебраические по-
линомы. Построение полинома возможно в окрестностях любой
точки факторного пространства, поскольку было принято, что
функция является аналитической. Этот класс моделей наиболее
простой, удобный и математически разработанный.

2.4.3. ПОЛИНОМИАЛЬНЫЕ МОДЕЛИ


Операция замены одной функции другой, в каком-то смысле
эквивалентной функцией, называется аппроксимацией. Выбрав
этот класс моделей, экспериментатор аппроксимирует неизвестную
функцию полиномом. Полиномы для случая двух факторов раз-
личаются по максимальным степеням входящих в них переменных:
• полином нулевой степени: Y = b0;
• полином первой степени: Y = b0 + b1X1 + b2X2;
• полином второй степени: Y = b0 + b1X1 + b2X2 + b12X1X2 +
+ b11X12 + b22X22;
• полином третьей степени: Y = b0 + b1X1 + b2X2 + b12X1X2 +
+ b11X12 + b22X22 + b122X1X22 + b112X12X2 + b111X13 + b222X23.
Эксперимент нужен для того, чтобы найти численные значения
коэффициентов полинома. Чем больше коэффициентов, тем боль-
ше опытов окажется необходимым провести. А экспериментатор
стремится сократить их число. Значит надо найти такой полином,
который содержит как можно меньше коэффициентов, но удов-
летворяет требованиям, предъявленным к модели. Чем ниже сте-
пень полинома при заданном числе факторов, тем меньше в нем
коэффициентов.
Модель должна хорошо предсказывать направление наискорей-
шего улучшения параметра оптимизации. Такое направление на-
зывается направлением градиента. Ясно, что движение в этом на-
правлении приведет к успеху быстрее, чем движение в любом дру-

50
гом направлении (это значит, что будет достигнута экономия
числа опытов).
Полином первой степени — линейная модель — это то, что нуж-
но. С одной стороны, он содержит информацию о направлении
градиента, с другой — в нем минимально возможное число коэф-
фициентов при данном числе факторов. Единственное опасение:
будет ли линейная модель всегда адекватной.
Вопрос в том, как выбрать подобласть в факторном простран-
стве, чтобы линейная модель оказалась адекватной. Условие не-
прерывности функции отклика гарантирует эту возможность. Всег-
да существует такая окрестность любой точки (точнее, почти любой
точки), в которой линейная модель адекватна. Удачный выбор под-
области имеет большое значение для успеха всей работы и связан
с интуитивными решениями, которые принимает экспериментатор
на каждом этапе.
Кроме задачи оптимизации иногда возникает задача построения
интерполяционной модели. В этом случае оптимум эксперимен-
татора не интересует. Ставится цель предсказывать результат с тре-
буемой точностью во всех точках некоторой заранее заданной об-
ласти. Тут не приходится выбирать подобласть. Необходимо по-
следовательно увеличивать степень полинома до тех пор, пока
модель не окажется адекватной. Если адекватной оказывается ли-
нейная или неполная квадратная модель (без членов, содержащих
квадраты факторов), то ее построение аналогично тому, которое
требуется для оптимизации.
Итак, выбрана модель, которую будем систематически исполь-
зовать на первом этапе планирования эксперимента. Это алгебра-
ический полином первой степени — линейная модель. Функция
отклика имеет единственный оптимум, она непрерывная, и эту функ-
цию можно разложить в степенной ряд в окрестностях любой точ-
ки из области ее определения. Эти предпосылки предполагают про-
ведение процедуры поиска оптимума, основанной на шаговом
принципе: осуществляют короткие (насколько возможно) серии
опытов. По их результатам строят математическую модель, исполь-
зуя модель для оценки градиента, ставят новые опыты только в этом
направлении. Получается циклический процесс, который закан-
чивается при попадании в область, близкую к оптимуму («почти
стационарную» область).
Для выбора конкретной модели формулируют требования к ней:
модель должна быть адекватной и простой. Под адекватностью

51
понимается способность модели предсказывать результаты экс-
перимента в некоторой области с требуемой точностью. После ре-
ализации опытов можно проверить адекватность модели. Наиболее
простыми считают алгебраические полиномы. Если полином ли-
неен относительно неизвестных коэффициентов, то это еще более
упрощает обработку наблюдений.
Выбрав класс моделей, выбирают степень полинома и под-
область, в которой надо начинать эксперимент. Эти действия свя-
заны между собой. Однако важно, что в принципе возможен такой
выбор области, при котором линейная модель окажется адекватной.
Этого достаточно, чтобы оценить градиент. Выбор области связан
с теми интуитивными решениями, которые принимает экспери-
ментатор на каждом этапе работы.

3. ФАКТОРНЫЙ ЭКСПЕРИМЕНТ

3.1. Полный и дробный факторный эксперимент


Процесс исследования можно считать состоящим из последо-
вательности этапов, часть из которых полностью формализована,
а часть требует «интуитивных» решений планирования эксперимен-
та. По мере развития теории формальные этапы будут играть все
большую роль, пока до конца не вытеснят неформализованные
этапы.
Выбор локальной области факторного пространства, ее места и
конфигурации является важным этапом принятия неформализо-
ванных решений, предшествующих построению плана экспери-
мента. При выборе области эксперимента прежде всего необходи-
мо оценить границы областей определения факторов. При этом
должны учитываться ограничения нескольких типов.
Первый тип — принципиальные ограничения для значений фак-
торов, которые не могут быть нарушены ни при каких обстоятель-
ствах. Например, если фактор — температура, то нижним пределом
будет абсолютный нуль.
Второй тип — ограничения, связанные с технико-экономиче-
скими соображениями, например со стоимостью сырья, дефицит-
ностью отдельных компонентов, временем ведения процесса.
Третий тип ограничений, с которым чаще всего приходится
иметь дело, определяется конкретными условиями проведения про-

52
цесса, например, существующей аппаратурой, технологией, орга-
низацией.
Оптимизация обычно начинается в условиях, когда объект уже
подвергался некоторым исследованиям. Информацию, содержа-
щуюся в материалах предыдущих исследований, называют априор-
ной (т.е. полученной до начала эксперимента). Априорную инфор-
мацию используют для получения представления о параметре оп-
тимизации, о факторах, о наилучших условиях ведения процесса и
характере поверхности отклика.
Выбор экспериментальной области факторного пространства
связан с тщательным анализом априорной информации. Далее в
области определения находят локальную подобласть для планиро-
вания эксперимента. Процедура выбора этой подобласти включа-
ет два этапа: выбор основного уровня и выбор интервалов варьи-
рования.
Выбор основного уровня. Наилучшим условиям, определенным
из анализа априорной информации, соответствует комбинация (или
несколько комбинаций) уровней факторов. Каждая комбинация
является n-мерной точкой в факторном пространстве. Ее рассма-
тривают как исходную точку для построения плана эксперимента
и называют основным (нулевым) уровнем. Построение плана экс-
перимента сводится к выбору экспериментальных точек, симме-
тричных относительно нулевого уровня. После того как нулевой
уровень выбран, переходят к следующему шагу — выбору интерва-
лов варьирования.
Выбор интервалов варьирования заключается в выборе для каж-
дого фактора двух уровней, на которых он будет варьироваться в
эксперименте. Интервалом варьирования факторов называется не-
которое число (свое для каждого фактора), прибавление которого
к основному уровню дает верхний, а вычитание — нижний уровни
фактора. Другими словами, интервал варьирования — это рассто-
яние на координатной оси между основным и верхним (или ниж-
ним) уровнем. Таким образом, задача выбора уровней сводится к
более простой задаче выбора интервала варьирования.
Заметим еще, что для упрощения записи условий эксперимента
и обработки экспериментальных данных масштабы по осям вы-
бираются так, чтобы верхний уровень соответствовал +1, нижний
–1, а основной — нулю. Для факторов с непрерывной областью
определения это всегда можно сделать с помощью преобразования:

53
X j − X j
Xj= ,
ΔX j
~
где Хj — кодированное значение фактора; Х j — натуральное значе-

ние фактора; Х j —натуральное значение основного уровня (среднее
значение); ΔХj — интервал варьирования; j — номер фактора.
На выбор интервалов варьирования накладываются естествен-
ные ограничения сверху и снизу. Интервал варьирования не может
быть меньше той ошибки, с которой экспериментатор фиксирует
уровень фактора. Иначе верхний и нижний уровни окажутся не-
различимыми. С другой стороны, интервал не может быть настоль-
ко большим, чтобы верхний или нижний уровни оказались за пре-
делами области определения. Внутри этих ограничений обычно
еще остается значительная неопределенность выбора, которая
устраняется с помощью интуитивных решений.
При решении задачи оптимизации стремятся выбрать для пер-
вой серии экспериментов такую подобласть, которая давала бы воз-
можность для шагового движения к оптимуму. В задачах же интер-
поляции интервал варьирования охватывает всю описываемую
область.
Выбор интервалов варьирования — задача трудная, так как она
связана с неформализованным этапом планирования эксперимен-
та. На данном этапе полезной является следующая априорная ин-
формация. Это — сведения о точности, с которой экспериментатор
фиксирует значения факторов, о кривизне поверхности отклика и
о диапазоне изменения параметра оптимизации. Обычно эта ин-
формация является ориентировочной (в некоторых случаях она
может оказаться просто ошибочной), но это единственная разумная
основа, на которой можно начинать планировать эксперимент.
В ходе эксперимента ее часто приходится корректировать. Точность
фиксирования факторов определяется точностью приборов.
Источником сведений о кривизне поверхности отклика могут
служить графики однофакторных зависимостей, а также теорети-
ческие соображения. Некоторое представление о кривизне дает
анализ табличных данных, так как наличию кривизны соответству-
ет непропорциональное изменение параметра оптимизации при
равномерном изменении фактора. Различают три случая: функция
отклика линейна, функция отклика существенно не линейна и ин-
формация о кривизне отсутствует.

54
Полезно знать, в каких диапазонах меняются значения параме-
тра оптимизации в разных точках факторного пространства. Если
имеются результаты некоторого множества опытов, то всегда мож-
но найти наибольшее или наименьшее значение параметра опти-
мизации. Разность между этими значениями называют диапазоном
изменения параметра оптимизации для данного множества опытов.
Различают широкий и узкий диапазоны. Диапазон будет узким,
если он не существенно отличается от разброса значений параметра
оптимизации в повторных опытах (этот разброс определяет ошиб-
ку опыта). В противном случае диапазон считается широким. Не-
обходимо также учесть случай, когда информация отсутствует.
Для принятия решений используется априорная информация о
точности фиксирования факторов, кривизне поверхности отклика
и диапазоне изменения параметра оптимизации. Каждое сочетание
градаций перечисленных признаков определяет ситуацию, в кото-
рой нужно принимать решение.

3.2. Планирование полного факторного эксперимента


3.2.1. ОБЩИЕ ПРИНЦИПЫ ПЛАНИРОВАНИЯ
Первый этап планирования эксперимента для получения ли-
нейной модели основан на варьировании факторов на двух уровнях.
В этом случае, если число факторов известно, можно сразу найти
число опытов, необходимых для реализации всех возможных со-
четаний уровней факторов: N = 2k, где N — число опытов; k — чис-
ло факторов; 2 — число уровней.
Полный факторный эксперимент — эксперимент, в котором ре-
ализуются все возможные сочетания уровней факторов. Все воз-
можные сочетания уровней в эксперименте с двумя факторами
представлены в табл. 4, а трехфакторного эксперимента — в табл. 5.
В планировании эксперимента используют кодированные значения
факторов: +1 и –1 (часто для простоты записи единицы опускают).
Условия эксперимента записывают в виде таблицы, где строки со-
ответствуют различным опытам, а столбцы — значениям факторов.
Такие таблицы называют матрицами планирования эксперимента.
Каждый столбец в матрице планирования называют вектор-
столбцом, а каждую строку — вектор-строкой. Таким образом, в
табл. 4 имеем два вектор-столбца независимых переменных и 1 век-
тор-столбец параметра оптимизации. То, что записано в табл. 3 в
алгебраической форме, можно изобразить геометрически (рис. 7, а).

55
Табли ц а 4
Матрица планирования эксперимента 22 (или 2II)

№ опыта Х0 Х1 Х2 Y
1 +1 –1 –1 Y1
2 +1 +1 –1 Y2
3 +1 –1 +1 Y3
4 +1 +1 +1 Y4

Табли ц а 5
Матрица планирования эксперимента 23(или 2III)

№ опыта Х0 Х1 Х2 Х3 Y
1 +1 –1 –1 –1 Y1
2 +1 +1 –1 –1 Y2
3 +1 –1 +1 –1 Y3
4 +1 +1 +1 –1 Y4
5 +1 –1 –1 +1 Y5
6 +1 +1 –1 +1 Y6
7 +1 –1 +1 +1 Y7
8 +1 +1 +1 +1 Y8

Рис. 7. Геометрическая интерпретация факторного пространства:


а — двухфакторный эксперимент; б — трехфакторный эксперимент;
Lр — граница области равной вероятности (однозначности)
предсказаний результатов (имеет вид окружности с радиусом 2 )

56
Найдем в области определения факторов точку, соответствую-
щую основному уровню, и проведем через нее оси координат, па-
раллельные осям натуральных значений факторов. Далее выберем
масштабы координат по новым осям так, чтобы интервалы варьи-
рования для каждого фактора равнялись единице. Тогда условия
проведения опытов будут соответствовать вершинам квадрата, цен-
тром которого является основной уровень, а каждая сторона па-
раллельна одной из осей координат и равна двум интервалам. Но-
мера вершин квадрата соответствуют номерам опытов в матрице
планирования. Площадь, ограниченная квадратом, называется об-
ластью эксперимента. Иногда удобнее считать областью экспери-
мента площадь, ограниченную окружностью, описывающей ква-
драт. В задачах интерполяции область эксперимента есть область
предсказываемых значений функции отклика (Y).
В табл. 5 приведена матрица планирования полного факторно-
го эксперимента 23. Матрица имеет восемь опытов и включает все
возможные комбинации уровней трех факторов. Геометрическая
интерпретация факторного пространства для трех факторов пред-
ставлена на рис. 7, б. Вершинами куба являются комбинации зна-
чений трех факторов, эквивалентные значениям строк в матрице
планирования эксперимента.

k
3.2.2. СВОЙСТВА ПОЛНОГО ФАКТОРНОГО ЭКСПЕРИМЕНТА ТИПА 2
Получение качественной модели налагает определенные огра-
ничения на свойства матрицы. Независимо от числа факторов, ма-
трицы должны удовлетворять набору общих свойств. Эксперимент
планируется для того, чтобы получить модель, обладающую неко-
торыми оптимальными свойствами. Оценки коэффициентов мо-
дели должны быть наилучшими, а точность предсказания параме-
тра оптимизации не должна зависеть от направления в факторном
пространстве, ибо заранее не ясно, куда предстоит двигаться в по-
исках оптимума. Непосредственно из построения матрицы следу-
ют ее свойства:
• симметричность относительно центра эксперимента, которая
формулируется следующим образом: алгебраическая сумма эле-
N
ментов вектор-столбца каждого фактора равна нулю, или ∑ X ji = 0,
i =1
где j — номер фактора; j = 1, 2 …, k; N — число опытов;

57
• условие нормировки, которое подразумевает, что сумма квадра-
N
тов элементов каждого столбца равна числу опытов, или ∑ X 2ji = N.
i =1

Это следствие того, что значения факторов в матрице задаются +1


и –1;
• ортогональность матрицы планирования, которая заключается
в том, что сумма почленных произведений любых двух вектор-столб-
N
цов матрицы равна нулю, или ∑ X jiXui = 0, j  u, j, u = 0, 1, 2, …, k;
i =1

• ротатабельность матрицы планирования, которая формули-


руется следующим образом: точки в матрице планирования под-
бираются так, чтобы точность предсказания значений параметра
оптимизации была одинакова на равных расстояниях от центра
эксперимента и не зависела от направления.

3.2.3. Полный факторный эксперимент и математическая


модель
В двухфакторном эксперименте наименее сложной является
линейная модель Y = b0 + b1X1 + b2X2. Значения неизвестных коэф-
фициентов модели определяют по результатам эксперимента. Точ-
ность и надежность коэффициентов bj зависят от свойств выборки
и нуждаются в статистической проверке; b0 — среднее арифме-
тическое значение параметра оптимизации; чтобы его получить
необходимо сложить все Y и разделить их на число опытов. Коэф-
фициенты при независимых переменных Х1 и Х2 вычисляют по
формуле
N
∑ X ji У i
i =1
bj = , j = 0, 1, ..., k.
N

Благодаря кодированию факторов расчет коэффициентов яв-


ляется простой арифметической процедурой. Для подсчета коэф-
фициентов b1 используется вектор-столбец Х1, а коэффициентов
b2 — вектор-столбец Х2:

58
(−1)Y1 + (+1)Y2 + (−1)Y3 + (+1)Y4
b1 = ;
4

(−1)Y1 + (−1)Y2 + (+1)Y3 + (+1)Y4


b2 = .
4
Коэффициенты при независимых переменных указывают на
силу влияния факторов: чем больше численная величина коэффи-
циента, тем большее влияние оказывает фактор. Если коэффици-
ент имеет знак плюс, то с увеличением значения фактора параметр
оптимизации увеличивается, а если минус, — то уменьшается. Ве-
личина коэффициента соответствует вкладу данного фактора в ве-
личину параметра оптимизации при переходе фактора с нулевого
уровня на верхний или нижний.
Планируя эксперимент, на первом этапе стремятся получить
линейную модель. При этом гарантия, что в выбранных интервалах
процесс описывается линейной моделью, отсутствует.
Один из часто встречающихся видов нелинейности связан с тем,
что эффект одного фактора зависит от уровня, на котором нахо-
дится другой фактор (табл. 6). В этом случае говорят, что имеет
место эффект взаимодействия двух факторов. При вычислении ко-
эффициента, соответствующего эффекту взаимодействия, с новым
вектор-столбцом обращаются так же, как с вектор-столбцом лю-
бого фактора.
Табли ц а 6
Матрица планирования эксперимента 22 с учетом эффекта взаимодействия

№ опыта Х0 Х1 Х2 Х1Х2 Y
1 +1 –1 –1 +1 Y1
2 +1 +1 –1 –1 Y2
3 +1 –1 +1 –1 Y3
4 +1 +1 +1 +1 Y4

Очень важно, чтобы при добавлении столбцов эффектов взаи-


модействий все рассмотренные свойства матриц планирования со-
хранялись. Теперь модель выглядит следующим образом:

Y = b0 + b1X1 + b2X2 + b12X1X2.

59
Коэффициент b12 вычисляют обычным способом:
(+1)Y1 + (−1)Y2 + (−1)Y3 + (+1)Y4
b12 = .
4
Столбцы Х1 и Х2 задают планирование (по ним непосредственно
определяются условия опытов), а столбцы Х0 и Х1Х2 служат только
для расчета. При решении задач оптимизации стремятся сделать
эффекты взаимодействий возможно меньшими; в задачах интер-
поляции — их выявление важно и интересно.

3.2.4. ПОЛНЫЙ ТРЕХФАКТОРНЫЙ ЭКСПЕРИМЕНТ


Матрица планирования эксперимента 23 представлена в табл. 7.
Эффект Х1Х2Х3 получают перемножением всех трех столбцов и на-
зывают эффектом взаимодействия второго порядка. Эффект вза-
имодействия двух факторов является эффектом взаимодействия
первого порядка.
Табли ц а 7
Матрица планирования эксперимента 23

№ опыта Х0 Х1 Х2 Х3 Х1Х2 Х1Х3 Х2Х3 Х1Х2Х3 Y


1 +1 –1 –1 –1 +1 +1 +1 –1 Y1
2 +1 +1 –1 –1 –1 –1 +1 +1 Y2
3 +1 –1 +1 –1 –1 +1 –1 +1 Y3
4 +1 +1 +1 –1 +1 –1 –1 –1 Y4
5 +1 –1 –1 +1 +1 –1 –1 +1 Y5
6 +1 +1 –1 +1 –1 +1 –1 –1 Y6
7 +1 –1 +1 +1 –1 –1 +1 –1 Y7
8 +1 +1 +1 +1 +1 +1 +1 +1 Y8

Полное число всех возможных эффектов, включая b0, линейные


эффекты и взаимодействия всех порядков, равно числу опытов пол-
ного факторного эксперимента. Чтобы найти число возможных
взаимодействий некоторого порядка, можно воспользоваться обыч-
ной формулой числа сочетаний
k!
C km = ,
m ! ( k − m) !
где k — число факторов; m — число элементов во взаимодействии.

60
Так, для плана 24 число парных взаимодействий равно шести, а
взаимодействий второго порядка (тройных) — четырем:
4! 1⋅2⋅3⋅4
C42 = = = 6;
2! ⋅ 2! 1 ⋅ 2 ⋅ 1 ⋅ 2

4! 1⋅2⋅3⋅4
C43 = = = 4.
3! ⋅ 1! 1⋅2⋅3

Ортогональность матрицы планирования позволяет получать


независимые друг от друга оценки коэффициентов. Это значит, что
величина любого коэффициента не зависит от того, какие величи-
ны имеют другие коэффициенты. Это утверждение справедливо
лишь в том случае, если модель включает только линейные коэф-
фициенты и эффекты взаимодействия. Между тем существенными
могут оказаться коэффициенты при квадратах факторов, кубах и
т.п. Из полного факторного эксперимента нельзя извлечь инфор-
мацию о квадратных членах. Вектор-столбцы для квадратных чле-
нов совпадают друг с другом и со столбцом Х0. Величина свобод-
ного члена b0 включает вклады квадратичных членов и получается
смешанная оценка. Оценки остальных коэффициентов не смешаны.

3.2.5. ДРОБНЫЙ ФАКТОРНЫЙ ЭКСПЕРИМЕНТ


Количество опытов в полном факторном эксперименте значи-
тельно превосходит число определяемых коэффициентов линейной
модели. Задача уменьшения числа опытов решаема. Обязательным
условием при этом является сохранение матрицей планирования
своих оптимальных свойств.
Минимизацию числа опытов начнем с полного факторного экс-
перимента 22 (табл. 8). Пользуясь таким планированием, можно
вычислить четыре коэффициента и представить результаты экс-
перимента в виде неполного квадратного уравнения: Y = b0 + b1X1 +
+ b2X2 + b12X1X2.
Если есть основание считать, что в выбранных интервалах ва-
рьирования процесс может быть описан линейной моделью, то до-
статочно определить три коэффициента: b0, b1, b2. Остается одна
степень свободы, которую можно употребить для минимизации
числа опытов.

61
Табли ц а 8
Матрица планирования эксперимента 22

№ опыта Х0 Х1 Х2 (Х3) Х1Х2 Y


1 +1 –1 –1 +1 Y1
2 +1 +1 –1 –1 Y2
3 +1 –1 +1 –1 Y3
4 +1 +1 +1 +1 Y4

Постулируется линейная модель и при линейном приближении


b12→0 и вектор-столбец Х1Х2 можно использовать для нового фак-
тора Х3. Т.е. вместо 8 опытов для изучения трех факторов достаточ-
но поставить только четыре. При этом матрица планирования не
теряет своих оптимальных свойств (ортогональности, ротатабель-
ности и пр.).
Табли ц а 9
Условное обозначение дробных реплик и количество опытов

Количество
Коли- Количество
Условное опытов для
чество опытов для
Дробная реплика обозна- полного
факто- дробной
чение факторного
ров реплики
эксперимента
3 1/2 реплика от 23 2III-1 4 8
4
4 1/2 реплика от 2 2IV-1 8 16
5 1/4 реплика от 25 2V-2 8 32
6
6 1/8 реплика от 2 2VI-3 8 64
7 VII-4
7 1/16 реплика от 2 2 8 128
5 VI-1
5 1/2 реплика от 2 2 16 32
6 1/4 реплика от 26 2VI-2 16 64
7 VII-3
7 1/8 реплика от 2 2 16 128
8 1/16 реплика от 28 2VIII-4 16 256
9 1/32 реплика от 29 2IX-5 16 512
10
10 1/64 реплика от 2 2X-6 16 1024
11 1/128 реплика от 211 2X1-7 16 2048
12 XII-8
12 1/256 реплика от 2 2 16 4096
13 1/512 реплика от 213 2XIII-9 16 8192
14 XIV-10
14 1/1024 реплика от 2 2 16 16384

62
Чтобы сократить число опытов, нужно новому фактору при-
своить вектор-столбец матрицы, принадлежащий взаимодействию,
которым можно пренебречь. Тогда значение нового фактора в ус-
ловиях опытов определяется знаками этого столбца. Поставив че-
тыре опыта для оценки влияния трех факторов, воспользуемся по-
ловиной полного факторного эксперимента 23 или полурепликой.
Характеристики дробных реплик более высоких порядков пред-
ставлены в табл. 9.
При построении полуреплики 2III-1 существуют всего две воз-
можности: приравнять Х3 к +Х1Х2 или к –Х1Х2. Поэтому есть толь-
ко две полуреплики 23-1 (табл. 10).
Табли ц а 1 0
Построение полуреплик 2III-1

Матрица I. Х3 = Х1Х2 Матрица II. Х3 = –Х1Х2


№ Х1 Х2 Х3 Х1Х2Х3 № Х1 Х2 Х3 Х1Х2Х3
опыта опыта
1 + + + + 1 + + – –
2 – – + + 2 – – – –
3 + – – + 3 + – + –
4 – + – + 4 – + + –

Для произведения трех столбцов матрицы I выполняется соот-


ношение: +1 = Х1Х2Х3, а матрицы II: –1 = Х1Х2Х3. Все знаки столб-
цов произведений одинаковы: и в первом случае равны плюс еди-
нице, а во втором – минус единице.
Символическое обозначение произведения столбцов равного
+1 или –1, называется определяющим контрастом. Контраст по-
могает определять смешанные эффекты. Для того чтобы опреде-
лить, какой эффект смешан с данным, нужно помножить обе части
определяющего контраста на столбец, соответствующий данному
эффекту. Так, если 1 = Х1Х2Х3, то для Х1 имеем: Х1 = Х12Х2Х3 = Х2Х3;
для Х2 находим: Х2 = Х1Х22Х3 = Х1Х3; аналогично Х3 = Х1Х2Х32 = Х1Х2.
Это значит, что коэффициенты линейного уравнения будут оцен-
ками:
b1→ β1 + β23;
b2→ β2 + β13;
b3→ β3 + β12.
Соотношение, показывающее, с каким из эффектов смешан
данный эффект, называется генерирующим соотношением.

63
Полуреплики, в которых основные эффекты смешаны с двух-
факторными взаимодействиями, носят название планов с разреша-
ющей способностью III (по наибольшему числу факторов в опреде-
ляющем контрасте). Такие планы принято обозначать: 23III−1. При
выборе полуреплик 24-1 (или 2IV-1) возможны восемь решений:
1) Х4 = Х1Х2; 5) Х4 = Х1Х3;
2) Х4 = –Х1Х2; 6) Х4 = –Х1Х3;
3) Х4 = Х2Х3; 7) Х4 = Х1Х2Х3;
4) Х4 = –Х2Х3; 8) Х4 = –Х1Х2Х3.
Разрешающая способность этих полуреплик различна. Так, ре-
плики 1—6 имеют по три фактора в определяющем контрасте, а
7—8 — по четыре. Реплики 7 и 8 имеют максимальную разрешаю-
щую способность и называются главными. Разрешающая способ-
ность задается системой смешивания данной реплики. Она будет
максимальной, если линейные эффекты смешаны с эффектами
взаимодействия наибольшего возможного порядка.
При отсутствии априорной информации об эффектах взаимо-
действия экспериментатор стремится выбрать реплику с наиболь-
шей разрешающей способностью, так как тройные взаимодействия
обычно менее важны, чем парные. Если существует информация
об эффектах взаимодействия, то она должна использоваться при
выборе реплик.
Реплики, в которых нет ни одного главного эффекта, смешан-
ного с другим главным эффектом или парным взаимодействием, а
все парные взаимодействия смешаны друг с другом, носят название
планов с разрешающей способностью IV (по наибольшему числу
факторов в определяющем контрасте). Они имеют обозначение:
4−1
2IV .
Выбор 1/4—реплик. Обобщающий определяющий контраст. С уве-
личением дробности реплик сокращается число опытов. При ис-
следовании влияния пяти факторов можно поставить не 16 опытов,
а только восемь, т.е. воспользоваться репликой 25-2. Здесь возмож-
но 12 решений, если Х4 прировнять парному взаимодействию, а Х5
тройному:
1) Х4 = Х1Х2; Х5 = Х1Х2Х3; 7) Х4 = –Х1Х3; Х5 = Х1Х2Х3;
2) Х4 = Х1Х2; Х5 = –Х1Х2Х3; 8) Х4 = –Х1Х3; Х5 = –Х1Х2Х3;
3) Х4 = –Х1Х2; Х5 = Х1Х2Х3; 9) Х4 = Х2Х3; Х5 = Х1Х2Х3;
4) Х4 = –Х1Х2; Х5 = –Х1Х2Х3; 10) Х4 = Х2Х3; Х5 = –Х1Х2Х3;
5) Х4 = Х1Х3; Х5 = Х1Х2Х3; 11) Х4 = –Х2Х3; Х5 = Х1Х2Х3;
6) Х4 = Х1Х3; Х5 = –Х1Х2Х3; 12) Х4 = –Х2Х3; Х5 = –Х1Х2Х3.

64
Допустим, выбран пятый вариант: Х4 = Х1Х3 и Х5 = Х1Х2Х3. Тогда
определяющими контрастами являются: 1 = Х1Х3Х4 и 1 = Х1Х2Х3Х5.
Если перемножить эти определяющие контрасты, то получится
третье соотношение, задающее элементы столбца 1 = Х2Х4Х5. Что-
бы полностью охарактеризовать разрешающую способность репли-
ки, необходимо записать обобщающий определяющий контраст:
1 = X1X3X4 = X2X4X5 = X1X2X3X5.
Система смешивания определяется умножением обобщающего
определяющего контраста последовательно на X1, X2, X3 и т.д.:
X1 = X3X4 = X1X2X4X5 = X2X3X5;
X2 = X1X2X3X4 = X4X5 = X1X3X5;
X3 = X1X4 = X2X3X4X5 = X1X2X5;
X4 = X1X3 = X2X5 = X1X2X3X4X5;
X5 = X1X3X4X5 = X2X4 = X1X2X3;
X1X2 = X2X3X4 = X1X4X5 = X3X5;
X1X5 = X3X4X5 = X1X2X4 = X2X3.
Получается довольно сложная система смешивания линейных
эффектов с эффектами взаимодействия первого, второго, третьего
и четвертого порядков. Если, например, коэффициенты b12 → β12 +
+ β234 + β145 + β35 и b15 → β15 + β345 + β124 + β23 отличаются от нуля,
то возникают сомнения, можно ли пренебрегать другими парными
взаимодействиями, с которыми смешаны линейные эффекты. Тог-
да следует поставить вторую серию опытов, выбрав нужным об-
разом другую 1/4-реплику.
При этом можно пользоваться методом «перевала». Смысл это-
го метода заключается в том, что вторая четверть-реплика полу-
чается из первой путем замены всех знаков матрицы на обратные.
Тогда в обобщающем определяющем контрасте тройные произ-
ведения имеют знак, противоположный их знаку в первой четверть-
реплике. Тройные произведения определяют парные взаимодей-
ствия в совместных оценках для линейных эффектов. Усредняя ре-
зультаты обеих четверть-реплик, можно получить линейные
эффекты, не смешанные с парными взаимодействиями.
Целесообразность применения дробных реплик возрастает с
ростом количества факторов. Эффективность их применения за-

65
висит от удачного применения системы смешивания линейных
эффектов с эффектами взаимодействий, а также от умелой страте-
гии экспериментирования в случае значимости некоторых взаи-
модействий. Существуют некие априорные сведения. Так, при по-
строении дробных реплик используют следующее правило: для того,
чтобы сократить число опытов, вводя в планирование новый фак-
тор, нужно поместить этот фактор в вектор-столбец матрицы, при-
надлежащий взаимодействию, которым можно пренебречь.
Реплики, которые используются для сокращения опытов в
2m раз, (m = 1, 2, 3, 4, …), называются регулярными. Они позволя-
ют проводить расчет коэффициентов так же просто, как и в случае
полного факторного эксперимента.
При применении дробных реплик линейные эффекты смеши-
ваются с эффектами взаимодействия. Чтобы определить систему
смешивания, нужно знать определяющие контрасты и генериру-
ющие соотношения. Определяющим контрастом называется сим-
волическое произведение любых столбцов, равное ±1.
Чтобы определить, какие взаимодействия смешаны с данным
линейным эффектом, нужно умножить определяющий контраст
на этот линейный эффект и получить генерирующие соотношения.
Реплики, у которых линейные эффекты смешаны с взаимодействи-
ями наивысшего порядка, являются наиболее эффективными, так
как обладают наибольшей разрешающей способностью.
Планирование с использованием матриц на основе дробных ре-
плик высоких порядков широко применяют при оптимизации
многофакторного эксперимента методом «крутого восхождения»
и при изучении технологических процессов, содержащих большое
количество варьируемых факторов.

3.3. Проведение и обработка результатов эксперимента


3.3.1. ПОДГОТОВКА ЭКСПЕРИМЕНТА
Подготовка эксперимента включает сборку опытной установки,
калибровку приборов, подготовку сырья и оформление специаль-
ного журнала в соответствии с методикой и планом опытов.
На первой странице журнала записывают цели исследования и
параметры оптимизации с указанием их размерностей. Перечис-
ляют все параметры, которые могут служить характеристиками про-
цесса, и указывают, какая между ними существует корреляция. Если

66
сведения о корреляции отсутствуют, то подсчитывают коэффици-
енты парной корреляции, проверяют их значимость и выделяют
группу некоррелированных факторов. Выбирают «главный» пара-
метр (параметр оптимизации), по которому будет проводиться «ша-
говый эксперимент», прочие параметры считают ограничениями.
На второй странице перечисляют факторы, помещают таблицу с
интервалами и уровнями варьирования факторов, указывают их
единицы измерения.
Для матрицы планирования отводят разворот журнала, имея в
виду дополнения ее до расчетной матрицы, записи повторных опы-
тов и примечаний. В рабочей матрице планирования целесообраз-
но проставлять и кодированные значения факторов, и натуральные.
В рабочей матрице планирования оставляют графы для указания
даты проведения опытов и фамилии лаборантов. Имея перед собой
план опытов, подсчитывают необходимое количество исходного
сырья и готовят его заранее. Желательно, чтобы сырье было одно-
родным. Если требования однородности выполнить невозможно,
нужно заблаговременно определить количество различных партий
сырья и соответствующим образом разбить матрицу планирования
на блоки.
Отдельные страницы отводят для расчетов, которые необходи-
мы для определения количества всех компонентов реакции и т.п.,
а также для анализа результатов эксперимента. Все расчеты долж-
ны сохраняться до окончания работы.

3.3.2. ОЦЕНКА ЗНАЧИМОСТИ РАЗЛИЧИЙ МЕЖДУ ОПЫТАМИ


Одновременное изменение всех факторов в матрице планиро-
вания вносит в условия опытов большое разнообразие, которое
возрастает с увеличением числа факторов. Если известна ошибка
опыта, то можно определить, какой опыт лучше: значимость раз-
личий двух средних значений проверяют с помощью t-критерия
(критерия Стьюдента) по формуле
Y1 − Y2
t= ,
1 1
S +
n1 n2
где Y1 — среднее значение выхода в одном опыте; Y2 — среднее
значение выхода в другом опыте; S — ошибка опыта (рассматри-

67
вается случай, когда ошибки для первого и второго опытов близки);
n1 — количество наблюдений в первом опыте; n2 — количество на-
блюдений во втором опыте.
Допустим, что в опытах S = 1, Y1 – Y2 = 2,1, а количество парал-
лельных опытов одинаково и равно 2:
2,1
t= = 2,1.
1 1
1 +
2 2
Число степеней своды равно: f = n1+ n2 – 2 = 2. Табличное зна-
чение t-критерия для f = 2 и 5%-го уровня значимости равно 4,3.
Это означает, что вероятность того, что при 2 степенях свободы
значение величины t-критерия будет больше по абсолютной вели-
чине, чем 4,3, равна 0,05. Поскольку экспериментальное значение
t-критерия меньше табличного, то с вероятностью Р = 0,95 можно
считать, что существенной разницы между результатами двух опы-
тов нет.

3.3.3. ОШИБКИ ПАРАЛЛЕЛЬНЫХ ОПЫТОВ


Вследствие ограниченности экспериментального материала
каждый эксперимент содержит элемент неопределенности. По-
становка повторных или параллельных опытов не дает полностью
совпадающих результатов, поскольку всегда существует ошибка
опыта (ошибка воспроизводимости). Эту ошибку оценивают по
параллельным опытам. Для этого опыт воспроизводят по возмож-
ности в одинаковых условиях несколько раз, а затем берут средне-
арифметическое значение всех результатов.
Среднее значение результата (Yср или Yj) находят как среднее
арифметическое значений параллельных опытов (n отдельных ре-
зультатов, деленное на количество параллельных опытов n):
n
∑Y i
i =1
Yср = Y j = .
n
Наличие отклонения от среднего значения свидетельствует об
изменчивости (вариации значений повторных, или параллельных,
опытов). Для измерения этой изменчивости чаще всего использу-
ют дисперсию. Дисперсией называют среднее значение квадрата

68
отклонений величины от ее среднего значения. Дисперсия парал-
лельных опытов обозначается S 2 и выражается формулой
n
∑ (Yi − Yср )
i =1
S2 = ,
n −1
где n — число степеней свободы, равное количеству параллельных
опытов минус единица (одна степень свободы использована для
вычисления среднего); Yi — значение результата в каждом из опы-
тов.
Корень квадратный из дисперсии, взятый с положительным
знаком, называется средним квадратическим отклонением, стан-
дартом или квадратичной ошибкой:
n
∑ (Yi − Y cр )2
i =1
S= .
n −1
Стандарт имеет размерность той величины, для которой он вы-
числен. Дисперсия и стандарт — это меры рассеяния, изменчиво-
сти. Чем больше дисперсия и стандарт, тем более рассеяны значе-
ния параллельных опытов около среднего значения. Стандарт ве-
личины удобно использовать для исключения ошибочных
результатов.
Ошибка опыта является суммарной величиной, результатом мно-
гих ошибок: ошибок измерений факторов, ошибок измерения па-
раметров оптимизации и др. Каждую из этих ошибок можно, в свою
очередь, разделить на составляющие.
Все ошибки принято разделять на два класса: систематические
и случайные. Систематические ошибки порождаются причинами,
действующими регулярно, в определенных направлениях. Чаще
всего эти ошибки можно изучить и определить количественно. Си-
стематические ошибки находят, калибруя измерительные приборы
и сопоставляя опытные данные с изменяющимися внешними ус-
ловиями. В ряде случаев их влияние удается компенсировать. Слу-
чайными ошибками называют те, которые проявляются нерегуляр-
но, причины возникновения которых не известны и которые не-
возможно учесть заранее.
Очень важно исключить из экспериментальных данных грубые
ошибки, так называемый брак, при повторных опытах. Ни в коем

69
случае нельзя вносить поправки самовольно. Для отброса ошибоч-
ных опытов существуют правила. Для определения брака исполь-
зуют, например, критерий Стьюдента:
Y − Yср
≥ t.
S
Значение t-критерия берут из таблицы t-распределения Стью-
дента (табл. 11). Опыт считается бракованным, если эксперимен-
тальное значение t-критерия по модулю больше табличного значе-
ния.
Табли ц а 1 1
Значения t-критерия Стьюдента при 5%-ном уровне значимости

Число степеней Значения Число степеней Значения


свободы f1 t-критерия свободы f1 t-критерия
1 12,71 7 2,37
2 4,30 8 2,31
3 3,18 9 2,26
4 2,78 10 2,23
5 2,57 30 2,04
6 2,45  1,96

Допустим, имеем четыре результата параллельных опытов: 3,5;


2,3; 2,8; 2,7. Исключим первый опыт из расчета и по остальным
произведем вычисление среднего арифметического стандарта:
2,3 + 2,8 + 2,7
Yср = = 2,6;
3

(−0,3)2 + (0,2)2 + (0,1)2


S8 = =
3 −1
0,09 + 0,04 + 0,01 0,14
= = = 0,26.
2 2
Если произведем проверку по критерию Стьюдента, то получим
4,5 − 2,6 1,9
= = 7,3.
0,26 0,26

70
При числе степеней свободы f, равном 2, и уровне значимости
0,05 критерий Стьюдента t = 4,303. Экспериментальное значение
больше табличного, поэтому сомнительный результат можно счи-
тать браком.
Среднее арифметическое равно сумме всех n отдельных резуль-
татов, деленной на n, если они имеют нормальное распределение.
Например, наличие резко отклоняющихся результатов (так назы-
ваемых грубых наблюдений) свидетельствует о нарушении закона
нормального распределения. При наличии грубых наблюдений
следует их сначала исключить, а затем подсчитать среднее ариф-
метическое и дисперсию.

3.3.4. ДИСПЕРСИЯ ПАРАМЕТРА ОПТИМИЗАЦИИ


Матрица планирования состоит из серии опытов, и дисперсия
всего эксперимента получается в результате усреднения дисперсий
всех опытов. Речь идет о подсчете дисперсии параметра оптимиза-
2
ции S {Y} или, что тоже самое — дисперсии воспроизводимости экс-
2
перимента S {воспр} .
Дисперсия в каждом опыте, состоящем из n повторных наблю-
дений, рассчитывается по формуле, приведенной ниже. При под-
счете дисперсии параметра оптимизации квадрат разности между
значениями Yq в каждом опыте и средним значением из n повторных
наблюдений Yср нужно просуммировать по числу опытов в матри-
це N, а затем разделить на N(n – 1):
N n
∑∑ (Yiq − Yi,ср )
2

S{2Y } = 1 1
,
N (n − 1)
где i = 1, 2, …, N; q = 1, 2, …, n.
Дисперсию воспроизводимости проще всего рассчитывать, ког-
да соблюдаются равенства числа повторных опытов во всех экс-
периментальных точках. На практике зачастую число повторных
опытов различно. Это происходит в результате отброса грубых на-
блюдений, неуверенности экспериментатора в правильности не-
которых результатов и т.п. Тогда при усреднении дисперсий при-
ходится пользоваться средним взвешенным значением дисперсий,
взятым с учетом числа степеней свободы:

71
N

s12 f1 + s22 f 2 + ... + sk2 f n


∑ fi si2
i =1
S(2Y ) = = ,
f1 + f 2 + ... f n N
∑ fi
i =1

где s12 — дисперсия первого опыта; s22 — дисперсия второго опыта и


т.д; f1 — число степеней свободы в первом опыте, равное числу па-
раллельных опытов n1 минус 1; f1 = n1 – 1; f2 — число степеней сво-
боды во втором опыте, и т.д. Число степеней свободы средней дис-
персии принимается равным сумме чисел степеней свободы дис-
персий, из которых она вычислена.

3.3.5. ПРОВЕРКА ОДНОРОДНОСТИ ДИСПЕРСИЙ


Проверка однородности дисперсий производится с помощью
различных статистических критериев. Простейшим из них являет-
ся критерий (распределение) Фишера, предназначенный для срав-
нивания двух дисперсий. Критерий Фишера (F-критерий) представ-
ляет собой отношение большей дисперсии к меньшей. Полученная
величина сравнивается с табличным значением F-критерия.
Если полученное значение дисперсионного отношения больше
приведенного в таблице для соответствующих степеней свободы и
выбранного уровня значимости, то это значит, что дисперсии зна-
чимо отличаются друг от друга, т.е. то, что они неоднородны.
Если сравниваемое количество дисперсий больше двух и одна
дисперсия значительно превышает остальные, пользуются крите-
рием Кохрена. Этот критерий пригоден для тех случаев, когда во
всех точках имеется одинаковое число повторных опытов. При этом
подсчитывается дисперсия в каждой горизонтальной строке ма-
трицы (s2), а затем из всех дисперсий находится наибольшая s2max,
которая делится на сумму всех дисперсий. Критерий Кохрена — это
отношение максимальной дисперсии к сумме всех дисперсий:
2
smax
G= N
.
∑ si2
1

Гипотеза об однородности дисперсий подтверждается, если экс-


периментальное значение критерия Кохрена не превышает таблич-

72
ного значения. Тогда можно усреднять дисперсию и пользоваться
формулой S 2{Y}.
Приступать к расчету ошибки воспроизводимости и регресси-
онному анализу (а также к дисперсионному анализу) можно толь-
ко после того, как дисперсии выдержали проверку на однородность.
Экспериментаторы часто пренебрегают такой проверкой, объясняя
это трудоемкостью расчетов и сложностью критерия Бартлетта.

3.3.6. РАНДОМИЗАЦИЯ
Чтобы исключить влияние систематических ошибок, вызванных
внешними условиями (переменой температуры, сырья, сменой ла-
боранта и т.д.), рекомендуется случайная последовательность при
постановке опытов, запланированных матрицей. Опыты необхо-
димо рандомизировать во времени.
Термин рандомизация происходит от английского слова random —
случайный и заключается в установлении последовательности опы-
тов в соответствии с таблицей случайных чисел.
Приведем пример рандомизации условий эксперимента. В пол-
ном факторном эксперименте предполагается каждое значение
параметра оптимизации определять по двум параллельным опытам.
Нужно случайно расположить всего 16 опытов. Присвоим парал-
лельным опытам номера от 9 до 16. № 9 будет повторным по от-
ношению к первому опыту, № 10 — ко второму и т.д. Следующий
этап рандомизации — использование таблицы случайных чисел.
Обычно такая таблица приведена в руководствах по математической
статистике.
В случайном месте таблицы выписывают числа от 1 до 16 с от-
брасыванием чисел больше 16 и уже выписанных. В нашем случае
можно получить следующую последовательность: 2; 15; 9; 5; 12;14;
8; 13; 16; 1; 3; 7; 4; 6; 11; 10. Это значит, что первым реализуется
опыт № 2, вторым — № 7 и т.д. Выбранную случайным образом
последовательность опытов не рекомендуется нарушать.

k
3.3.7. РАЗБИЕНИЕ МАТРИЦЫ ТИПА 2 НА БЛОКИ
Если экспериментатор располагает сведениями о предстоящих
изменениях внешней среды, сырья, аппаратуры и т.д., то целесоо-
бразно планировать эксперимент таким образом, чтобы эффект

73
влияния внешних условий был смешан с определенным взаимо-
действием, которое не жалко потерять.
Так, при наличии двух партий сырья матрицу 23 можно разбить
на два блока таким образом, чтобы эффект сырья сказался на ве-
личине трехфазного взаимодействия (табл. 12). Тогда все линейные
коэффициенты и парные взаимодействия будут освобождены от
влияния неоднородности сырья.
Табли ц а 1 2
Разбиение матрицы 23 на два блока

№ блока Х0 Х1 Х2 Х3 Х1Х2 Х1Х3 Х2Х3 Х1Х2Х3 Y


1 + – – + + – – + Y1 + ε
+ + – – – – + + Y2 + ε
+ – + – – + – + Y3 + ε
+ + + + + + + + Y4 + ε
2 + – – – + + + – Y5
+ + – + – + – – Y6
+ – + + – – + – Y7
+ + + – + – – – Y8

В этой матрице при составлении блока 1 отобраны все строки,


для которых Х1Х2Х3 = +1, а при составлении блока 2 — все строки,
для которых Х1Х2Х3 = –1. Различие в сырье можно рассматривать
как новый фактор Х4. Тогда матрица 23, разбитая на два блока, пред-
ставляет собой полуреплику 24–1 с определяющим контрастом
1 = Х1Х2Х3Х4.
Аналогично можно разбить на блоки любой эксперимент типа
2k. Главное — правильно выбрать взаимодействие, которым можно
безболезненно пожертвовать. При отсутствии априорных сведений
выбирают взаимодействие наиболее высокого порядка: Х1Х2Х3 для
23, Х1Х2Х3Х4 для 24, Х1Х2Х3Х4Х5 для 25. Но, если экспериментатору
известно, что одно из парных взаимодействий лишено физико-
химического смысла, то можно пожертвовать парным взаимодей-
ствием. Когда взаимодействие выбрано, в первый блок группиру-
ют все опыты, в которых оно равно +1, а во второй, — в которых
оно равно –1.

74
3.4. Проверка статистических гипотез
3.4.1. РЕГРЕССИОННЫЙ АНАЛИЗ
Статистики разработали много разнообразных методов обра-
ботки результатов эксперимента. По широте приложения основным
является «метод наименьших квадратов» (МНК), который был соз-
дан Лежандром и Гауссом около 200 лет назад. МНК можно при-
менять как вычислительный прием для определения коэффици-
ентов уравнения. Но как только начинается проверка гипотез о
пригодности модели или о значимости коэффициентов, начина-
ется обращение к статистике, и МНК превращается в регрессион-
ный анализ. Регрессионный анализ, как любой статистический
метод, применим при определенных предположениях и постулатах.
П е р в ы й п о с т у л а т: параметр оптимизации Y есть случайная
величина с нормальным законом распределения. Дисперсия воспро-
изводимости — одна из характеристик этого закона распределения.
При наличии большого экспериментального материала (десят-
ков параллельных опытов) гипотезу о нормальном распределении
проверяют стандартными статистическими тестами (например, χ2-
критерием). Но экспериментатор редко располагает таким объемом
информации, поэтому приходится принимать этот постулат на веру.
В том, что Y — случайная величина, обычно сомневаться не при-
ходится. При нарушении нормальности экспериментатор лишает-
ся возможности установления вероятностей, с которыми справед-
ливы те или иные высказывания. Полученные же численные оцен-
ки лишаются статистического смысла.
В т о р о й п о с т у л а т: дисперсия Y не зависит от абсолютной ве-
личины Y. Выполнение этого постулата проверяется с помощью
критериев однородности дисперсий в разных точках факторного
пространства. Если же однородность дисперсий все же отсутствует,
то всегда найдется такое преобразование Y, которое делает дис-
персии однородными. Обычно поиск начинают с логарифмиче-
ского преобразования.
Тр е т и й п о с т у л а т: значения факторов есть неслучайные вели-
чины. Это означает, что установление фактора на заданный уровень
и его поддержание существенно точнее, чем ошибка воспроизво-
димости. Нарушение этого постулата осложняет реализацию ма-
трицы планирования.

75
Ч е т в е р т ы й п о с т у л а т: налагает ограничения на связь между
значениями факторов. В силу ортогональности матриц планиро-
вания этот постулат выполняется автоматически.
Проверка статистических гипотез осуществима только в том
случае, если методика моделирования выполняет все требования
постулатов.

3.4.2. ПРОВЕРКА АДЕКВАТНОСТИ МОДЕЛИ


После вычисления коэффициентов и проверки их значимости
осуществляется проверка пригодности модели — проверка ее адек-
ватности с учетом фактических степеней свободы. Числом степеней
свободы в статистике называется разность между числом опытов и
числом коэффициентов (констант), которые уже вычислены по
результатам этих опытов независимо друг от друга. Если проведен
полный факторный эксперимент 23 и найдено линейное уравнение
регрессии, то число степеней свободы
f2 = N – (k – 1) = 8 – (3+1) = 4.
Дисперсия адекватности — остаточная сумма квадратов Δ2j, де-
ленная на число степеней свободы f:
N
∑ ΔY j2
j =1
2
S ад = .
f2
Адекватность модели реальному процессу (который эта модель
и описывает), т.е. ее пригодность, проверяют по критерию Фише-
ра Fр, который определяется следующей формулой:
2
S ад
Fр = ,
S{2Y }

где S 2ад — остаточная дисперсия или дисперсия адекватности; S 2{Y} —


дисперсия воспроизводимости результатов эксперимента.
Удобство использования критерия Фишера состоит в том, что
проверку гипотезы можно свести к сравнению с табличным значе-
нием. Таблица построена следующим образом: столбцы связаны с
определенным числом степеней свободы — для числителя — f1, для
знаменателя — f2. На пересечении соответствующих строки и столб-

76
ца стоят критические значения F-критерия. Как правило, в техни-
ческих заданиях используется уровень значимости 0,05.
Если рассчитанное значение F-критерия не превышает таблич-
ного (табл. 13), то с соответствующей доверительной вероятностью
модель можно считать адекватной. При превышении табличного
значения эту гипотезу отвергают.
Табли ц а 1 3
Значения F-критерия Фишера при 5%-ном уровне значимости

Число степеней свободы


f1 / f2
1 2 3 4 5 6 12 24 
1 164,4 199,5 215,7 224,6 230,2 234,0 244,9 249,0 254,3
2 18,5 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,5
3 10,1 9,6 9,3 9,1 9,0 8,9 8,7 8,6 8,5
4 7,7 6,9 6,6 6,4 6,3 6,2 5,9 5,8 5,6
5 6,6 5,8 5,4 5,2 5,1 5,0 4,7 4,5 4,4
6 6,0 5,1 4,8 4,5 4,3 4,0 4,0 3,8 3,7
7 5,5 4,7 4,4 4,1 4,0 3,9 3,6 3,4 3,2
 3,8 3,0 2,6 2,4 2,2 2,1 1,8 1,5 1,0

Рассмотренный способ расчета дисперсии адекватности при-


меним в том случае, если опыты в матрице планирования не ду-
блируются, а информация о дисперсии воспроизводимости извле-
кается из параллельных опытов в нулевой точке или из предвари-
тельных экспериментов.
Важны еще два случая: опыты во всех точках плана дублируют-
ся одинаковое число раз (равномерное дублирование); число па-
раллельных опытов неодинаково (неравномерное дублирование).
Чем больше число параллельных опытов, тем с большей достовер-
ностью оцениваются средние значения. Поэтому требования к раз-
личиям между экспериментальными и расчетными значениями
становятся более жесткими, что отражается в уменьшении
F-критерия.

3.4.3. ПРОВЕРКА ЗНАЧИМОСТИ КАЖДОГО КОЭФФИЦИЕНТА


Проверка проводится независимо. Ее осуществляют одним из
двух равноценных способов: проверкой по t-критерию или постро-
ением доверительного интервала. При использовании полного
факторного эксперимента или регулярных дробных реплик дове-

77
рительные интервалы для всех коэффициентов (в том числе и эф-
фектов взаимодействия) равны друг другу.
Дисперсии всех коэффициентов равны друг другу, так как они
зависят только от ошибки опытов и числа опытов. Дисперсию ко-
эффициента регрессии находят по формуле и строят доверительный
интервал:
SY2
S bj2 = ;
N
bj = ±tSbj.
Здесь t — табличное значение критерия Стьюдента при числе
степеней своды, при котором определяется дисперсия, и выбранном
уровне значимости (обычно 0,05); Sbj — квадратная ошибка коэф-
фициента регрессии. Формулу для доверительного интервала мож-
но записать в следующей форме:
ts{ y}
Δb j = ± .
N
Коэффициент значим, если его величина больше доверитель-
ного интервала. Доверительный интервал задается верхней и ниж-
ней границами (±Δb).

3.4.4. ОСОБЕННОСТИ РАСЧЕТОВ ПРИ НЕРАВНОМЕРНОМ


ДУБЛИРОВАНИИ

В случае неравномерного дублирования нарушается ортогональ-


ность матрицы планирования и, как следствие, изменяются рас-
четные формулы для коэффициентов регрессии и их ошибок, а
также для дисперсии адекватности. Дисперсия адекватности рас-
считывается по общей формуле
N
∑ ni (Yср.i − Yрасч.i )
2

i =1
2
S ад = ,
f2
где N — число различных опытов (число строк матрицы); ni — чис-
ло параллельных опытов в i-й строке матрицы; Yср.i — среднее ариф-
метическое из ni параллельных опытов; Yрасч.i — предсказанное по
уравнению значение в этом опыте.

78
Смысл формулы: различию между экспериментальным и рас-
четным значением придается тем больший вес, чем больше число
повторных опытов. Для b-коэффициентов нельзя написать уни-
версальную расчетную формулу. Все зависит от того, какой был
план и как дублировались опыты. Всякий раз делается специальный
расчет с использованием метода наименьших квадратов.
Пусть ставится полный факторный эксперимент 22 с двумя па-
раллельными опытами в каждой строке. Один из параллельных
опытов пришлось отбросить. Матрица планирования имеет вид,
представленный в табл. 14.
Табли ц а 1 4
Матрица планирования 22

№ Δ = (Yср –
Х0 Х1 Х2 Y′ Y″ Yср Yрасч Δ2 n · Δ2
опыта – Yрасч)
1 + – — 4,5 5,5 5,0 4,6 0,4 0,16 0,32
2 + + – 3,0 – 3,0 3,8 0,8 0,64 0,64
3 + – + 2,0 2,0 2,0 1,9 0,1 0,01 0,02
4 + + + 0,5 1,5 1,0 1,1 0,1 0,01 0,02
N =4
∑ ni Δ i2 = 1,00
i =1

Запишем систему уравнений для определения коэффициентов


регрессии:
⎧ 7b0 − 1b1 + 1b2 = 19;

⎨−1b0 + 7b1 + 1b2 = −7;
⎪ 1b + 1b + 7b = −7.
⎩ 0 1 2

Эту запись легко получить с помощью матричных операций.


Для этого нужно матрицу планирования умножить на транспони-
рованную матрицу:
⎛+ − −⎞
⎜+ + −⎟
⎜ ⎟
⎛ + + + + + + + ⎞ ⎜ + − + ⎟ ⎛ 7 −1 1 ⎞
⎜ − + − + − − + ⎟ × ⎜ + + + ⎟ = ⎜ −1 7 1 ⎟ .
⎜ ⎟ ⎜ ⎟
⎝ − − + + − + + ⎠ ⎜ + − − ⎟ ⎝ 1 1 7⎠
⎜ ⎟
⎜+ − +⎟
⎜⎝+ + +⎠⎟

79
Элементы полученной матрицы представляют собой коэффи-
циенты уравнений. А числа в правой части системы уравнений есть:
7 7 7
∑Yi = 19; ∑Yi Х 1i = −7; ∑Yi Х 2i = −7.
i =1 i =1 i =1

Чтобы вычислить b-коэффициенты, надо получить обратную


матрицу системы уравнений, которая имеет вид

⎛ 6 1 −1⎞
1 ⎜
1 6 −1⎟ .
40 ⎜ ⎟
⎝ −1 −1 6 ⎠
Теперь для расчета b-коэффициентов нужно подсчитать сумму
произведений соответствующих элементов столбцов свободных
членов системы уравнений на элементы строки обратной матрицы:


(−7) + ⎛⎜⎝ − ⎞⎟⎠ (−7) = 2,84;
6 1 1
⎪b0 = 40 ⋅ 19 + 40 40


(−7) + ⎛⎜⎝ − ⎞⎟⎠ (−7) = −0,4;
1 6 1
⎨b1 = ⋅ 19 +
⎪ 40 40 40
⎪ ⎛ 1 ⎞ ⎛ 1 ⎞ 6
⎪b2 = ⎜ − ⎟ 19 + ⎜ − ⎟ (−7) + (−7) = −1,35.
⎩ ⎝ 40 ⎠ ⎝ 40 ⎠ 40

Проверяем адекватность модели по приведенной выше


формуле. Вспомогательные расчеты представлены в последних
четырех столбцах таблицы. Дисперсия воспроизводимости равна
1,0
2
S воспр 2
= 0,33, а дисперсия адекватности: S ад = = 1,0 с одной сте-
4−3
пенью свободы. Fэксп = 1,0/0,33 = 3; Fтабл(1; 3; 0,05) = 10,1. Следова-
тельно, модель можно признать адекватной. Если модель адекват-
на, то можно переходить к крутому восхождению, если нет — при-
дется преодолевать дополнительные трудности.

3.5. Принятие решения после построения модели


Адекватная линейная модель имеет вид полинома первой сте-
пени. Коэффициенты полинома являются частными производны-
ми функции отклика по соответствующим переменным. Их гео-

80
метрический смысл — коэффициенты полинома являются танген-
сами углов наклона гиперплоскости к соответствующей оси.
Больший по абсолютной величине коэффициент соответствует
большему углу наклона и, следовательно, более существенному из-
менению параметра оптимизации при изменении данного фактора.
Перевод модели с абстрактного математического языка на язык
экспериментатора называют интерпретацией модели. Задача ин-
терпретации весьма сложна, ее решают в несколько этапов. На
первом этапе устанавливают, в какой мере каждый из факторов
влияет на параметр оптимизации. Величина коэффициента регрес-
сии — количественная мера этого влияния. Чем больше коэффи-
циент, тем сильнее влияет фактор.
О характере влияния факторов говорят знаки коэффициентов.
Знак плюс свидетельствует о том, что с увеличением значения фак-
тора растет величина параметра оптимизации, а при знаке минус —
убывает. Интерпретация знаков при оптимизации зависит от того,
ищет ли экспериментатор максимум или минимум отклика. Если
Y→max, то увеличение значений всех факторов, коэффициенты
которых имеют знак плюс, благоприятно, а имеющих знак минус, —
не благоприятно. Если Y→min, то, наоборот, благоприятно увели-
чение значений тех факторов, знаки коэффициентов которых от-
рицательны.
Далее необходимо выяснить, как расположить совокупность
факторов в ряд по силе их влияния на параметр оптимизации. Фак-
торы, коэффициенты которых не значимы, не интерпретируются.
Можно сказать, что при данных интервалах варьирования и ошиб-
ке воспроизводимости они не оказывают существенного влияния
на параметр оптимизации.
Изменение интервалов варьирования приводит к изменению
коэффициентов регрессии. Абсолютные величины коэффициентов
регрессии растут с увеличением интервалов. Инвариантными к из-
менению интервалов остаются знаки коэффициентов регрессии.
Однако и они изменятся на обратные, когда при движении по гра-
диенту экспериментатор «проскочит» экстремум.
В некоторых задач представляет интерес построение уравнений
регрессии для натуральных значений факторов. Уравнение для на-
туральных переменных можно получить, используя формулу пере-
хода. Коэффициенты регрессии изменятся. При этом пропадет
возможность интерпретации влияния факторов по величинам и
знакам коэффициентов регрессии. Вектор-столбцы натуральных

81
значений переменных в матрице планирования уже не будут орто-
гональными, коэффициенты определяются зависимо друг от друга.
Если же поставлена задача получения интерполяционной формулы
для натуральных переменных, такой прием допустим.
Интерпретация эффектов взаимодействия не так однозначна,
как линейных эффектов. В каждом случае имеются два варианта.
Прежде всего нужно учесть знаки линейных эффектов соответству-
ющих факторов. Если эффект взаимодействия имеет знак плюс,
а линейные эффекты отрицательны, то выбор однозначен: сочета-
ние –1 и –1. Однако возможен случай, когда знаки линейных ко-
эффициентов различны. Тогда приходится учитывать численные
значения коэффициентов и жертвовать самым малым эффектом.
Иногда учитывают технологические соображения: эксперимент в
одной области факторного пространства дороже (или труднее), чем
в другой.
Если оказывается значимым эффект взаимодействия трех фак-
торов (например Х1Х2Х3), то его можно интерпретировать следую-
щим образом. Этот эффект может иметь знак плюс, если отрица-
тельные знаки будут у четного числа факторов. Знак минус будет,
если нечетное число факторов будет иметь знак минус. Это прави-
ло распространяется на взаимодействия любых порядков.
Интерпретация уравнения регрессии важна не только для по-
нимания процесса, но и для принятия решений при оптимизации.
Принятие решений после построения модели процесса зависит от
числа факторов, дробности плана, цели исследования (достижения
оптимума, построения интерполяционной формулы) и т.д.
При определении адекватности модели возможны три варианта:
все коэффициенты регрессии значимы; часть коэффициентов ре-
грессии значима, а часть не значима; все коэффициенты регрессии
незначимы. В каждом из вариантов оптимум может быть близко,
далеко или о его положении нет информации.
Если область оптимума близка, возможны три решения: окон-
чание исследования, переход к планам второго порядка и движение
по градиенту. Переход к планированию второго порядка дает воз-
можность получить математическое описание области оптимума и
найти экстремум. Движение по градиенту используется при малой
ошибке опыта, поскольку на фоне большой ошибки трудно уста-
новить приращение параметра оптимизации. Решение при неопре-
деленной ситуации — также движение по градиенту.

82
Если часть коэффициентов значима, а часть нет, то выбирают
решения, реализация которых приводит к получению значимых
коэффициентов. На этом этапе важно выдвинуть гипотезы, объ-
ясняющие незначимость эффектов. Это может быть и неудачный
выбор интервалов варьирования, и включение (из осторожности)
факторов, не влияющих на параметр оптимизации, и большая
ошибка опыта.
Решение зависит от того, какая гипотеза выбрана. Если выбра-
на одна конкретная гипотеза, то возможно такое решение: расши-
рение интервалов варьирования по незначимым факторам и по-
становка новой серии опытов. Изменение интервалов варьирования
иногда сочетают с переносом центра эксперимента в точку, соот-
ветствующую условиям наилучшего опыта. Малозначимые факто-
ры стабилизируют и исключают из дальнейшего рассмотрения.
Другие возможные решения для получения значимых коэффи-
циентов — увеличение числа параллельных опытов и достройка
плана. Увеличение числа параллельных опытов приводит к умень-
шению дисперсии воспроизводимости и, соответственно, — к дис-
персии коэффициентов регрессии. Опыты могут быть повторены
либо во всех точках плана, либо в некоторых.
Достройка плана осуществляется несколькими способами. Ме-
тодом «перевала»: у исходных реплик изменяют знаки на обратные.
В этом случае основные эффекты оказываются не смешанными с
парными эффектами взаимодействия: переходом к полному фак-
торному эксперименту; переходом к реплике меньшей дробности;
переходом к плану второго порядка (если область оптимума близка).
Реализация любого из этих решений предполагает значительные
экспериментальные усилия. Поэтому иногда не следуют строгому
правилу (двигаться по всем факторам), а идут на некоторый риск
и двигаются только по значимым факторам.
Рассмотрим последний случай: линейная модель адекватна, все
коэффициенты регрессии незначимы (кроме b0). Чаще всего это про-
исходит вследствие большой ошибки эксперимента или узких ин-
тервалов варьирования. Поэтому возможные решения направлены
на увеличение точности эксперимента и расширение интервалов
варьирования. Увеличение точности может достигаться двумя пу-
тями: совершенствованием методики проведения опытов или
вследствие постановки параллельных опытов. Если область опти-
мума близка, то возможно окончание исследования.

83
Линейная модель неадекватна, т.е. не удается аппроксимировать
поверхность отклика плоскостью. Решения, принимаемые для по-
лучения адекватной модели: изменение интервала варьирования
факторов, перенос центра плана, достройка плана. Наиболее рас-
пространенный прием — изменение интервалов варьирования. Он
требует постановки новой серии опытов.
Если поставлена задача построения интерполяционной модели,
то на получении адекватной модели исследование заканчивается,
а в случае неадекватной модели принимается только одно из сле-
дующих решений: включение в модель эффектов взаимодействия,
достройка плана, преобразование переменных, изменение интер-
валов варьирования.

3.6. Построение квадратичных моделей


3.6.1. ОБЩИЕ ПРИНЦИПЫ ПОСТРОЕНИЯ
В результате проверки значимости выделяют факторы, оказы-
вающие на функции отклика наибольшее влияние. Эксперимент
второго этапа (направленный на аналитическую оптимизацию)
проводится именно с этими факторами. Решение технологических
задач посредством аналитической оптимизации предполагает по-
лучение квадратичных полиномов — математических моделей, про-
веренных на адекватность и на выполнение всех статистических
гипотез. Общий вид полинома (математической модели) следую-
щий:
Y(b, X) = b0 + b1X1 + … + bnXn + bn+1X12 + … +
+ b2nXn2 + b2n+1X1X2 + … + bkXn–1Xn.
Число неизвестных коэффициентов в этой модели равно:
(n + 2)(n + 1)
(k + 1) = C2n+ 2 = .
2
Для оценки коэффициентов модели, содержащей функции не-
зависимых переменных типа Xi2, независимая переменная в плане
должна принимать, по крайней мере, три различных значения.
Композиционный план для квадратичных моделей получают до-
бавлением некоторого количества специальных точек к «ядру», об-
разованному планом для линейной (неполной квадратичной) мо-
дели. В качестве «ядра» могут быть использованы планы типа 2n

84
(полные) или 2n-p (т.е. дробные реплики). Если к «ядру» плана до-
бавить точку в центре плана с координатами (0; 0) и 2n так назы-
ваемых «звездных» точек с координатами (±α; 0;…0)…(0;…0; ±α),
то может быть получен центральный композиционный план.
В композиционных планах (рис. 8) в качестве ядра использова-
ны точки полного факторного эксперимента (обозначены кружка-
ми). Ромбами обозначены «звездные» точки, расположенные на
осях координат на расстоянии α от центра плана.

Рис. 8. Композиционные планы второго порядка для n = 2 (а) и для n = 3 (б)

Матрица планирования для плана (см. рис. 8, б) приведена в


табл. 15. Номера точек (см. рис. 8, б) соответствуют строкам табл. 15.
Выбором величины плеча α композиционного плана и числа точек
в центре плана могут быть обеспечены различные свойства полу-
чаемого плана: ортогональность или ротатабельность.
Табли ц а 1 5
Композиционный план второго порядка для n = 3

№ экспе- Матрица эксперимента Элементы плана


римента Х1 Х2 Х3
1 + + + Полный факторный план (2n)
2 – + +
3 + – +
4 – – +
5 + + –
6 – + –

85
О к о нч ан и е табл. 1 5

№ экспе- Матрица эксперимента Элементы плана


римента Х1 Х2 Х3
7 + – – Полный факторный план (2n)
8 – – –
9 +α 0 0 Звездные точки (2n)
10 –α 0 0
11 0 +α 0
12 0 –α 0
13 0 0 +α
14 0 0 –α
15 0 0 0 Центр плана

3.6.2. ОРТОГОНАЛЬНЫЕ ЦЕНТРАЛЬНЫЕ КОМПОЗИЦИОННЫЕ ПЛАНЫ


При построении ортогональных центральных композиционных
планов плечо звездных точек (α) выбирается так, чтобы обеспечить
их ортогональность. Число точек в центре плана обычно принима-
ется равным единице (см. табл. 15).
Эта матрица являлась полурепликой плана 23+2×3 относитель-
но генерирующего взаимодействия Х4 = Х1Х2Х3. В качестве функций
оптимизации для всех моделей приняты следующие: Y1 — средняя
плотность изделия, кг/м3; Y2 — прочность изделия при сжатии,
МПа.
Для обеспечения ортогональности необходимо преобразовать
модель Y(b, X) следующим образом:
Y(b, X) = b0′ + b1X1 + … + bnXn + bn+1(X12 – β) + … +
+ b2n(Xn2 – β) + b2n+1X1X2 + … + bkXn–1Xn;

∑ (X ij )
N 2

j =1
β= ;
N
n
b0 = b0′ − β∑bn+1,
i =1

где N — общее число точек в плане.

86
В общем случае матрица F функций независимых переменных
для ортогонального центрального композиционного плана второ-
го порядка имеет вид, представленный в табл. 16. Через Х0 обозна-
чена фиктивная переменная при коэффициенте b0. Общее число
точек плана
N = 2n-p + 2n + 1,
где 2n-p — число точек ядра центрального композиционного плана.
Для правильной организации эксперимента и сохранения
свойств плана является важным вопрос о возможности использова-
ния дробных реплик. Предположим, что модель представлена полным
квадратичным полиномом Y(b, X) и требуется получить раздельные
несмешанные оценки для всех коэффициентов полинома. Тогда
необходимо потребовать, чтобы в матрице F не было одинаковых
столбцов.
Из табл. 16 следует, что одинаковые столбцы могут быть только
у парных произведений факторов. Поэтому в качестве ядра могут
быть использованы только такие дробные планы, которые позво-
ляют получить не смешанные друг с другом оценки коэффициентов
при парных взаимодействиях факторов.
Поскольку выбор величины α не влияет на ортогональность
столбцов матрицы F, соответствующих факторам Хi и парным про-
изведениям XiXj, то для ортогональности композиционного плана
необходимо потребовать, чтобы парные взаимодействия в ядре
плана не были смешаны с линейными членами. В связи с этим при
n < 4 в качестве ядра ортогонального центрального комопзицион-
ного плана может быть использован только полный факторный
план. Для n = 5 в качестве ядра может быть использована полу-
реплика 25–1 с генерирующим соотношением Х5 = X1X2X3X4; для
n = 6 и n = 7 также возможно использовать только полуреплики с
генераторами X6 = X1X2X3X4X5 и X7 = X1X2X3X4X5X6. Для n = 8 воз-
можно применять планы типа 28–2 с генераторами X7 = X1X2X3X4 и
X5 = X1X2X5X6.
Выбор плеча «звездных» точек (α) основан на свойствах матрицы
F. Скалярные произведения любых двух столбцов этой матрицы
равны 0 при любых значениях α. Исключение составляют столбцы
при квадратичных функциях вида (Xi2 – β): их скалярные произ-
ведения в общем случае не равны 0 и зависят от α. Условие для вы-
бора значений α, обеспечивающее ортогональность плана, полу-

87
Таблица 1 6
Матрица F для ортогонального центрального композиционного плана второго порядка

Матрица F
Элемент Номер
Х0 Матрица Х плана Х12 – β … Xn2 – β X1X2 … XnXn–1
плана опыта j
Х1 Х2 … Хn
Ядро 1 1 +1 +1 … +1 1–β … 1–β +1 … 1
2 1 –1 +1 … +1 1–β … 1–β –1 … 1
3 1 +1 –1 … +1 1–β … 1–β –1 … …
4 1 –1 –1 … +1 1–β … 1–β +1 … …
…. … … … … … … … … … … …
2n–p 1 … … … … 1–β … 1–β … … …
Звездные 2n–p+1 1 +α 0 … 0 α2 – β … –β 0 … 0
точки n–p+2 2
2 1 –α 0 … 0 α –β … –β 0 … 0
2n–p+3 1 0 +α … 0 –β … … … … …
n–p+4
2 1 0 –α … 0 –β … … … … …
… … … … … … … … … … … …
n–p+2n 2
2 1 0 0 … –α –β … α –β 0 … 0
Центр 2n–p+2n+1 1 0 0 … 0 –β … –β 0 … 0
чают, приравнивая 0 сумму произведений элементов двух столбцов
при функциях вида (Xi2 – β):

⎛ 2 n− p + 2α 2 ⎞ 2 n− p + 2α 2 ⎛ 2 2 n− p + 2α 2 ⎞
2 n− p ⎜1 − ⎟⎠ − 4 ⎜⎝ α − ⎟⎠ +
⎝ N N N
⎛ 2 n− p + 2α 2 ⎞
+ ( 2 n − 3) ⎜ = 0.
⎝ N ⎠⎟
Соответственно, плечо «звездных» точек α выбирают исходя из
условия ортогональности плана:

n− p ⎛ n− p ⎞
−1
α= 2 2
⎜ N − 2 2
⎟.
⎝ ⎠
Значения α для планов различных размерностей n приведены в
табл. 17.
Табли ц а 1 7
Параметры ортогональных центральных композиционных планов

Размерность Ядро Элементы матрицы С


N α β
плана плана с0 с1 с2 с3
2 22 9 1 0,66(7) 0,1111 0,166(7) 0,5 0,25
3 23 15 1,215 0,73 0,0667 0,0913 0,2298 0,125
4 24 25 1,414 0,80 0,04 0,05 0,125 0,0625
5 25–1 27 1,547 0,77 0,0370 0,0481 0,0871 0,0625
6 26–1 45 1,722 0,843 0,0222 0,0264 0,0564 0,0313
7 27–1 79 1,885 0,90 0,0127 0,0141 0,0389 0,0156
8 28-2 81 2,001 0,88(9) 0,0123 0,0139 0,0312 0,0156

Информационная матрица плана имеет вид:

⎡ m0 0 0 0 ⎤
⎢0 m1I n 0 0 ⎥
M =⎢ ⎥,
⎢0 0 m1I n 0 ⎥
⎢ ⎥
⎢⎣ 0 0 0 I An ⎥
2 ⎦

где In — единичная матрица размером n; A2n — число сочетаний из


n по 2.

89
В этой матрице
m0 = N = 2n–p + 2n + 1;
m1 = 2n–p + 2α;
m2 = 2n–p(1 – β)2 + 2(α2 – β)2 + (2n – 1)β2;
m3 = 2n–p.
Дисперсионная матрица плана выглядит следующим образом:

⎡c0 0 0 0 ⎤
⎢0 c1I n 0 0 ⎥⎥
C=⎢ .
⎢0 0 c1I n 0 ⎥
⎢ ⎥
⎢⎣ 0 0 0 c3 I A n ⎥
2 ⎦

Значения элементов дисперсионной матрицы для планов раз-


личных размерностей n приведены в табл. 16. С учетом значений
элементов матрицы С (см. табл. 17) формулы для расчета оценок
дисперсионных коэффициентов bi имеют вид
N
c1 ∑ XiYi, i = 1, …, n;
i=1

N
c2 ∑ [(Xi–n – β)2]Y1–n, i = n + 1, …, 2n;
i=1

N
c3 ∑ XμXλYi, μ, λ = 1, 2, …, n; μ  λ; i = 2n + 1, …, k.
i=1

Коэффициент b0 рассчитывается по формуле


1 N N
b0 =
N
∑Yi − β∑ bn+i .
i =1 i =1

При применении ортогональных планов все коэффициенты


оцениваются независимо. Это значит, что изменение оценки лю-
бого коэффициента (например, исключение незначащего члена из
уравнения) не приводит к изменению других оценок и их диспер-
сий. Оценки дисперсий коэффициентов s2i определяются по фор-
мулам

90
s2c0, i = 0;
s2c1, i = 1, …, n;
s2c2, i = n + 1, …, 2n;
s2c3, i = 2n + 1, …, k.
Для b0 дисперсию определяем следующим образом: s2b0 = s2(c0 +
+ nβ2c2). В этих формулах s2 оценка дисперсии ошибок наблюдений.
С целью получения оценки дисперсии ошибок опыты во всех точ-
ках плана повторяют не менее трех раз.
При проведении статистического анализа результатов с целью
проверки адекватности модели и значимости коэффициентов ис-
пользуют табл. 18, в которой приняты следующие обозначения:
n — размерность факторного пространства; l–P — используемый
уровень значимости проверки гипотез; f1 — число степеней свобо-
ды для остаточной дисперсии; f2 — число степеней свободы для
оценки дисперсии наблюдений; h1, h2, h3 — величины tкр c1 ; tкр c2 ;
tкр c3 , соответственно; tкр — критическое значение критерия Стью-
дента при заданных значениях значимости и количестве степеней
свободы f2.
Табли ц а 1 8
Статистический анализ для ортогональных центральных композиционных
планов с числом параллельных опытов в каждой точке, равным 3

n l–P f1 f2 h1 h2 h3 Fкр
0,1 3 18 0,708 1,225 0,876
2 0,05 3 18 0,858 1,486 1,051 3,16
0,01 3 18 1,175 2,035 1,439 5,09
0,1 5 30 0,512 0,814 0,600 —
3 0,05 5 30 0,617 0,979 0,739 2,53
0,01 5 30 0,831 1,318 0,972 3,70
0,1 10 50 0,375 0,593 0,419 —
4 0,05 10 50 0,449 0,710 0,502 2,03
0,01 10 50 0,599 0,948 0,673 2,70
0,1 6 54 0,367 0,494 0,419 —
5 0,05 6 54 0,440 0,592 0,501 2,27
0,01 6 54 0,586 0,770 0,668 3,15

91
О к о н ч ани е табл. 1 8

n l–P f1 f2 h1 h2 h3 Fкр
0,1 17 90 0,270 0,396 0,294 —
6 0,05 17 90 0,323 0,471 0,351 1,74
0,01 17 90 0,428 0,628 0,465 2,18
0,1 43 158 0,196 0,326 0,207 —
7 0,05 43 158 0,235 0,390 0,247 1,46
0,01 43 158 0,310 0,514 0,326 1,70
0,1 36 162 0,292 0,292 0,207 —
8 0,05 36 162 0,349 0,349 0,247 1,49
0,01 36 162 0,461 0,461 0,326 1,75

Величины h1, h2, h3 используют при проверке значимости коэф-


фициентов. При этом условие значимости коэффициента форму-
лируется следующим образом: | bi |  hi si; s2 — оценка дисперсии
ошибок наблюдений с числом параллельных опытов в каждой точ-
ке, равным 3.
В последней колонке табл. 18 приведены значения критерия
Фишера для проверки адекватности модели при различных уровнях
значимости.

3.6.3. РОТАТАБЕЛЬНЫЕ ЦЕНТРАЛЬНЫЕ КОМПОЗИЦИОННЫЕ ПЛАНЫ


В качестве условия для выбора величины плеча звездных точек
(α) используется условие ротатабельности плана. Ротатабельный
центральный композиционный план [13] строится аналогично ор-
тогональному плану. В качестве ядра плана может быть использован
полный 2n или дробный 2n–p факторный план. Величина плеча α
для ротатабельного плана второго порядка вычисляется по формуле
n− p
α=2 4 .

Число опытов n0 в центре плана выбирается из следующих со-


ображений. Выдвигается требование, чтобы информация о значе-
нии выходной переменной оставалась неизменной (или почти не-
изменной) для точек внутри сферы единичного радиуса с центром
в центре плана. То есть требуется, чтобы информационный профиль

92
ротатабельного плана мало изменялся при значениях радиуса сфе-
ры от 0 до 1. Планы, удовлетворяющие этому условию, называют-
ся ротатабельными униформ-планами [7].
Униформ-план можно получить, изменяя количество точек в
центре ротатабельного плана. В табл. 19 приведены значения пле-
ча α и числа точек n0 в центре плана, звездных точек и общего чис-
ла точек N для ротатабельных униформ-планов второго порядка.
Табли ц а 1 9
Параметры ротатабельных центральных композиционных планов

Размерность Ядро α
Число звездных точек n0 N
плана плана
2 22 4 5 13 1,414
3 23 6 6 20 1,682
4 24 8 7 31 2,000
25 10 10 52 2,378
5
25–1 10 6 32 2,000
26 12 15 91 2,828
6
26–1 12 9 53 2,378
27 14 21 163 3,333
7
27–1 14 14 92 2,828

В табл. 20 приведены матрица Х ротатабельного центрального


композиционного униформ-плана для n = 3 и матрица F функций
независимых переменных.
Табли ц а 20
Ротатабельный центральный композиционный план и матрица F для n = 3

Матрица F
Элемент
Матрица Х
Х2Х3
Х1Х2

Х1Х3

плана Х0 Х12 Х22 Х32


Х1 Х2 Х3
1 –1 –1 –1 1 1 1 +1 +1 +1
1 +1 –1 –1 1 1 1 –1 –1 +1
1 –1 +1 –1 1 1 1 –1 +1 –1
1 +1 +1 –1 1 1 1 +1 –1 –1
Ядро
1 –1 –1 +1 1 1 1 +1 –1 –1
1 +1 –1 +1 1 1 1 –1 +1 –1
1 –1 +1 +1 1 1 1 –1 –1 +1
1 +1 +1 +1 1 1 1 +1 +1 +1

93
О к о н ч ани е табл. 20

Матрица F
Элемент
Матрица Х

Х2Х3
Х1Х2

Х1Х3
плана Х0 Х12 Х22 Х32
Х1 Х2 Х3
1 +1,682 0 0 2,828 0 0 0 0 0
1 –1,682 0 0 2,828 0 0 0 0 0
Звездные 1 0 +1,682 0 0 2,828 0 0 0 0
точки 1 0 –1,682 0 0 2,828 0 0 0 0
1 0 0 +1,682 0 0 2,828 0 0 0
1 0 0 –1,682 0 0 2,828 0 0 0
1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
Центр
1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0

В матрице F центральная точка фигурирует n0 раз. Это значит,


что при вычислении оценок коэффициентов используют результат
каждого параллельного измерения в центре плана, а не их средние
значения. Подобное построение матрицы F следует из требования
одинаковой величины дисперсии всех величин зависимой пере-
менной, входящей в матрицу Y (см. табл. 18). Кроме того, парал-
лельные опыты в центре плана позволяют рассчитать оценку дис-
персий ошибок наблюдений.

3.7. Методы оптимизации технологических процессов


3.7.1. МЕТОД «КРУТОГО ВОСХОЖДЕНИЯ»
Из многих возможных путей поиска оптимальных наиболее при-
меним метод Бокса — Уилсона или метод «крутого восхождения».
Этот метод путей реализации эксперимента позволяет получать
статические математические модели процессов, используя фактор-
ное планирование, регрессионный анализ и движение по градиенту.
В технологическом моделировании зачастую возникает необхо-
димость решения задачи поиска оптимальных параметров (или в

94
некоторых случаях интерполяции), которая может характеризо-
ваться следующими условиями:
• задача допускает выбор одного параметра оптимизации;
• множество определяющих факторов задано, каждый из фак-
торов управляем;
• результаты опытов воспроизводятся, опыты равноценны;
• математическая модель процесса заранее не известна.
Идея метода Бокса — Уилсона проста. Ставятся последователь-
но небольшие серии опытов, в каждой из которых одновременно
варьируются по определенным правилам все факторы. Серии ор-
ганизуют таким образом, чтобы после математической обработки
предыдущей можно было выбрать условия проведения, т.е. спла-
нировать следующую серию. Так последовательно, шаг за шагом,
достигается область оптимума.

Рис. 9. Путь по градиенту

3.7.2. ДВИЖЕНИЕ ПО ГРАДИЕНТУ


Графическая интерпретация двухфакторного эксперимента
(в виде кривых равного выхода поверхности отклика) подобна ли-
ниям равной высоты на географических картах (см. рис. 5; рис. 9).
Поверхность отклика имеет вид холма с вершиной в точке опти-
мума Yэкстр. Если попытаться попасть в окрестность этой точки с
помощью одного из вариантов двухфакторного эксперимента, то
необходимо сначала стабилизировать фактор Х1 и изменять в на-
правлении АВ второй фактор пока увеличивается выход. За точкой

95
В выход падает, поэтому стабилизируем Х2 и изменяем Х1 в направ-
лении БС по такому же правилу, и т.д. Такой путь извилист и тру-
доемок (особенно при увеличении числа факторов). Наиболее ко-
роткий путь к вершине — направление градиента функции откли-
ка. Путь по градиенту в условиях двухфакторного эксперимента
показан кривой АС (см. рис. 9).
В качестве примера рассмотрим трехфакторный эксперимент.
Функция отклика имеет вид F = f(X1, X2, X3). Если эта функция не-
прерывна и однозначна, то градиент такой функции есть вектор:

∂F ∂F ∂F
gradF = i+ j+ k,
∂X 1 ∂X 2 ∂X 3

где gradF (P) — обозначение градиента; ∂F/∂X1 — частные произ-


водные функции по l-фактору (в трехфакторном эксперименте
l = 1, 2, 3); i, j, k — базисные векторы декартовой системы коор-
динат.
Составляющие градиента — частные производные функции от-
клика, оценками которых являются коэффициенты уравнения ре-
грессии. Изменяя независимые переменные (условия проведения
следующих серий эксперимента) пропорционально величинам ко-
эффициентов регрессии, будем двигаться в направлении градиен-
та функции отклика по самому крутому пути. Поэтому процедура
движения к почти стационарной области называется крутым вос-
хождением.
Величины составляющих градиента определяются формой по-
верхности отклика и теми решениями, которые были приняты при
выборе параметра оптимизации, нулевой точки и интервалов ва-
рьирования. Знак составляющих градиента зависит только от фор-
мы поверхности отклика и положения нулевой точки. При расчете
градиента движение начинается из нулевой точки.
Если крутое восхождение эффективно и область оптимума близ-
ка, то возможны два решения: окончание исследований и дострой-
ка линейного плана до плана второго порядка в целях описания
области оптимума. Выбор решения зависит от формулировки за-
дачи оптимизации. Если область оптимума далека, решение одно:
построение линейного плана нового цикла. В неопределенной си-
туации (когда неясна степень близости к оптимуму) — переходят
к новому плану.

96
При неэффективном крутом восхождении и неадекватности ли-
нейной модели ставят опыты в центре плана для грубой оценки
квадратичных членов уравнения регрессии. Если сумма квадратич-
ных членов значима, это может свидетельствовать о близости к
стационарной области. Тогда следует приступать к построению
плана второго порядка или заканчивать исследования. При незна-
чимой сумме квадратичных членов приступают к построению пла-
на нового цикла.

3.7.3. ДВИЖЕНИЕ К ОПТИМУМУ «КРУТЫМ ВОСХОЖДЕНИЕМ»


В основе метода «крутого восхождения» лежит процедура по-
шагового поиска оптимума. Этот принцип подразумевает прове-
дение коротких (насколько возможно) серий опытов; формирова-
ние по их результатам математической модели; использование мо-
дели для оценки градиента; постановку новых серий опытов
только в направлении, указываемом градиентом. Получается ци-
клический процесс, который заканчивается при попадании в об-
ласть, близкую к оптимуму («почти стационарную» область). При
решении задачи оптимизации стремятся выбрать для первой серии
экспериментов такую подобласть, которая давала бы возможность
для шагового движения к оптимуму.
Пусть при разработке технологии теплоизоляционного матери-
ала возникла необходимость исследования влияния прочности лег-
кого заполнителя Х1 и его расхода Х2 на прочность изделия Y. Ус-
ловия более чем общие: если используется минеральное вяжущее, то
речь может идти о прочности легкого бетона; если глины, — то о
керамических легковесах; если синтетические смолы, — то о по-
лимерных композитах, и т.д. Насыпная (или средняя) плотность
заполнителя, его пористость (или способность поглощения жидкой
вазы) также в данном эксперименте не рассматриваются.
Границы изменения факторов в исследуемой области приведены
в табл. 21. Задачей эксперимента является нахождение оптимальных
значений прочности изделия.
Сразу оговоримся, что достаточно очевидно: чем выше проч-
ность заполнителя и меньше его расход, тем выше прочность гото-
вого материала. Но плотность материала изменяется пропорцио-
нально расходу легкого заполнителя (ЛЗ) и его плотности, т.е. при
небольших расходах ЛЗ (Х2) материал просто перестанет быть
теплоизоляционным.

97
Табли ц а 21
Границы проведения эксперимента в двухфакторной области

Значение
Математический на уровнях
Фактор Размерность
символ Хi
min max
Прочность легкого МПа Х1 0,1 0,9
заполнителя
Расход легкого кг/м3 Х2 100 500
заполнителя

Основой метода «крутого восхождения» является последова-


тельное приближение к области оптимума. Планируются серии
экспериментов. Матрица эксперимента во всех сериях не меняет-
ся. Область экспериментов серии I выбирают произвольно, но с
учетом априорной информации.
Табли ц а 22
Условия проведения эксперимента в сериях I—V

Среднее значение фактора X i Интервал
в сериях варьирования
Фактор
ΔXi в сериях
I II III IV V I—V
1 2 3 4 5 6 7
Прочность легкого 0,2 0,4 0,6 0,6 0,8 0,1
заполнителя Х1, МПа
Расход легкого 440 360 260 360 360 60
заполнителя Х2, кг/м3

Табли ц а 23
Матрица планирования и результаты эксперимента в сериях I—V

Результаты эксперимента Yj, кПа,


№ Матрица планирования
в серии
опыта
Х1 Х2 Х1Х2 I II III IV V
1 2 3 4 5 6 7 8 9
1 + + + 100 240 400 370 340
2 — + — 60 160 340 370 320
3 + — — 32 300 360 350 350
4 — — + 40 220 300 350 350
b1 b2 b12

98
Серия I. Условия проведения эксперимента в серии I представ-
лены в табл. 22 (столбцы 2 и 7). Результаты эксперимента приведе-
ны в табл. 23 (столбец 5).
Статистическая обработка результатов эксперимента позволила
получить уравнение регрессии для подобласти I «крутого восхож-
дения»:
Y = 95 + 37 · Х1 – 5 · Х2 – 15 · Х1 · Х2.
Графическая интерпретация этого уравнения представлена на
рис. 10, а. Методами дифференциального исчисления определяем
координаты градиента (вектора, который должен указать направ-
ление дальнейшего экспериментирования):
dY = 37 − 15 Х 2 ;
dX 1

dY = −5 − 15 X 1.
dX 2
В центре области — в точке с координатами (0; 0) — координа-
ты градиента: [37; –5]. В нижнем правом углу области (в точке с
координатами (1; –1) координаты градиента: [52; –20]. С точки
зрения реализации статических гипотез, наиболее достоверное
предсказание результатов возможно в центре факторного простран-
ства (в точке (0; 0)), а точка (1; –1) является только дополнительным
подтверждением этому. Графические изображения этих градиентов
даны на рис. 10, а. Длины их соответственно равны:
• в точке с координатами (0; 0) |grad Y(0; 0)|:

∇Y(0; 0) = 372 + (−5)2 = 37,4;

• в точке с координатами (1; –1) |gradY(1; –1)|:

∇Y(1; −1) = 522 + (−20)2 = 55,7.

Направления градиентов (см. рис. 10, а) и их абсолютные зна-


чения позволяют выбрать направление дальнейшего эксперимен-
тирования. Исходя из этого устанавливают условия для серии экс-
периментов II.
Серия II. Условия проведения эксперимента в серии II представ-
лены в табл. 22 (столбцы 3 и 7). Результаты эксперимента приведе-
ны в табл. 23 (столбец 6). Статистическая обработка результатов

99
Рис. 10. Графическая интерпретация уравнений регрессии для (а), (б) и (в) серий эксперимента
эксперимента позволила получить уравнение регрессии для обла-
сти II эксперимента:
Y = 230 + 40 · Х1 – 55 · Х2 + 25 · Х1 · Х2.
Графическая интерпретация этого уравнения представлена на
рис. 10, б. Определяем характеристики градиента:
dY = 40 + 25 ⋅ X 2 ;
dX 1

dY = −55 + 25 ⋅ X 1.
dX 2
Координаты вектора-градиента в точке (0; 0) — [40; –55]
(основная характерная точка), в точке (1; –1) — [15; –30]. Длины
вектора-градиента — соответственно: |gradY (0; 0) | = 68 и
|gradY(1; –1) = 33,5.
Серия III. Условия проведения эксперимента в серии III пред-
ставлены в табл. 22 (столбцы 4, 7). Результаты эксперимента при-
ведены в табл. 23 (столбец 7). Статистическая обработка результа-
тов эксперимента позволила получить уравнение регрессии для
области III эксперимента:
Y = 350 + 30 · Х1 + 20 · Х2.
Графическая интерпретация этого уравнения представлена на
рис. 10, в. Определяем характеристики градиента. Координаты век-
тора-градиента в любой точке двухфакторного пространства по-
стоянны и равны [30; 20]. Длина вектора-градиента: |gradY| = 36.
Серия IV. Условия проведения эксперимента в серии IV пред-
ставлены в табл. 22 (столбцы 5, 7). Результаты эксперимента при-
ведены в табл. 23 (столбец 8). C учетом рекомендованного направ-
ления дальнейшего экспериментирования значения фактора Х1
увеличиваем, а Х2 оставляем в том же интервале. Статистическая
обработка результатов эксперимента позволила получить уравнение
регрессии для области IV эксперимента:
Y = 360 + 20 · Х2.
Графическая интерпретация этого уравнения представлена на
рис. 11. Определяем характеристики градиента. Координаты век-
тора-градиента в любой точке двухфакторного пространства по-
стоянны и равны [0; 20]. Длина вектора-градиента — |gradY| = 20.
Расположение вектора-градиента, параллельное оси (0Х2), пока-

101
зывает, что относительно Х1 достигнута область оптимума. Чтобы
определиться с оптимумом по Х2 проводим следующую серию экс-
периментов в направлении, указанном градиентом.

Рис. 11. Реализация метода Бокса — Уилсона


на примере двухфакторного эксперимента:
Rф — линии фактического значения прочности; ∇Y — градиенты функции отклика
(прочности) для каждой области осуществления «крутого восхождения»

Серия V. Условия проведения эксперимента в серии V представ-


лены в табл. 22 (столбцы 5, 7). Результаты эксперимента приведены
в табл. 23 (столбец 9). C учетом рекомендованного направления
дальнейшего экспериментирования значение фактора Х1 оставля-
ем в том же интервале, а значение Х2 увеличиваем.
Статистическая обработка результатов эксперимента показала,
что все коэффициенты и при Х1, и при Х2, и при Х1Х2 — незначимы
и должны быть приравнены 0. То есть уравнения регрессии для
данной области не существует и Y = 340 для всей области. Коорди-
наты вектора-градиента (0; 0), его длина |gradY| = 0. Подобное по-
ведение функции отклика подтверждает достижение области оп-
тимума. Ее центр — середина области V.

102
В натуральном выражении: достижение оптимальной прочности
(340 кПа) возможно при использовании пористого заполнителя
прочностью 0,8 МПа и при его расходе 350 кг/м3. Отметим, что если
бы мы сразу доверились результатам серии III эксперимента и по-
вели дальнейшие исследования в направлении, которое указывал
градиент, то сэкономили бы время и средства на одну серию; серия
IV оказалась бы лишней.
Для более подробного изучения зависимости прочности мате-
риала от расхода заполнителя и его прочности (R = Y(Х1, Х2) целе-
сообразно проведение дополнительных исследований. В установ-
ленной области оптимума (в интервалах Х1 [0,6; 0,8] и X2 [260; 400])
может быть дополнительно реализован полный факторный экс-
перимент с получением нелинейных (квадратичных или неполных
квадратичных) уравнений регрессии.
Некоторые элементы метода Бокса — Уилсона нашли примене-
ние в составе программного комплекса для решения технологиче-
ских задач в условиях активного эксперимента, разработанного в
МГСУ.

3.7.4. АНАЛИТИЧЕСКАЯ ОПТИМИЗАЦИЯ


Оптимизация технологического процесса при его анализе за-
ключается в оптимизации каждого технологического блока в от-
дельности и в выработке и оптимизации общих критериев техно-
логических процессов. Причем в теории планирования экспери-
мента считается, что параметры, оптимальные для данного
передела (блока или подблока), могут не быть параметрами опти-
мизации технологии. Каждый процесс в отдельности может быть
оптимизирован путем проведения серий экспериментов с посте-
пенным приближением к оптимуму (симплекс-метод, метод Нел-
дера и Мида, метод крутого восхождения, градиентный, Бокса —
Уилсона) или путем обработки математической модели, т.е. путем
аналитической оптимизации.
Аналитическая оптимизация [5] базируется на группе положе-
ний, связывающих вещественные результаты эксперимента и из-
меняемые в натуральных величинах факторы посредством приме-
нения методов математического анализа, теории вероятности и
математической статистики.
Основным положением является то, что уравнения регрессии
(полиномы, базисные функции, математические модели) Хk = F(X1,

103
X2, ..., Xi) и Хl = F(X1, X2, ..., Xj), полученные в результате обработки
экспериментальных данных, адекватны реальному процессу, т.е.
описывают реальный процесс с установленным для данных экс-
периментов уровнем точности (вероятности).
Уравнение регрессии (полином, базисная функция) определено
во всех точках изменения варьируемых факторов и непрерывно на
области определения. В формализованном (нормализованном) виде
областью определения функции является отрезок [–1; +1], в на-
туральном выражении — интервал в фактической размерности.
Существующая методология аналитической оптимизации ох-
ватывает все стороны и практически все возможные варианты об-
работки результатов эксперимента, в том числе и условную опти-
мизацию. Сами же технологические параметры (и соответствующие
им факторы математической модели) обладают элементами не-
предсказуемости и взаимозависимости. Возникают сложности,
когда локальный оптимум базисной функции по одному из факто-
ров изменяет свои значения и величину в зависимости от значений
других факторов или когда процесс характеризуют несколько па-
раметров оптимизации, имеющих несовпадающие области экс-
тремума.
Предложенный метод (локальной оптимизации) является раз-
витием существующих методов оптимизации технологических про-
цессов и методов определения безусловного абсолютного экстре-
мума функции (приравнивание нулю всех частных производных
вектора-градиента базисной функции) [2] при исследовании мо-
делей многофакторных процессов, имеющих нестабильные экс-
тремумы и несовпадающие области оптимума.
Определить локальный экстремум базисных функций по каж-
дому из факторов можно путем взятия частной производной функ-
ции по данному фактору и приравнивания ее нулю:

dХk/dХi = dF(X1, X2, ..., Xi)/dХi = 0;

dХl/dХj = dF(Х1, X2, ..., Xj)/dХj = 0.


Полученная таким образом оптимизационная зависимость
может иметь численные фиксированные выражения [Хi] = const и
[Хj] = const или быть функцией одного, двух или более переменных
варьируемых факторов:

[Хi] = f (X1, X2, ..., Xi–1); [Хj] = f (X1, X2, ..., Xj–1).

104
Взаимные связи между факторами, определенными по оптими-
зационной зависимости, позволяют только приблизительно оце-
нить результат (или взаимозависимость факторов) и не являются
оптимизационными уравнениями. Решение базисной функции с
подстановкой оптимизационной зависимости дает возможность
получить оптимизационное уравнение, позволяющее адекватно
предсказывать результаты эксперимента при оптимизированных
значениях варьируемых факторов. Возможные варианты решения
могут быть представлены в виде уравнений

Хk ([Хi]) = F(X1, X2, ... [Xi]); Xl ([Xj]) = F(X1, X2, ... [Xj]);

Xk ([Xi], [Xj]) = F(X1, X2, ... [Xi], [Xj]); Xk ([Xi], [Xj]) =


= F(X1, X2, ... [Xi] [Xj]).
Оптимизация по локализации результата проводится путем уста-
новления предельного (нужного экспериментатору) значения уров-
ня изменения отклика и определения функциональной взаимосвязи
между варьируемыми факторами, отвечающими введенному усло-
вию: Хk = const, или Хk([Хi]) = const. Оптимизация по локализации
результата может проводиться как на базисной функции, так и на
оптимизационном уравнении.
Аналитическая оптимизация неполных квадратичных и линей-
ных моделей (на примере трехфакторного эксперимента) заклю-
чается в дифференцировании каждого полинома в частных произ-
водных по Х1, Х2, Х3, приравнивании результата 0 и решении систе-
мы уравнений.
Полином трехфактороного эксперимента при неполной квадра-
тичной регрессии выглядит следующим образом:

Y^ = b0 + b1X1 + b2X2 + b3X3 + b12X1X2 + b13X1X3 + b23X2X3 + b123X1X2X3.


Коэффициент b123, как правило, меньше доверительного интер-
вала и его можно не учитывать.
В этом случае частные производные по X1, X2 и X3 выглядят сле-
дующим образом:
∂Y = b1 + b12 X 2 + b13 X 3;
∂X 1

∂Y = b2 + b12 X 1 + b23 X 3;
∂X 2

105
∂Y = b3 + b13 X 1 + b23 X 2 .
∂X 3
Приравнивая каждую производную нулю (условие наличия экс-
тремума из математического анализа), получаем систему уравнений:

0 = b1 + b12X2 + b13X3;
0 = b2 + b12X1 + b23X3;
0 = b3 + b13X1 + b23X2.
Имеем три уравнения и три неизвестных (X1, X2 и X3) — система
решаема.
Полученные решения системы уравнений могут принадлежать
интервалу [–1; +1], или их значения могут находиться вне этого
интервала. Значения Xi считаются оптимальными только в том слу-
чае, если находятся внутри области определения фактора, т.е. вну-
три единичного интервала.
Оптимизация квадратичных моделей заключается в дифферен-
цировании каждого квадратичного полинома в частных произво-
дных по варьируемым факторам X1, X2, X3, приравнивании резуль-
тата 0 и решении системы уравнений. Математическая модель в
общем виде представляется полиномом:

Y^ = b0 + b1X1 + b2X2 + b3X3 + b12X1X2 + b13X1X3 +


+ b23X2X3 + b11X12 + b22X22 + b33X32.
Оптимизация осуществляется дифференцированием математи-
ческого уравнения — модели процесса — в частных производных
по каждому варьированному фактору:
∂Y = b1 + b12 X 2 + b13 X 3 + b11 X 1 = 0;
∂X 1

∂Y = b2 + b12 X 1 + b23 X 3 + b22 X 2 = 0;


∂X 2

∂Y = b3 + b13 X 1 + b23 X 2 + b33 X 3 = 0.


∂X 3

Три уравнения и три неизвестных делают систему определимой,


т.е. имеющей решения.

106
Возможные варианты аналитической оптимизации неполных
квадратичных, квадратичных уравнений и квадратичных с парным
взаимодействием разобраны в примерах 1—3.
Пример 1. Результатом обработки экспериментальных данных
стал полином следующего вида: Y = 21 + 8Х1 – 16Х2 + 10Х1Х2. Необ-
ходимо осуществить аналитическую оптимизацию модели и сделать
выводы.
Модель является неполным квадратичным уравнением, поэто-
му ее оптимизационным решением будет система двух уравнений
линейного типа:
∂Y = 8 + 10 X 2 = 0 → X 2 = − 8 = −0,8;
∂X 1 10

∂Y = 16 + 10 X 1 = 0 → X 1 = −16 = −1,6.
∂X 2 10
Получены следующие значения факторов, являющихся опти-
мумом модели: Х2 = –0,8 и Х1 = –1,6. Значение фактора Х2 нахо-
дится внутри области определения варьируемого фактора в его ко-
дированном виде (⎡⎣ − 2; + 2 ⎤⎦). Это значение оптимально и может
быть использовано при дальнейшей инженерной интерпретации.
Значение фактора Х1 находится вне области определения и поэто-
му не может рассматриваться как фактический оптимум.
В результате делаем вывод, что следующую серию эксперимен-
та надо планировать при меньшем среднем значении фактора Х1,
что сделает возможным определить и его оптимум. Оптимизиро-
ванное уравнение приобретает вид
YХ2 = 0,8 = 21 + 8Х1 – 16 · 0,8 + 10Х1 · 0,8 = 8,2 + 16Х1.

Пример 2. Результатом обработки экспериментальных данных


стал полином следующего вида: Y = 21 + 8Х1 – 14Х2 + 6Х12 – 4Х22. Не-
обходимо осуществить аналитическую оптимизацию модели и сде-
лать выводы.
Как и в примере 1, модель является неполным квадратичным
уравнением, поэтому ее оптимизационным решением будет систе-
ма двух уравнений линейного типа:
∂Y = 8 + 12 X 1 = 0 → X 1 = − 8 = −0,7;
∂X 1 12

107
∂Y = −14 − 8 X 2 = 0 → X 2 = −14 = −1,8.
∂X 2 8
Значение фактора Х1 является фактическим оптимумом, а зна-
чение Х2 лежит вне области определения фактора, обеспечиваю-
щего требуемый уровень достоверности. Вывод аналогичен выводу
предыдущего примера, а оптимизационное уравнение имеет вид

YХ1 = –0,7 = 21 + 8 · (–0,7) – 14Х2 +6 · (–0,7)2 – 4Х22 =


= 15,5 – 14Х2 – 4Х22.

Пример 3. Результатом обработки экспериментальных данных


стал полином следующего вида: Y = 21 + 8Х1 – 14Х2 – 10Х1Х2 + 6Х12 –
– 4Х22. Необходимо осуществить аналитическую оптимизацию моде-
ли и сделать выводы.
Как и в примере 1, модель является неполным квадратичным
уравнением, поэтому ее оптимизационным решением будет систе-
ма двух уравнений линейного типа:
∂Y = 8 + 12 X 1 + 10 X 2 = 0;
∂X 1

∂Y = −14 + 10 X 1 − 8 X 2 = 0.
∂X 2
Эти уравнения решаются как система. В результате получаем,
что решением этой системы будут: Х1 = –1,2, Х2 = 0,4. Оба значения
являются фактическими оптимумами. Рассчитываем оптимальное
значение отклика:
YХ1 = –1,2; Х2 = 0,4 = 21 + 8 · (–1,2) – 14 · 0,4 – 10 · (–1,2) · 0,4 +
+ 6 · (–1,2)2 – 4 · (0,4)2 = 21 – 9,6 – 5,6 + 12 + 8,6 – 0,6 = 25,8.

3.7.5. РЕШЕНИЕ ИНТЕРПОЛЯЦИОННЫХ ЗАДАЧ


Математическое моделирование направлено в первую очередь
на решение практических задач. В технологии строительных мате-
риалов рассматриваются три вида интерполяционных задач: выбор
состава материала, прогнозирование свойств материалов или из-
делий, а также выбор параметров технологического процесса в за-
висимости от требуемых значений факторов и граничных условий.

108
Основой для решения могут быть функции, оптимизированные
по некоторым из факторов, функции, содержащие ограничения по
функциям отклика, или математические модели. Для всех видов
функций является обязательным выполнение условия адекватности
реальному процессу (проверка по F-распределению).

Рис. 12. Алгоритм интерполяционных расчетов

Интерполяционные решения на основе полученных моделей


позволяют получать информацию в виде сведений о влиянии фак-
торов на результат, осуществлять прогнозирование результатов,
получать графики и номограммы. Блок схема выполнения интер-
поляционных расчетов (в общем виде) представлена на рис. 12.
Для перехода от натуральных к кодированным значениям фак-
торов (приведенных к интервалу от –1 до +1) и наоборот исполь-
зуют формулу для кодирования (декодирования) факторов
~ –
X = X + XΔX.
~
В этой формуле Х — кодированное значение фактора; X — на-

туральное значение фактора; ΔХ — интервал варьирования; X —
среднее значение фактора.

109
Расчет осуществляется на ЭВМ; использование специальных
графических программ позволяет получать результаты в виде гра-
фиков или номограмм.

4. РЕКОМЕНДАЦИИ ПО ВЫПОЛНЕНИЮ
ЛАБОРАТОРНЫХ И РАСЧЕТНО-ГРАФИЧЕСКИХ РАБОТ

4.1. Работа 1 «Планирование эксперимента и выбор


параметров оптимизации»
Цель работы — закрепление навыков анализа технологических
процессов и определения факторов (варьируемых, управлений),
откликов и параметров оптимизации, характеризующих техноло-
гию в целом или отдельные технологические переделы.
Содержание работы. Выбирают технологию изготовления тепло-
изоляционных материалов (ТИМ); формируют структурную схему
технологии. По каждому блоку выбирают факторы (вводимые,
управления), определяют функции отклика по каждому блоку и
выбирают параметр оптимизации.

Пример 1 выполнения работы «Моделирование и оптимизация


технологии пенофибробетона»
Основой исследования технологического процесса является его
логическая и структурная модель — его технологическая схема. Ис-
точниками информации являются техническая документация (тех-
нологический регламент, рекомендации по изготовлению), статьи,
опубликованные в печати или на официальных сайтах произво-
дителей, учебники и учебные пособия, патенты.
Пенофибробетон (ПФБ) — это теплоизоляционный или тепло-
изоляционно-конструкционный материал, получаемый дисперс-
ным армированием пенобетонной смеси минеральными или орга-
ническими волокнами.
Изделия, армированные полипропиленовыми волокнами, ха-
рактеризуются значительными деформациями даже при небольших
нагрузках растяжения, что объясняется низкой адгезией полипро-
пилена в цементной матрице. Кроме того, такие изделия с течени-
ем времени теряют свои прочностные свойства, имеют высокую
истираемость поверхности и горючесть при воздействии на волок-

110
но открытого пламени. Основными недостатками металлических
волокон являются катодный эффект и нестойкость к агрессивной
среде цементных растворов. Этих недостатков лишены бетонные
изделия, армированные базальтовой фиброй.
Для изготовления блоков ПФБ применяются портландцемент,
кварцевый песок, рубленое базальтовое волокно (фибра базальто-
вая), пенообразователь, вода и добавки. Свойства изделий приве-
дены в табл. 24.
Табли ц а 24
Свойства изделий

Марка по плотности, кг/м


Характеристика
D 400 D 500 D 600
Длина×высота, мм 600×250
Толщина, мм 200, 300, 400
Класс прочности В2,5 B3,0 B3,5
Теплопроводность, Вт/(м · К) 0,12 0,14 0,18
Морозостойкость F 35 F 50 F 50

Описание технологического процесса


Технологическая схема производства пенобетона, армирован-
ного базальтовой фиброй, приведена на рис. 13. Перед началом
смены готовится раствор пенообразующей жидкости, для этого в
емкость пеногенератора подаются вода и концентрат пенообразо-
вателя. Рабочий раствор в емкости пеногенератора перемешивает-
ся до получения пены установленной кратности. Параллельно в
пенобетоносмесителе готовится цементно-песчаный раствор, в
который вводится базальтовая фибра.
Готовый рабочий раствор подается в нужном объеме из пеноге-
нератора, снабженного гидронасосом, в работающий пенобетоно-
смеситель, где уже подготовленный раствор (цементно-песчаный
с введенной фиброй) смешивается с пеной. Время загрузки и пере-
мешивания составляет 8—10 мин. После этого производится раз-
ливка пеномассы посредством разливочного рукава в формы под
действием давления в смесителе или героторного насоса. Время
заливки формы 1—5 мин. Затем цикл приготовления пеномассы и
заливки каждой последующей формы повторяется.
Тепловая обработка пенобетона может производиться под тер-
моколпаками на поддонах или в туннельных камерах на вагонетках.

111
В первом случае залитые смесью формы накрываются термокол-
паками и выдерживаются в течение 4—5 ч. Смесь в формах начи-
нает твердеть и происходит экзотермическая реакция. После за-
вершения выдержки в формах термоколпаки снимают и произво-
дится снятие бортов посредством подъемно-транспортного
устройства. Время выдержки составляет 12—14 ч в зависимости от
температурного режима в цехе (чем выше поддерживаемая в цехе
температура, тем меньше время выдержки).

Рис. 13. Технологическая схема производства пенобетона,


армированного базальтовой фиброй

112
При тепловой обработке в туннельных камерах (с радиационным
обогревом ТЭНами в среде с дополнительным увлажнением) вре-
мя изотермической выдержки составляет 6 ч. Подъем температуры
до 80 °С — 4 ч, остывание до 30 °С — 4 ч. Возможно изготовление
блоков без термопрогрева. В этом случае время выдержки состав-
ляет как минимум 14 сут (при температуре воздуха в цеху 18—21 °С
и относительной влажности 55—60 %). После завершения выдерж-
ки блоки отправляют на склад готовой продукции. Освободивши-
еся формы и борта очищают, смазывают и используют для после-
дующей заливки.

Системное исследование технологии


Оценка значимости факторов. Анализ технологии пенобетона,
армированного базальтовой фиброй, позволил выявить 19 харак-
теристик процесса (рис. 14), оказывающих влияние на свойства
изделий с наибольшей интенсивностью.

Рис. 14. Блок-схема технологии

Эксперимент направлен на оптимизацию свойств сырьевых ком-


понентов и оптимизацию состава пенофибробетона. Технология
пенобетона двухстадийного изготовления изучена достаточно хо-
рошо и его рецептуры прошли широкую апробацию. Новизна за-
ключается в применении базальтового волокна (фибры), поэтому
в эксперименте этому аспекту технологии было уделено особое
внимание. В качестве функций оптимизации приняты: Y1 — сред-
няя плотность пенофибробетона, кг/м3; Y2 — прочность пенофи-
бробетона при сжатии, МПа.
Для вещественной оценки влияния (расчета коэффициентов bi
при одиночных Xi) был запланирован эксперимент для 19 факторов,
матрица которого представлена выше. Условия эксперимента пред-
ставлены в табл. 25 (столбцы 3 и 4).

113
Таблица 25

Условия эксперимента по ранжированию и определению значимости факторов

Среднее Интервал Величина


Символ коэффициента при Хi
Фактор значение варьирования
Xi –
фактора X i ΔХi Y1 Y2
1 2 3 4 5 6
Расход базальтовой фибры Рф, кг/м3 X1 0,75 0,25 4 0,27
Длина базальтовых волокон Lф, мм X2 5 1 –20 0,14
Расход портландцемента Рпц, кг/м3 X3 265 25 3 0,34
Расход пенообразователя Рпо, кг/м3 X4 10 2 –60 –0,23
Диаметр базальтовых волокон dф, мкм X5 5 1 –6 0,09
Расход песка Рп, кг/м3 X6 120 40 7 –0,08
Расход воды Рв, дм3/м3 X7 110 20 3 –0,07
Продолжительность помола песка τ1, мин X8 40 10 6 0,05
Коэффициент загрузки мельницы X9 0,5 0,2 5 0,07
Продолжительность приготовления пены τ2, мин X10 12 4 10 –0,04
Частота вращения вала пеносмесителя n1, мин–1 X11 40 10 9 –0,05
Продолжительность перемешивания τ3, мин X12 10 4 8 0,09
Частота вращения валов смесителя n2, мин–1 X13 25 5 10 0,10
Выдержка перед тепловой обработкой τ4, ч X14 3 1 4 0,09
Температура выдержки t1, °С X15 30 10 5 0,08
Подъем температуры в камере тепловой обработ- X16 4 1 5 0,07
ки τ5, ч
Выдержка при постоянной температуре τ6, ч X17 6 1 6 0,09
Температура тепловой обработки t2, °С X18 75 15 7 0,11
Снижение температуры до 30 °С τ7, ч X19 4 1 6 0,08
Доверительный интервал Δb 8 0,06

Примечание. Жирным шрифтом выделены незначимые факторы.


В результате проведения активного эксперимента и наблюдений
за производством изделий из пенофибробетона были определены
коэффициенты уравнений регрессии при одиночных значениях
факторов (см. табл. 25, столбцы 5 и 6). Сама матрица была постро-
ена таким образом, что не позволяла вычислить парные и квадра-
тичные взаимодействия, но и это не требовалось на первом этапе
экспериментирования.
Коэффициенты, выделенные полужирным шрифтом, меньше
(по абсолютной величине) доверительного интервала Δb, следова-
тельно, являются незначимыми и приравниваются 0 (bi = 0). Ана-
лиз значимости коэффициентов (степени их влияния на результат)
выявил 4 фактора, оказывающие на результат наибольшее влияние.
Для детального изучения этого влияния и разработки практических
рекомендаций был проведен эксперимент и осуществлена его ана-
литическая оптимизация.

Аналитическая оптимизация
В результате оценки значимости факторов выявлено, что наи-
большее влияние на результат оказали:
• расход базальтовой фибры Рф, кг/м3 — коэффициенты при Х1
равны 4 по Y1 и 0,27 по Y2;
• длина базальтовых волокон Lф, мм — коэффициенты при Х2
равны –20 по Y1 и 0,14 по Y2;
• расход портландцемента Рпц, кг/м3 — коэффициенты при Х3
равны 3 по Y1 и 0,34 по Y2;
• расход пенообразователя Рпо, кг/м3 — коэффициенты при Х4
равны –60 по Y1 и –0,23 по Y2.
Именно эти факторы и были использованы на втором этапе экс-
периментирования — построения квадратичных уравнений регрес-
сии и их аналитической оптимизации (табл. 26).
Статистическая обработка результатов эксперимента должна
происходить в следующей последовательности:
• Записываем уравнение регрессии для средней плотности пе-
нобетона, армированного базальтовой фиброй:

Y1 = 560 – 20X2 – 60X4 + 12X22.


Доверительный интервал, расчитанный через критерий Стью-
дента и дисперсию параллельных опытов составил Δb = 8. Все
коэффициенты уравнения, меньшие Δb, приняты незначимыми и

116
приравнены 0. Анализ полинома показывает, что на плотность пе-
нофибробетона наибольшее влияние оказывает расход пенообра-
зователя и в меньшей степени — увеличение длины базальтовых
волокон. При этом, если использование коротких волокон способ-
ствует снижению средней плотности (коэффициент –20 при Х2) —
происходит стабилизация пены, то при больших длинах плотность
возрастает (коэффициент 12 при Х22) и возможно разрушение пе-
ноструктуры длинными волокнами.
Табли ц а 26
Условия эксперимента

Значения
Символ

Среднее Интервал фактора на


Хi

Фактор значение варьирования уровнях



фактора X i ΔХi
–1 +1
Расход базальтовой Х1 0,75 0,25 0,5 1,0
фибры Рф, кг/м3
Длина базальтовых Х2 5 1 4 6
волокон Lф, мм
Расход портландце- Х3 265 25 240 290
мента Рпц, кг/м3
Расход пенообразо- Х4 10 2 8 12
вателя Рпо, кг/м3

• Определяем оптимальную длину волокна с использованием


метода аналитической оптимизации: ∂Y1/∂Х2 = –20 + 24Х2 = 0, со-
ответственно, Х2 = 20/24 = 0,83.
В натуральном выражении оптимальная длина базальтового во-
локна составит
~ –
X 2 = X 2 + ΔХ2 · (0,83) = 5 + 1 · 0,83 = 5,83.
С учетом принятой вероятности предсказания достоверного ре-
зультата 98 % оптимальной является длина базальтового волокна
5,8 ± 0,1 мм.
• Решаем уравнение Y1(Х2Х4) при Х2 = 0,83:
Y1[Х2 = 0,83] = 560 – 20 · 0,83 – 60Х4 + 12 · (0,83)2 = 552 – 60Х4.
Прочность пенофибробетона определяется следующим поли-
номом:
Y2 = 2,81 + 0,25X1 + 0,12X2 + 0,32X3 – 0,22X4 –
– 0,11X1X2 + 0,13X2X3 – 0,09X1X3.

117
Рассчитанный доверительный интервал равен Δb = 0,06. В наи-
большей степени прочность зависит от расхода портландцемента
(коэффициент при X3, равный 0,32), в несколько меньшей степени
от расхода и длины базальтовых волокон и расхода пенообразова-
теля (коэффициенты при X1, X2, X4). С увеличением расхода пено-
образователя прочность снижается (коэффициент при X4, равный
–22). Из парных взаимодействий наиболее сильное при X2X3 — со-
вместное влияние длины волокон и расхода портландцемента.
• Решаем уравнение Y2 = f1(X1X2X3X4) при X2 = 0,83 с учетом
результатов аналитической оптимизации:
Y2[X2 = 0,83] = 2,88 + 0,18X1 + 0,38X3 – 0,22X4 – 0,09X1X3.
Расход пенообразователя X4 определяем расчетным путем. В мо-
дели его приравниваем к среднему значению (в кодированном виде
X4 = 0). Соответственно Y1 становится равным 552 кг/м3, что с уче-
том точности эксперимента (вероятность 98 %) составит 552±11
кг/м3, а уравнение для прочности пенофибробетона приобретет
окончательный вид:
Y2[X2 = 0,83; X4 = 0] = 2,88 + 0,18X1 + 0,38X3 – 0,09X1X3.
Для удобства использования уравнение Y2 = f2(X1X3) переводим
в графический вид — номограмму.
• Устанавливаем расходы основных компонентов с учетом дан-
ных аналитической оптимизации. Параметром оптимизации про-
цесса изготовления пенофибробетона является коэффициент кон-
структивного качества материала. Для его численного определения
используем оптимизационную функцию:
Y2 2,88 + 0,38 X 3 + 0,18 X 1 − 0,09 X 1 X 3
K к.к = = .
Y12 (552)2
График функции Kк.к = f3(X1, X3) для области оптимальных зна-
чений представлен на рис. 15.
В результате эксперимента установлено, что расход базальтово-
го волокна влияет как на прочность, так и на плотность изделий из
ячеистого бетона. Длина базальтового волокна влияет только на
прочность изделий. Построена номограмма, позволяющая опре-
делять расход базальтовой фибры в зависимости от требуемой проч-
ности изделий и расхода портландцемента. Изучено влияние рас-
ходов портландцемента и базальтовой фибры на коэффициент
конструктивного качества пенофибробетона.

118
Рис. 15. Зависимость коэффициента конструктивного качества
пенофибробетона от расходов портландцемента и базальтовой фибры (Рф)

Методика подбора состава и выбора технологических параметров


В результате системного анализа технологии пенофибробетона
(на основе базальтового волокна) построены номограммы для под-
бора состава материала, для выбора технологических параметров
и прогнозирования свойств материала при заданных составах и
технологических параметрах.
Номограмма для подбора состава (рис. 16) состоит из четырех
секторов. В секторах I и II по требуемой прочности при сжатии и
средней плотности изделия выбирают расход песка Рп, определяют
расход портландцемента Рпц и базальтовой фибры Рф. В секторе III
определяют расход воды Рв по расходу портландцемента. В секто-
ре IV в зависимости от расхода воды и требуемой средней плотно-
сти изделия определяют расход пенообразователя Рпо. На основе
подобранных теоретических составов выполняют контрольные за-
месы, по результатам которых вносят необходимые коррективы.
Пять секторов номограммы (рис. 17) характеризуют основные
этапы изготовления пенобетона, армированного базальтовой фи-
брой. Сектор I номограммы характеризует параметры, определя-
ющие условия сухого помола: коэффициент загрузки и частоту
вращения мельницы с учетом расхода цементно-песчаной смеси
(принимается по подбору состава).

119
Рис. 16. Номограмма для подбора состава пенофибробетона

Остальные характеристики определяются типом и конструкци-


ей мельницы и рассматриваются как детерминированные факторы.
Сектора номограммы II и III определяют параметры приготовления
смеси: ее среднюю плотность, продолжительность и частоту пере-
мешивания. Сектор IV номограммы характеризует условия тепло-
вой обработки: температуру и продолжительность. В секторе V при-
ведены графики, позволяющие осуществить оптимизационную
оценку технологии.
Исходными данными для расчета технологических параметров
являются требуемая прочность изделий при сжатии и их средняя
плотность, а также расходы цемента, песка, фибры и воды, при-
нимаемые по расчету состава.

120
Рис. 17. Номограмма для выбора технологических параметров
Пример 2 выполнения работы «Подбор и оптимизация состава
изделий на основе минеральной ваты»
Условия эксперимента приведены в табл. 27. В качестве функции
отклика принят параметр: Y = λ · 104, Вт/(м · K).
Табли ц а 27
Условия проведения эксперимента

Математи- Среднее Значения фактора


Фактор ческий значение на уровнях
символ фактора –1 +1
Средняя плотность изде- X1 65 50 80
лия, кг/м3
Диаметр волокна, мкм X2 4 3 5
Длина волокна, мм X3 25 10 40
Расход связующего, % X4 3 2 4
Циклы нагружения X5 160 100 220

Обработка результатов эксперимента выявила математическую


зависимость между функцией отклика Y и варьируемыми факто-
рами (Х1, …, Х5). После отсева незначимых факторов (Δb = 2,6) по-
лином приобрел следующий вид:

Y = 366 + 16X1 + 12X2 + 6X3 + 6X4 + 16X5 –


– 4X1X3 – 6X2X5 – 3X4X5 – 5X22 – 3X42.
Анализ линейных коэффициентов полинома показывает, что
наибольшее влияние на результат оказывают средняя плотность
изделий, число циклов нагружения (нагрев до 150 °С, выдержка,
охлаждение до –30 °С) и диаметр волокна. Анализ парных взаимо-
действий выявляет то, что по мере увеличения циклов нагружения
снижается влияние на результат диаметра волокна и расхода свя-
зующего. Полученное значение коэффициентов при варьируемых
факторах второй степени говорит о том, что при увеличении диа-
метра волокна и расхода связующего их влияние на результат на-
чинает проявляться в меньшей степени.
Общий характер полинома позволяет определить направления
аналитической оптимизации [4] полученной зависимости, которую

122
целесообразно осуществлять по факторам Х2 и Х4. Оптимизацион-
ные уравнения имеют следующий вид:

∂Y = 12 − 10 Х 2 − 6 Х 5 = 0 → Х 2 = 1,2 − 0,6 Х 5;
∂Х 2

∂Y = 6 − 6 Х 4 − 3 Х 5 = 0 → Х 4 = 1,0 − 0,5 Х 5 .
∂Х 4

Констатируем, что при X5  [0,1] имеет место экстремум функ-


ции Y(X1, …, X5) по фактору X4 (расход связующего). Решаем базо-
вый полином с учетом полученных оптимизационных уравнений:
Y( Х 2 =1,2−0,6 Х = Y = 373 + 16 Х1 + 6 Х 3 + 8 Х 5 − 4 Х1 Х 3 .
Х 4 =1,0−0,5 Х 5 )

Получаем систему из трех уравнений, графическая интерпрета-


ция которых приведена на рис. 18.
При оценке эксплуатационной стойкости изделий в условиях
искусственного состаривания нормативным количеством нагру-
жений является Z = 200 циклам или, в кодированных значениях
200 − 160
тора: Х 5 = = 0,66(6). Решаем систему оптимизационных
фак 60
уравнений при X5 = 0,67:
.. ...
Y X5=0,67 = Y = 373 + 16X1 + 6X3 – 4X1X3.
Графическая интерпретация оптимизационной функции пред-
ставлена на рис. 19. Значению X5 = 0,67 соответствуют значения
факторов:

X2 = 1,2 – 0,6 · 0,67 = 0,8;

X4 = 1,0 – 0,5 · 0,67 = 0,67,


что соответствует натуральным значениям параметров:
~
• диаметр волокна: X 2 = 4 + 1 · 0,8 = 4,8 ± 0,4 мкм;
~
• расход связующего: X 4 = 3 + 1 · 0,67 = 3,7 ± 0,3 %.
Использование разработанных рецептур не изменяет техноло-
гический процесс. На основе апробации разработанной методики
установлена группа материалов, свойства которых в наибольшей
степени соответствуют условиям эксплуатации скатной кровли.

123
Рис. 18... Графическая интерпретация оптимизационного решения:
а — график функции Y = 373 + 16X1 + 6X3 + 8X5 – 4X1X3; б — график зависимостей X2 = f(X5) и X4 = f(X5)
Рис. 19. Графическая интерпретация оптимизированной
функции при z = 200

4.2. Работа 2 «Метод “крутого восхождения”»


Цель работы — приобретение навыков использования метода
Бокса — Уилсона в решении технологических задач, выбора на-
правления экспериментирования и нахождения оптимальных ре-
шений, а также определение координат и абсолютной величины
градиента с целью формирования плана последующих экспери-
ментов.
Содержание работы. Для исследования влияния семи факторов
на параметр оптимизации Y проведен эксперимент, план и резуль-
таты которого представлены в табл. 28.
Табли ц а 28
Матрица планирования и результаты эксперимента

№ опыта X1 X2 X3 X4 X5 X6 X7 Y
1 –1 –1 –1 +1 +1 +1 –1 33
2 +1 –1 –1 –1 –1 +1 +1 55
3 –1 +1 –1 –1 +1 –1 +1 59
4 +1 +1 –1 +1 –1 –1 –1 37
5 –1 –1 +1 +1 –1 –1 +1 23

125
О к о н ч ани е табл. 28

№ опыта X1 X2 X3 X4 X5 X6 X7 Y
6 +1 –1 +1 –1 +1 –1 –1 49
7 –1 +1 +1 –1 –1 +1 –1 1
8 +1 +1 +1 +1 +1 +1 +1 39
b1 b2 b3 b4 b5 b5 b7

1. Рассчитываем коэффициенты уравнения


1
b0 = (33 + 55 + 59 + 37 + 23 + 49 + 1 + 39) = 37;
8
1
b1 = (–33 + 55 – 59 + 37 – 23 + 49 – 1 + 39) = 8;
8
1
b2 = (–33 – 55 + 59 + 37 – 23 – 49 + 1 + 39) = –3;
8
1
b3 = (–33 – 55 – 59 – 37 + 23 + 49 + 1 + 39) = –9;
8
1
b4 = (33 – 55 – 59 + 37 + 23 – 49 – 1 + 39) = –4;
8
1
b5 = (33 – 55 + 59 – 37 – 23 + 49 – 1 + 39) = 8;
8
1
b6 = (33 + 55 – 59 – 37 – 23 – 49 + 1 + 39) = –5;
8
1
b7 = (–33 + 55 + 59 – 37 + 23 – 49 – 1 + 39) = 7.
8
2. Получаем модель — математический полином следующего
вида:
Y = 37 + 8X1 – 3X2 – 9X3 – 4X4 + 8X5 – 5X6 + 7X7;

Δb = 0,1 · b0 = 3,7.
Следовательно незначим только коэффициент при X2.

126
3. Определяем величину градиента параметра оптимизации Y:

∇Y = 82 + 9 2 + 4 2 + 82 + 52 + 72 = 17,3.

По изменению абсолютной величины градиента оцениваем


успешность планирования, а в следующих сериях — эксперимент.
Если величина градиента уменьшается, то эксперимент реализует-
ся в верном направлении.
4. Рекомендации по планированию следующей серии экспери-
мента:
~ ~ ~
• по факторам X 1, X 5, X 7 рекомендуется увеличить натуральные
средние значения факторов, так как коэффициенты при этих фак-
торах имеют знак «+»;
~ ~ ~
• по факторам X 3, X 4, X 6 рекомендуется уменьшить натураль-
ные средние значения факторов, так как коэффициенты при этих
факторах имеют знак «–»;
~
• коэффициент при факторе X 2 оказался сопоставим с ошибкой
эксперимента и принят незначимым. Поэтому рекомендуется, не
меняя среднего значения, увеличить интервал варьирования этого
фактора.

4.3. Работа 3 «Графическая интерпретация моделей»


Цель работы — графическая интерпретация полученной мате-
матической модели.
Содержание работы. Обработка результатов эксперимента, про-
веденного на основе ортогонального плана, позволила получить
математическую модель типа Y(X1, X2). Задача — осуществить ее
графическую интерпретацию и построить номограмму.
В эксперименте изучалась связь между прочностью изделия при
сжатии Y, МПа, активностью вяжущего Х1, МПа и расходом легко-
~
го заполнителя X2, кг/м3. Интервалы варьирования факторов: X 1 
~
 [30, 50]; X 2  [120, 200].

Неполная квадратичная модель


Имеем математическую модель, выраженную следующей функ-
цией Y(Х1, Х2):
Y = 42 + 22X1 – 20X2 + 12X1X2.

127
1. Трансформируем функцию Y(Х1, Х2) к виду Х1(Х2, Y). Y рас-
сматриваем как параметр:
Y − 42 + 20 Х 2
Х1 = .
22 + 12 Х 2
2. Задавая параметры Y последовательно 40, 30, 50, строим гра-
фики уравнений Х1(Х2, Y) (рис. 20, а). Расчет значений трансфор-
мированной функции в характерных точках приведен в табл. 29.
Далее заменяем кодированные значения факторов соответствую-
щими натуральными значениями (рис. 20, б).
Табли ц а 29
Расчет значений трансформированной функции в характерных точках

Значения Значения Х1 в точках Х2, равных


параметра Y Расчетная формула
–1 0 1
40 2 + 20 Х 2 18 2 22
Х1 = − = −1,8 = 0,1 = 0,7
22 + 12 Х 2 10 22 34
30 −12 + 20 Х 2 32 −12 8
Х1 = − = −3,2 = 0,1 = 0,2
22 + 12 Х 2 10 22 34
50 8 + 20 Х 2 12 8 28
Х1 = − = −1,2 = 0,4 = 0,8
22 + 12 Х 2 10 22 34

Рис. 20. Графическая интерпретация модели (а) и номограмма,


построенная в результате интерпретации модели (б)

128
Полная квадратичная модель
Имеем математическую модель, выраженную функцией
Y(X1, X2):
Y = 44 + 18X1 – 18X2 + 8X1X2 + 7X22.
1. Трансформируем функцию Y(X1, X2) к виду X1(X2, Y). Y рас-
сматриваем как параметр:
Y − 44 + 18 Х 2 − 7 Х 22
Х1 = .
18 + 8 Х 2
2. Задавая параметры Y последовательно 40, 30, 50, строим гра-
фики уравнений Х1(Х2, Y) (рис. 21, а). Расчет значений трансфор-
мированной функции в характерных точках приведен в табл. 30.
Далее заменяем кодированные значения факторов соответствую-
щими натуральными значениями (рис. 21, б)

Рис. 21. Графическая интерпретация модели (а) и номограмма,


построенная в результате интерпретации модели (б)
Табли ц а 3 0
Расчет значений трансформированной функции в характерных точках

Значения Значения Х1 в точках Х2, равных


Расчетная формула
параметра Y –1 0 1
4 + 18 Х 2 − 7 21 3 7
40 Х1 = − = −2,1 − = −0,2 = 0,3
18 + 8 Х 2 10 18 26

129
О к о нч ан и е табл. 3 0

Значения Значения Х1 в точках Х2, равных


Расчетная формула
параметра Y –1 0 1
−14 + 18 Х 2 − 7 39 −21 −3
30 Х1 = − = −3,9 = −0,9 = −0,2
18 + 8 Х 2 10 22 26
6 + 18 Х 2 − 7 17 −1 17
50 Х1 = − = −1,7 = −0,05 = 0,7
18 + 8 Х 2 10 22 26

4.4. Работа 4 «Проведение эксперимента и обработка


его результатов. Решение задач технологического
моделирования»
Цель работы — освоение методики математической обработки
результатов эксперимента и построения математических моделей.
Содержание работы. Описание заданного технологического про-
цесса со ссылкой на используемые источники. Составление блок-
схемы технологического процесса с указанием всех возможных
факторов (вводимых, управляющих), «откликов» — результатов
эксперимента; обоснование параметра оптимизации, выполнение
расчетной и графической частей.
Студентам предлагается изучить один из технологических про-
цессов: дробление, помол, перемешивание, формование, сушку,
обжиг или пропаривание. Студент получает задание (см. приложе-
ние), содержащее исходные условия: вид технологического про-
цесса; наименование параметра оптимизации Y; перечень варьи-
руемых факторов Хi; условия проведения эксперимента; матрицу
планирования и результаты эксперимента.

Неполная квадратичная модель


Пример 1 выполнения работы «Исследование вспучивания верми-
кулита»
В работе используют матрицы полного трехфакторного экспе-
римента типа N = 23. Сам эксперимент студенты не проводят, а
пользуются данными, приведенными в задании на расчетно-гра-
фическую работу. В задании (см. приложение) приведены условия
проведения эксперимента (табл. 31); матрица планирования и ре-
зультаты эксперимента (табл. 32).

130
Полный факторный эксперимент типа 23, количество опытов
равно 8 (N = 8). Отклик (он же параметр оптимизации) — коэффи-
циент вспучивания вермикулита Квсп:

V
К всп = ,
V0
где V — объем вспученного вермикулита; V0 — начальный объем,
занимаемый вермикулитом.
Табли ц а 3 1
Условия проведения эксперимента

варьирова-
Математи-

фактора X i

Интервал
символ Хi

значение
Значение

Среднее
Размер-

ния ΔХi
ческий
ность

Наименование на уровнях
фактора
–1 +1
Размер фракции мм Х1 3 1 2 4
вермикулита
Температура обжига °С Х2 650 150 500 800
Продолжительность мин Х3 30 10 20 40
обжига

Обработка результатов эксперимента и построение неполной


квадратичной модели происходит в следующей последователь-
ности:
• Определение средних значений по каждому опыту и проверка
статистических гипотиз. Каждый опыт (от 1 до 8) повторяют не ме-
нее 3 раз (n = 3, 4, 5, …). Условия проведения каждого опыта за-
даются матрицей планирования (строки от 1-й до 8-й), а натураль-
ные значения факторов на уровнях «+» и «–» принимают по табл.
31 (соответственно значения для «+1» и для «–1»).
Среднее значение результата (Yср или Yj) находят как среднее
арифметическое значений параллельных опытов (n-отдельных ре-
зультатов, деленное на количество параллельных опытов n):
n
∑Y i
i =1
Yср = Y j = .
n

131
Средние значения отклика (коэффициента вспучивания перли-
та) заносят в столбец 9 табл. 32.
Табли ц а 3 2
Матрица планирования и результаты эксперимента

Матрица Средние
№ планирования значения Yj
Х 1 · Х2 Х1 · Х3 Х2 · Х3
опыта для каждого
Х1 Х2 Х3 опыта
1 2 3 4 5 6 7 8 9

1 + + + + + + Y1 9,8
2 — + + — — + Y2 7,8
3 + — + — + — Y3 5,4
4 — — + + — — Y4 3,6
5 + + — + — — Y5 6,0
6 — + — — + — Y6 4,0
7 + — — — — + Y7 3,1
8 — — — + + + Y8 2,6
b1 b2 b3 b12 b13 b23

Наличие отклонения от среднего значения свидетельствует об


изменчивости, вариации значений повторных опытов. Для изме-
рения этой изменчивости чаще всего используют дисперсию. Дис-
персией называют среднее значение квадрата отклонений величи-
ны от ее среднего значения. Дисперсия параллельных опытов обо-
значается S2 и выражается формулой
n
∑ (Yi − Yср )
i =1
S2 = ,
n −1
где n — число степеней свободы, равное количеству параллельных
опытов минус единица (одна степень свободы использована для
вычисления среднего); Yi — значение результата в каждом из опы-
тов.
Корень квадратный из дисперсии, взятый с положительным
знаком, называется средним квадратическим отклонением, стан-
дартом или квадратичной ошибкой:

132
n
∑ (Yi − Ycр )2
i =1
S= .
n −1
Стандарт имеет размерность той величины, для которой он вы-
числен. Дисперсия и стандарт — это меры рассеяния, изменчиво-
сти. Чем больше дисперсия и стандарт, тем более рассеяны значе-
ния параллельных опытов около среднего значения. Стандарт ве-
личины удобно использовать для исключения ошибочных
результатов. Допустим, имеем три результата параллельных опытов:
3,5; 2,3; 2,8; 2,7. Исключим первый опыт из расчета и по остальным
произведем вычисление среднего арифметического стандарта:
2,3 + 2,8 + 2,7
Yср = = 2,6;
3

(−0,3)2 + (0,2)2 + (0,1)2 0,09 + 0,04 + 0,01 0,14


S8 = = = = 0,26.
3 −1 2 2
Если произведем проверку по критерию Стьюдента, то получим
4,5 − 2,6 1,9
= = 7,3.
0,26 0,26
При числе степеней свободы f, равном 2, и уровне значимости
0,05 критерий Стьюдента t = 4,303 и экспериментальное значение
больше табличного, поэтому сомнительный результат можно счи-
тать браком.
Среднее арифметическое равно сумме всех n отдельных резуль-
татов, деленной на n, если они имеют нормальное распределение.
Например, наличие резко отклоняющихся результатов (так назы-
ваемых грубых наблюдений) свидетельствует о нарушении закона
нормального распределения. При наличии грубых наблюдений
следует их сначала исключить, а затем подсчитать среднее ариф-
метическое и дисперсию. Что и было сделано.
• Математическая обработка результатов эксперимента. Заклю-
чается в расчете коэффициентов математической модели, провер-
ке значимости коэффициентов и проверке адекватности модели.
Общий вид полинома
Y = b0 + b1X1 + b2X2 + b3X3 + b12 X1 · X2 +
+ b13 X1 · X3 + b23 X2 · X3 + b123 X1 · X2 · X3.

133
Расчет коэффициентов:

1 8 1
b0 = ∑ Y j = (Y1 + Y2 + Y3 + Y4 + Y5 + Y6 + Y7 + Y8 ) = ...
8 j =1 8

1 8 1
b1 = ∑ Y j ⋅ X 1 = (Y1 − Y2 + Y3 − Y4 + Y5 − Y6 + Y7 − Y8 ) = ...
8 j =1 8

Коэффициенты b2 и b3 рассчитывают аналогично с учетом зна-


ков соответствующих столбцов табл. 32:
1 8 1
b12 = ∑ Y j ⋅ X 1 ⋅ X 2 = (Y1 − Y2 − Y3 + Y4 + Y5 − Y6 − Y7 + Y8 ) = ...
8 j =1 8

Коэффициенты b13, b23 и b123 рассчитывают аналогично с учетом


знаков соответствующих столбцов табл. 32. Применительно к рас-
сматриваемому примеру коэффициенты могут быть рассчитаны
следующим образом:

b0 = 1/8(9,8 + 7,8 + 5,4 + 3,6 + 6,0 + 4,0 + 3,1 + 2,6) = 42,3/8  5,3;
b1 = 1/8(9,8 – 7,8 + 5,4 – 3,6 + 6,0 – 4,0 + 3,1 – 2,6) = 6,3/8  0,8;
b2 = 1/8(9,8 + 7,8 – 5,4 – 3,6 + 6,0 + 4,0 – 3,1 – 2,6) = 13,3/8  1,7;
b3 = 1/8(9,8 + 7,8 + 5,4 + 3,6 – 6,0 – 4,0 – 3,1 – 2,6) = 10,9/8  1,4;
b12 = 1/8(9,8 – 7,8 – 5,4 + 3,6 + 6,0 – 4,0 – 3,1 + 2,6) = 1,6/8  0,2;
b13 = 1/8(9,8 – 7,8 + 5,4 – 3,6 – 6,0 + 4,0 – 3,1 + 2,6) = 1,3/8  0,2;
b23 = 1/8(9,8 + 7,8 – 5,4 – 3,6 – 6,0 – 4,0 + 3,1 + 2,6) = 4,3/8  0,5;
b123 = 1/8(9,8 – 7,8 – 5,4 + 3,6 – 6,0 + 4,0 + 3,1 – 2,6) = –0,3/8  0.

Полином с рассчитанными коэффициентами имеет следующий


вид:

Y = 5,3 + 0,8X1 + 1,7X2 + 1,4X3 + 0,2X1 · X2 + 0,2X1 · X3 + 0,5X2 · X3.

• Оценка значимости коэффициентов. Доверительный интервал


Δb определяют через среднюю дисперсию параллельных опытов с
учетом табличного значения критерия Стьюдента:

134
N
∑Sj
j =1 0,88
Δb = ×t = × 4,3 = 0,47.
N 8
Допускается использование приблизительной (эмпирической)
формулы:
Δb = (0,8÷0,1) · b0 = (0,8÷0,1) · 5,3 = 0,42÷0,53.
Коэффициент значим в том случае, если он по абсолютному
значению (модулю) больше доверительного интервала. В рассма-
триваемом примере Δb = 0,47, соответственно коэффициенты b0,
b1, b2, b3, b23 — значимы, а коэффициенты b12, b13, b123 — меньше 0,47
и незначимы и приравниваются 0.
• Формирование математической модели. Полином только со
значимыми коэффициентами Y = f(X1, X2, X3) приобретает оконча-
тельный вид
Y^ = 5,3 + 0,8X1 + 1,7X2 + 1,4X3 + 0,5X2 · X3.
• Проверка адекватности модели. Адекватность модели реаль-
ному процессу (который эта модель и описывает), т.е. ее пригод-
ность проверяют по критерию Фишера (Fр).
В полином математической модели подставляют, в соответствии
с условиями, заложенными в матрицу (табл. 33), значения Х и по-
лучают отклик для каждого опыта Y^j:

Y^1 = 5,3 + 0,8(+1) + 1,7(+1) + 1,4(+1) + 0,5(+1) =


= 5,3 + 0,8+ 1,7+ 1,4+ 0,5 = 9,7;

Y^2 = 5,3 + 0,8(–1) + 1,7(+1) + 1,4(+1) + 0,5(+1) =


= 5,3 – 0,8+ 1,7+ 1,4+ 0,5 = 8,1;

Y^3 = 5,3 + 0,8(+1) + 1,7(–1) + 1,4(+1) + 0,5 (–1) =


= 5,3 + 0,8 – 1,7+ 1,4 – 0,5 = 5,3;

Y^4 = 5,3 + 0,8(–1) + 1,7(–1) + 1,4(+1) + 0,5(–1) =


= 5,3 – 0,8 – 1,7+ 1,4 – 0,5 = 3,7;

Y^5 = 5,3 + 0,8(+1) + 1,7(+1) + 1,4(–1) + 0,5 (–1) =


= 5,3 + 0,8 + 1,7 – 1,4 – 0,5 = 5,9;

135
Y^6 = 5,3 + 0,8(–1) + 1,7(+1) + 1,4(–1) + 0,5 (–1) =
= 5,3 – 0,8+ 1,7 – 1,4 – 0,5 = 4,3;

Y^7 = 5,3 + 0,8(+1) + 1,7(–1) + 1,4(–1) + 0,5 (+1) =


= 5,3 + 0,8 – 1,7 – 1,4+ 0,5 = 3,5;

Y^8 = 5,3 + 0,8(–1) + 1,7(–1) + 1,4(–1) + 0,5 (+1) =


= 5,3 – 0,8 – 1,7 – 1,4+ 0,5 = 1,9.
Табли ц а 3 3
Матрица планирования и проверка адекватности модели

Матрица ^
№ планирования Yj из Yj по ^
X2 · X3 Δ2j = (Yj – Yj)2
опыта опыта модели
X1 X2 X3
1 + + + + Y1 9,8 Y1 9,7 Δ21 0,01
2 — + + + Y2 7,8 Y2 8,1 Δ22 0,09
3 + — + — Y3 5,4 Y3 5,3 Δ23 0,01
4 — — + — Y4 3,6 Y4 3,7 Δ24 0,01
5 + + — — Y5 6,0 Y5 5,9 Δ25 0,01
6 — + — — Y6 4,0 Y6 4,3 Δ26 0,09
7 + — — + Y7 3,1 Y7 3,5 Δ27 0,16
8 — — — + Y8 2,6 Y8 1,9 Δ28 0,49
ΣΔ2j = 0,87

0,87
2
S ад = = 0,22.
4
Критерий Фишера определяют по формуле и сравнивают с та-
бличным значением:
0,22
Fp = = 2.
0,11
Табличное значение критерия Фишера Fт, вычисленное для сте-
пеней свободы f1 = 2 и f2 = 4, равно 6,6. Условие Fр < Fт выполня-
ется, следовательно, модель считают адекватной реальному про-
цессу.

136
• Оценка коэффициентов и влияния факторов на результат. В по-
лученной модели значимы b0 и коэффициенты b1, b2, b3 и b23. Наи-
большее влияние на результат (коэффициент вспучивания верми-
кулита) оказывает фактор Х2 (температура вспучивания), так как
коэффициент при этом факторе равен +1,7. Следующим по значи-
мости является фактор Х3 (продолжительность обжига), а коэффи-
циент при этом факторе равен +1,4. В меньшей степени влияет на
результат фракция вермикулита — коэффициент при этом факто-
ре равен +0,8.
Из парных взаимодействий значимым оказалось только совмест-
ное влияние температуры и продолжительности тепловой обработ-
ки (Х2 · Х3), коэффициент при парном взаимодействии равен +0,5.
Знак «+» при каждом из значимых коэффициентов означает,
что при увеличении значений каждого их этих факторов (в интер-
валах, установленных условиями эксперимента) происходит уве-
личение результата. В рассматриваемом примере — увеличение
степени вспучивания вермикулита.
• Графическая интерпретация модели. Полученное неполное
квадратичное уравнение (модель) имеет вид

Y^ = 5,3 + 0,8X1 + 1,7X2 + 1,4X3 + 0,5 X2 · X3.

Для того, чтобы преобразовать это уравнение в систему графи-


ков (рис. 22) строят «следы» трехмерной функции на плоскости в
следующей последовательности:
— Преобразование модели в двухмерные графики:
Х1 = 0. Этому состоянию соответствует натуральное значение
фактора: средний диаметр частиц вермикулита 3 мм. Расчет значе-
ний трансформированной функции в характерных точках пред-
ставлен в табл. 34, а графическая интерпретация модели — на
рис. 22.

Y^X1=0 = 5,3 + 0,8 · 0 + 1,7X2 + 1,4X3 + 0,5 · X2 · X3.

Cоответственно: Y = 5,3 + 1,7X2 + 1,4X3 + 0,5 · X2 · X3, а функция


X2(X3, Y) имеет вид
Y − 5,3 − 1,4 X 3
X2 = .
1,7 + 0,5 X 3

137
Табли ц а 3 4
Расчет значений трансформированной функции в характерных точках

Значения Расчетная Значения Х2 в точках Х3, равных


параметра Y формула –1 0 1
−1,3 − 1,4 Х 3 0,1 1,3 −2,7
4 Х2 = = 0,1 − = −0,8 = −1,3
1,7 + 0,5 Х 3 1,2 1,7 2,2
−0,3 − 1,4 Х 3 1,1 −0,3 −1,7
5 Х2 = = 0,9 = −0,2 = −0,8
1,7 + 0,5 Х 3 1,2 1,7 2,2
0,7 − 1,4 Х 3 2,1 0,7 −0,7
6 Х2 = = 1,8 = 0,4 = −0,3
1,7 + 0,5 Х 3 1,2 1,7 2,2

Рис. 22. Графическая интерпретация модели Y(Х2, Х3) (а) и номограмма,


построенная в результате интерпретации модели (б)

Х2 = 0. Этому состоянию соответствует натуральное значение


фактора: температура вспучивания 650 °С. Расчет значений транс-
формированной функции в характерных точках представлен в
табл. 35, а графическая интерпретация модели — на рис. 23.
Y[X2 = 0] = 5,3 + 0,8X1 + 1,7 · 0 + 1,4X3 + 0,5 · 0 · X3 = 5,3 +
+ 0,8X1 + 1,4X3, а функция X3(X1, Y) имеет вид
1
X3 = (Y − 5,3 − 0,8 X 1 ).
1,4

138
Табли ц а 3 5
Расчет значений трансформированной функции в характерных точках

Значения Значения Х3 в точках Х1, равных


Расчетная формула
параметра Y –1 0 1
(−1,3 − 0,8 X 1 ) −0,5 −1,3 −2,1
4 = −0,4 = −0,9 = −1,5
1,4 1,4 1,4 1,4
(−0,3 − 0,8 X 1 ) 0,5 −0,3 −1,1
5 = 0,4 = −0,2 = −0,8
1,4 1,4 1,4 1,4
(0,7 − 0,8 X 1 ) 1,5 0,7 −0,1
6 = 1,1 = 0,5 = −0,1
1,4 1,4 1,4 1,4

Рис. 23. Графическая интерпретация модели Y(X1, X3) (а) и номограмма,


построенная в результате интерпретации модели (б)

Х3 = 0. Этому состоянию соответствует натуральное значение


фактора: время тепловой обработки 30 мин. Расчет значений транс-
формированной функции в характерных точках приведен в табл. 36,
а графическая интерпретация модели — на рис. 24.
Y[X3 = 0] = 5,3 + 0,8X1 + 1,7X2 + 1,4 · 0 + 0,5 · 0 · X2 = 5,3 +
+ 0,8X1 + 1,7X2, а функция X2(X1, Y) имеет вид
1
X2 = (Y − 5,3 − 0,8 X 1 ).
1,7

139
Табли ц а 3 6
Расчет значений трансформированной функции в характерных точках

Значения Значения Х2 в точках Х1, равных


Расчетная формула
параметра Y –1 0 1
(−1,3 − 0,8 X 1 ) −0,5 −1,3 −2,1
4 = −0,3 = −0,8 = −1,2
1,7 1,7 1,7 1,7

(−0,3 − 0,8 X 1 ) 0,5 −0,3 −1,1


5 = 0,3 = −0,2 = −0,6
1,7 1,7 1,7 1,7

(0,7 − 0,8 X 1 ) 1,5 0,7 −0,1


6 = 0,9 = 0,4 = −0,1
1,7 1,7 1,7 1,7

Рис. 24. Графическая интерпретация модели Y(X1, X2) (а) и номограмма,


построенная в результате интерпретации модели (б)

— Построение 3-мерной графической интерпретации модели


Y = 5,3 + 0,8Х1 + 1,7Х2 + 1,4Х3 + 0,5Х2 · Х3.
Графическую интерпретацию модели осуществляют построени-
ем поверхностей равных значений отклика (Y = const) в системе
координат [X1, X2, X3]. Задают дискретные значения Y с шагом 1:
Y = 3, 4, 5, 6, 7, 8, 9 (табл. 37). Каждую поверхность отклика строят
по следам на внешних гранях пространства, ограниченного дове-
рительными интервалами, т.е.:
• при X1 = 1: Y = 6,1 + 1,7X2 + 1,4X3 + 0,5X2 · X3.

140
Y − 6,1 − 1,4 X 3
Соответственно: X 2 = .
1,7 + 0,5 X 3
Табли ц а 3 7
Расчет значений трансформированной функции в характерных точках

Значения Значения Х2 в точках Х3, равных


Расчетная формула
параметра Y –1 0 1
−2,1 − 1,4 Х 3 −0,7 2,1 −3,5
4 Х2 = = −0,6 − = −1,2 = −1,6
1,7 + 0,5 Х 3 1,2 1,7 2,2

−1,1 − 1,4 Х 3 0,3 −1,1 −2,5


5 Х2 = = 0,3 = −0,6 = −1,1
1,7 + 0,5 Х 3 1,2 1,7 2,2

−0,1 − 1,4 Х 3 1,3 −0,1 −1,5


6 Х2 = = 1,1 = −0,1 = −0,7
1,7 + 0,5 Х 3 1,2 1,7 2,2

0,9 − 1,4 Х 3 2,3 0,9 −0,5


7 Х2 = = 1,9 = 0,5 = −0,2
1,7 + 0,5 Х 3 1,2 1,7 2,2

1,9 − 1,4 Х 3 3,3 1,9 0,5


8 Х2 = = 2,8 = 1,1 = 0,2
1,7 + 0,5 Х 3 1,2 1,7 2,2

• при X2 = 1: Y = 7,0 + 0,8X1 + 1,9X3.


1
Соответственно: X 3 = (Y − 7,0 − 0,8 X 1 ).
1,9
Расчет значений трансформированной функции в характерных
точках представлен в табл. 38.
Табли ц а 3 8
Расчет значений трансформированной функции в характерных точках

Значения Значения Х3 в точках Х1, равных


Расчетная формула
параметра Y –1 0 1
(−2,0 − 0,8 X 1 ) −1,2 −2,0 −2,8
5 = −0,6 = −1,1 = −1,5
1,9 1,9 1,9 1,9

(−1,0 − 0,8 X 1 ) − 0,2 −1,0 −1,8


6 = − 0,1 = − 0,5 = −1
1,9 1,9 1,9 1,9

141
О к о н ч ани е табл. 3 8

Значения Значения Х3 в точках Х1, равных


Расчетная формула
параметра Y –1 0 1
(0 − 0,8 X 1 ) 0,8 − 0,8
7 = 0,4 0 = − 0,4
1,9 1,9 1,9
(1,0 − 0,8 X 1 ) 1,8 1,0 0,2
8 =1 = 0,5 = 0,1
1,9 1,9 1,9 1,9

(2,0 − 0,8 X 1 ) 2,8 2,0 1,2


9 = 1,5 =1 = 0,6
1,9 1,9 1,9 1,9

• при X3 = 1: Y = 6,7 + 0,8X1 + 2,2X2.


1
Соответственно: X 2 = (Y − 6,7 − 0,8 X 1 ).
2,2
Расчет значений трансформированной функции в характерных
точках представлен в табл. 39.
Табли ц а 3 9
Расчет значений трансформированной функции в характерных точках (рис. 25)

Значения Значения Х2 в точках Х1, равных


Расчетная формула
параметра Y –1 0 1
(−1,7 − 0,8 X 1 ) − 0,9 −1,7 −2,3
5 = − 0,4 = − 0,8 = −1,1
2,2 2,2 2,2 2,2

(− 0,7 − 0,8 X 1 ) 0,1 − 0,7 −1,5


6 = 0,1 = − 0,3 = − 0,7
2,2 2,2 2,2 2,2

(0,3 − 0,8 X 1 ) 1,1 0,3 − 0,5


7 = 0,5 = 0,1 = − 0,2
2,2 2,2 2,2 2,2

(1,3 − 0,8 X 1 ) 2,1 1,3 0,5


8 = 0,9 = 0,6 = 0,2
2,2 2,2 2,2 2,2

(2,3 − 0,8 X 1 ) 3,1 2,3 1,5


9 = 1,4 = 1,1 = 0,7
2,2 2,2 2,2 2,2

142
Рис. 25. Графическая интерпретация модели Y(X1, X2, X3):
а — при X1 = 1; б — при X2 = 1; в — при X3 = 1
Аналогично строятся следы поверхностей равных значений от-
клика на плоскостях:
• при X1 = –1: Y = 4,5 + 1,7X2 + 1,4X3 + 0,5X2 · X3;
• при X2 = –1: Y = 3,6 + 0,8X1 + 0,9X3;
• при X3 = –1: Y = 3,9 + 0,8X1 + 1,2X2.
Затем строят поверхности равных значений Y в трехмерном про-
странстве (рис. 26). Аналогичные решения получают в результате
использования программ для ЭВМ.

Рис. 26. Трехмерная номограмма, построенная по результатам


графической интерпретации модели Y(X1, X2, X3)

• Аналитическая оптимизация модели. Общий вид полинома:


Y = 5,3 + 0,8X1 + 1,7X2 + 1,4X3. + 0,5X2X3.
Определяем частные производные по области определения ва-
рьируемых факторов и приравниваем частную производную 0:
∂Y
= 0,8 ≠ 0;
∂X 1

∂Y
= 1,7 + 0,5 X 3 = 0;
∂X 2

∂Y
= 1,4 + 0,5 X 2 = 0.
∂X 3

144
По фактору Х1 получить какие-либо сведения об экстремуме
(оптимуме) не удалось. Определяем оптимальные значения осталь-
ных факторов: Х2 = –2,8; Х3 = –3,4.
Рассчитанные (оптимальные) значения факторов Х2 и Х3 не вхо-
дят в их области определения. Следовательно, условия запланиро-
ванного эксперимента не позволяют достигнуть оптимальных зна-
чений ни по одному из факторов. Необходима дополнительная
серия экспериментов, при этом средние значения факторов долж-
ны уменьшаться (знаки «–» перед рассчитанными значениями оп-
тимумов).

Полная квадратичная модель


Пример 2 выполнения работы «Исследование вспучивания верми-
кулита»
В работе используют матрицы полного трехфакторного экспе-
римента типа N = 23. Сам эксперимент студенты не проводят, а
пользуются данными, приведенными в задании на расчетно-гра-
фическую работу. В задании (см. приложение) приведены условия
проведения эксперимента (табл. 40); матрица планирования и ре-
зультаты эксперимента (табл. 41).
Табли ц а 40
Условия эксперимента
варьирова-
Математи-

фактора X i

Интервал
символ Хi

значение

Значение
Среднее
Размер-

ния ΔХi
ческий
ность

Наименование на уровнях
фактора
–1 +1
Размер фракции мм Х1 3 1 2 4
вермикулита
Температура обжига °С Х2 750 150 600 900

Табли ц а 41
Матрица планирования и результаты эксперимента

№ Матрица планирования Обработка результатов


опыта – –
X1 X2 X1X2 X12 X22 Y Y (Y – Y)2
1 + + + 1–β 1–β 9,1 9,0 0,01
2 – + – 1–β 1–β 5,4 5,0 0,16

145
О к о нч ан и е табл. 41

№ Матрица планирования Обработка результатов


опыта – –
X1 X2 X1X2 X12 X22 Y Y (Y – Y)2
3 + – – 1–β 1–β 4,6 4,4 0,04
4 – – + 1–β 1–β 3,8 3,8 0
2
5 +α 0 0 α –β 0 7,1 7,0 0,01
2
6 –α 0 0 α –β 0 5,2 5,3 0,01
2
7 0 +α 0 0 α –β 7,8 7,5 0,09
2
8 0 –α 0 0 α –β 4,5 4,2 0,09
9 0 0 0 0 0 6,4 6,3 0,01
9
∑ ΔY j2 = 0,42
j =1

Обработка результатов эксперимента и построение полной ква-


дратичной модели происходят в следующей последовательности:
• Расчет коэффициентов квадратичного уравнения и проверка
статистических гипотез. Ортогональный центральный композици-
онный план двухфакторного эксперимента (размерность 2; ядро
плана 22; N = 9) имеет следующие параметры (см. табл. 41): = 1;
= 0,667; элементы дисперсионной матрицы: с 0 = 0,1111;
с1 = 0,1667; с2 = 0,5; с3 = 0,25.
Для расчета коэффициентов квадратичного уравнения опреде-
ляем:
— коэффициенты при Х1 и Х2:

b1 = 0,1667(9,1 – 5,4 + 4,6 – 3,8 + 7,1 – 5,2 + 0 + 0 + 0) = 1,3;

b2 = 0,1667(9,1 + 5,4 – 4,6 – 3,8 + 0 + 0 + 7,1 – 4,5 + 0) = 1,8;


— коэффициенты при Х12 и Х22:

b11 = 0,5 · 0,11(9,1 + 5,4 + 4,6 + 3,8 + 7,1 + 5,2 + 0 + 0 + 0) = 1,3;

b22 = 0,5 · 0,11 (9,1 + 5,4 + 4,6 + 3,8 + 0 + 0 + 7,8 + 4,5 + 0) = 0,9;
— коэффициент при Х1Х2:

b12 = 0,25(9,1 + 5,4 + 4,6 + 3,8 + 0 + 0 + 0 + 0 + 0) = 1,2;

146
— свободный коэффициент:
1
b0 = (9,1 + 5,4 + 4,6 + 3,8 + 7,1 + 5,2 + 7,8 + 4,5 + 6,4) = 3,3.
9
Общий вид полинома: Y = 3,3 + 1,3X 1 + 1,8X 2 + 1,2X 1X 2 +
+ 1,3X12 + 0,9X22.
Проверяем значимость коэффициентов: Δb = t · Sb = 4,3 · 0,25 =
= 1,1.
Сравниваем все коэффициенты с доверительным интервалом
Δb и получаем, что незначимым (меньшим, чем доверительный
интервал) является только коэффициент при Х 22. Принимаем
b22 = 0.
Окончательный вид полинома: Y = 3,3 + 1,3Х 1 + 1,8Х 2 +
+ 1,2Х1Х2 + 1,3Х12.
Проверяем адекватность модели по распределению Фишера.
Модель адекватна, если расчетное значение критерия Фишера
меньше его табличного значения, вычисленного при степенях сво-
боды f1 и f2. В примере f1 = n – 1 = 3 – 1 = 2 и f2 = N – (k – 1) =
= 9 – (4–1) = 6. Принимаем табличное значение критерия Фише-
ра Fт равным 19,4.
Для расчета значения критерия Фишера Fр определяем диспер-
сию воспроизводимости результатов эксперимента S2{Y} (в данном
2
случае S{Y} = 0,063). Рассчитываем остаточную дисперсию, или дис-
персию адекватности:
0,46
2
S ад = = 0,077,
6
где S2ад — остаточная дисперсия.
Расчетный критерий Фишера
0,077
Fр = = 1,2.
0,063
Расчетное значение критерия Фишера меньше табличного зна-
чения. Условие адекватности выполняется.
• Графическая интерпретация модели Y = 3,3 + 1,3Х1 + 1,8Х2 +
+ 1,2Х1Х2 + 1,3Х12.
Приводим полином Y(Х1, Х2) к виду Х2(Х1, Y):
Y − 3,3 − 1,3 Х 1 − 1,3 Х 12
Х2 = .
1,8 + 1,2 Х 1

147
Проводим расчет в характерных точках (табл. 42).
Табли ц а 42
Расчет значений трансформированной функции в характерных точках

Значения Значения Х2 в точках Х1, равных


параметра Расчетная формула
Y –1 0 1

−1,3 − 1,3 Х 1 − 1,3 X 12 −1,3 − 1,3 −3,9


2 Х2 = = −2,2 = − 0,7 = −1,3
1,8 + 1,2 Х 1 0,6 1,8 3,0

− 0,3 − 1,3 Х 1 − 1,3 X 12 − 0,3 − 0,3 − 2,9


3 Х2 = = − 0,5 = − 0,2 = − 0,97
1,8 + 1,2 Х 1 0,6 1,8 3,0

0,7 − 1,3 Х 1 − 1,3 X 12 0,7 0,7 − 1,9


4 Х2 = = 1,1 = 0,2 = − 0,6
1,8 + 1,2 Х 1 0,6 1,8 3,0

1,7 − 1,3 Х 1 − 1,3 X 12 1,7 1,7 − 0,9


5 Х2 = = 2,9 = 0,94 = − 0,3
1,8 + 1,2 Х 1 0,6 1,8 3,0

2,7 − 1,3 Х 1 − 1,3 X 12 2,7 2,7 0,1


6 Х2 = = 4,5 = 1,5 = 0,3
1,8 + 1,2 Х 1 0,6 1,8 3,0

Строим график функции F(Y, X1, X2) = 0 (рис. 27).

Рис. 27. Графическая интерпретация модели F(Y, X1, X2) = 0 (а)


и номограмма, построенная в результате интерпретации модели (б)

148
Для перехода от кодированных значений факторов к натураль-
ным значениям используем данные табл. 43.
Табли ц а 43
Условия эксперимента

варьирова-
Математи-

фактора X i

Интервал
символ Хi

значение
Значение

Среднее
Размер-

ния ΔХi
ческий
ность
Наименование на уровнях
фактора
–1 +1
Размер фракции мм Х1 3 1 2 4
вермикулита
Температура обжига °С Х2 750 150 600 900

• Аналитическая оптимизация модели Y = 3,3 + 1,3Х1 + 1,8Х2 +


+ 1,2Х1Х2 + 1,3Х12.
Дифференцируем функцию, описывающую модель, по Х1 и Х2:
∂Y
= 1,3 + 1,2 Х 2 + 2,6 Х 1 = 0;
∂Х 1

∂Y
= 1,8 + 1,2 Х 1 = 0.
∂Х 2
Из полученных уравнений следует:
1,8
Х1 = − = −1,5, что не входит в область определения Х1:
1,6
1
Х1 = − (−1,3 − 1,2 Х 2 ) = − 0,5 − 0,46 Х 2 .
2,6
Коэффициент при Х2 меньше доверительного интервала, поэто-
му он приравнивается 0 и получаем, что Х1 = –0,5.
Переходим к натуральным значениям фактора X1: X1 = 3 – 1 ×
× 0,5 = 2,5 ± 0,1.
Из графической интерпретации следует, что при использовании
вермикулита фракцией менее 3 мм множество значений, которые
принимает функция отклика, имеют ярко выраженный нелиней-
ный характер. При использовании вермикулита фракцией более
3 мм зависимость может быть аппроксимирована линейными функ-

149
циями. Оптимальным по результатам аналитической оптимизации
является размер фракции вермикулита, равный 2,5 мм.
Задания к лабораторным работам 1—4 приведены в приложении.

4.5. Работа 5 «Оптимизация технологического процесса»


Цель работы — ознакомление со способом аналитической оп-
тимизации, анализ результатов, их аналитическая оптимизация и
графическая интерпретация.
Содержание работы. Аналитическая оптимизация базируется на
группе положений, связывающих вещественные результаты экс-
перимента и изменяемые в натуральных величинах факторы по-
средством применения методов математического анализа, теории
вероятности и математической статистики:
• Уравнения регрессии (полиномы, базисные функции, мате-
матические модели), полученные в результате обработки экспери-
ментальных данных, адекватны реальному процессу. Уравнения
описывают реальный процесс с установленным для данных экс-
периментов уровнем точности (вероятности).
• Уравнение регрессии (полином, базисная функция) опреде-
лено во всех точках изменения варьируемых факторов и непрерыв-
но на области определения. В формализованном (нормализованном)
виде областью определения функции является отрезок [–1; +1], в
натуральном выражении — интервал в фактической размерности.
• Определение локального экстремума базисных функций по
каждому из факторов возможно путем взятия частной производной
функции по данному фактору и приравнивания ее нулю.
Пусть задана область экспериментирования в трехфакторном
эксперименте. Каждый варьируемый фактор (Х1, X2, X3) изменяет-
ся в кодированном интервале от –1 до +1.
Проведенный эксперимент позволил установить математиче-
скую зависимость между параметром оптимизации данного про-
цесса Y1 и варьируемыми факторами, т.е. определить коэффици-
енты полинома и получить функцию отклика: Y1 = f1(Х1, X2, X3).

Пример выполнения работы «Оптимизация технологического про-


цесса»
Пусть задана базисная функция (базовый полином) и установлен
доверительный интервал Δb = 6. Проведем анализ и оптимизацию
базового полинома:

150
Y = 100 + 20X1 – 30X2 + 20X3 – 10X1X2 + 10X2X3 – 15X12.
Последовательность выполнения работы следующая:
• Дифференциальный анализ базового полинома. Полином рас-
сматривают как функцию трех переменных и берут частные про-
изводные по X1, X2 и X3:
dY = 20 − 10 ⋅ Х 2 − 30 ⋅ Х 1;
dХ 1

dY = −30 − 10 ⋅ Х 1 + 10 ⋅ Х 3;
dХ 2

dY = 20 + 10 ⋅ Х 2 = 0.
dX 3
Признаком экстремума математической функции является ра-
венство 0 ее частных производных 1-го порядка и отличие от нуля
производной второго порядка. Приравниваем каждый дифферен-
циал 0 и решаем систему уравнений:
⎧20 − 10 ⋅ Х 2 − 30 ⋅ Х 1 = 0;

⎨−30 − 10 ⋅ Х 1 + 10 ⋅ Х 3 = 0;
⎪20 + 10 ⋅ Х = 0.
⎩ 2

Решая эту систему, получаем следующие уравнения:

X1 = 0,67 – 0,33X2;
X2 = –2;
X3 = 3 + X1.
Область определения каждого фактора известна — это интервал
[–1; 1], значения факторов X2 и X3, определенные в результате ре-
шения уравнений, находятся вне этого интервала: X2 = –2, а X3
принимает значения в интервале [2; 4]. Определенная область опре-
деления X1 принадлежит интервалу (X1  [0,33; 1]).
По результатам дифференциального анализа делаем выводы:
• Дальнейшая оптимизация возможна только на области из-
менения фактора X1.
• Область изменения оптимизируемого фактора определяется
выражением X1 = 0,67 – 0,33X2. Поэтому дальнейшую оптимизацию
проводим по этой зависимости.

151
• Оптимизация функции отклика. Математическое выражение
для X1 (X1 = 0,67 – 0,33X2) подставляем в базовое уравнение:

Y[X1] = 100 + 20(0,67 – 0,33X2) – 30X2 + 20X3 –


– 10(0,67 – 0,33X2)X2 + 10X2X3 – 15(0,67 – 0,33X2)2.
Скобки раскрываем и получаем уравнение:

Y[X1] = 80 – 23X2 + 20X3 + 10X2X3 + 2X22.


Сравниваем каждый коэффициент с Δb = 6 и убираем незначи-
мые коэффициенты (в данном случае, b22 = 2 < Δb, следовательно,
b22 = 0. Окончательный вид уравнения:

Y = 80 – 23X2 + 20X3 + 10X2X3 при X1 = 0,67 – 0,33X2.

• Графическая интерпретация оптимизированной функции. Для


графической интерпретации используем классический способ.
Функцию Y(X2;X3) представляем в виде X2(X3;Y), при этом Y рас-
сматриваем как задаваемый параметр.
80 − Y + 20 ⋅ Х 3
X2 = .
23 + 10 ⋅ Х 3
Значения для Y выбираем произвольно (соответственно 60, 80,
100) и подставляем в уравнение. Расчет приведен в табл. 44. Графи-
ческое пространство, построенное в результате расчета, изображе-
но на рис. 27.
Табли ц а 44
Определение характерных точек функции X2(X3) при заданном Y

Значения X3
Задаваемое (в кодированном виде)
Расчетная функция
значение Y
–1 0 +1
20 + 20 Х 3 20 40
60 Х2 = 0 = 0,9 = 3,1
23 − 10 Х 3 23 13
20 Х 3 − 20 20
80 Х2 = = − 0,6 0 = 1,5
23 − 10 Х 3 33 13
−20 + 20 Х 3 − 40 − 20
100 Х2 = = − 1,2 = − 0,9 0
23 − 10 Х 3 33 23

152
Каждая кривая Y = 60, Y = 80, Y = 100 называется «кривой рав-
ных значений». Любая точка, принадлежащая этой кривой, соот-
ветствует установленному значению результата. После построения
множества значений функции X2(X3; Y) (графического прост-
ранства) строим в осях (X 1 , X 2 ) график функции X 1 (X 2 ), т.е.
X1 = 0,67 – 0,33X2.

Рис. 28. Графическая интерпретация модели F(Y, X2, X3) = 0,


оптимизированной по X1

Если известны натуральные значения факторов, то осуществля-


ют переход от кодированных значений факторов к натуральным (в
данном случае Xmax, Xср Xmin и получают номограмму для выбора
значений факторов X1, X2, X3, обеспечивающих оптимальные зна-
чения результата Y.
Варианты заданий к расчетно-графической работе 5 приведены
в приложении.
ЗАКЛЮЧЕНИЕ

Итак, в практикуме было показано, что построение модели тех-


нологического процесса можно представить в виде последователь-
ности отдельных решений, начальным элементом которой являет-
ся составление логической схемы. При этом значительную роль
играет опыт исследователя, доступность информации о ранее про-
веденных исследованиях и полученных результатах.
Следующим этапом технологического моделирования является
получение данных о функционировании того или иного процесса
в результате активного эксперимента или наблюдений в производ-
ственных условиях. На финальной стадии этого этапа теоретические
и логические схемы преобразуются в модели процесса или явления.
Заключительным этапом технологического процесса является
выполнение оптимизационных, адаптационных и интерполяци-
онных решений. В области технологии строительных материалов
эти решения позволяют оптимизировать технологический процесс,
решать задачи подбора состава и выбора технологических параме-
тров, прогнозирования эксплуатационной стойкости и пр.
Основой технологического моделирования является экспери-
мент, который наполняет теоретические схемы смыслом. Стано-
вится очевидным необходимость создания методологии проведения
эксперимента, основанной как на уровне подготовки инженеров-
специалистов, так и на уровне обеспечения экспериментальным
оборудованием, а также программным обеспечением для ЭВМ.

154
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование


эксперимента при поиске оптимальных условий. 2-е изд. Москва :
Наука : 1976. 280 с. : ил.
2. Вознесенский В.А. Статистические методы планирования экспе-
римента в технико-экономических исследованиях. Москва : Финансы
и статистика, 1981. 192 с. : ил.
3. Горлов Ю.П., Меркин А.П., Устенко А.А. Технология теплоизо-
ляционных материалов : учебник. Москва : Стройиздат, 1980. 399 с. :
ил.
4. Жуков А.Д. Технология теплоизоляционных материалов : учеб.
пособие. Москва : МГСУ, 2011. Ч. 1— 2.
5. Жуков А.Д., Чугунков А.В., Рудницкая В.А. Решение технологиче-
ских задач в области строительных материалов методами математиче-
ского моделирования : монография. Москва : МГСУ, 2011. 176 с. : ил.
6. Жуков А.Д. Технологическое моделирование : учеб. пособие. Мо-
сква : МГСУ, 2013. 204 с. : ил.
7. Налимов В.В. Теория эксперимента. Москва : Наука, 1971. 208 с. :
ил.
8. Перегудов В.В., Роговой М.И. Тепловые процессы и установки в
технологии строительных изделий и деталей. Москва : Стройиздат,
1983. 416 с. : ил.
9. Повышение эффективности минераловатных изделий : моно-
графия / А.Д. Жуков [и др.]. Москва : МГСУ, 2012. 160 с. : ил.
10. Румянцев Б.М., Жуков А.Д. Методология создания новых стро-
ительных материалов : учеб. пособие. Москва : МГСУ, 2012. 172 с. : ил.
11. Румянцев Б.М., Жуков А.Д. Эксперимент и моделирование при
создании новых изоляционных и отделочных материалов : монография.
Москва : МГСУ, 2013. 156 с.: ил.
12. Федоров В.В. Теория оптимального эксперимента. Москва : На-
ука, 1971. 312 с. : ил.
13. Хартман К., Лецкий Э., Шефер В. Планирование эксперимента
в исследованиях технологических процессов / пер. с нем. Г.А. Фомина,
Н.С. Лецкой. Москва : Мир, 1977. 544 с. : ил.
14. Химмельблау Д. Анализ процессов статистическими методами /
пер. с англ. В.Д. Скаржинского ; под ред. В.Г. Горского. Москва : Мир,
1973. 960 с. : ил.
15. Шеннон Р. Имитационное моделирование систем — искусство
и наука. Москва : Мир, 1982. 235 с.

155
Приложение. ЗАДАНИЯ К ЛАБОРАТОРНЫМ РАБОТАМ

Задания к лабораторным работам 1—4

Варианты 1—6. Моделирование дробления


(параметр оптимизации Y — средний диаметр частиц после
дробления, мм)
Табли ц а П1
Условия проведения эксперимента (варианты 1—6)
Математи-

символ Хi
Среднее значение Интервал
ческий


Наименование фактора X i варьирования ΔXi
фактора
1 2 3 4 5 6 1 2 3 4 5 6
Диаметр частиц X1 30 30 30 40 40 40 10 10 10 20 20 20
породы, мм
Прочность
X2 10 8 6 11 13 15 2 2 2 4 4 4
породы, МПа
Частота работы
X3 30 30 30 40 40 40 10 10 10 10 10 10
дробилки, мин–1

Табли ц а П2
Матрица планирования и результаты эксперимента

Матрица Результаты эксперимента Yj


№ планирования для вариантов
опыта
X1 X2 X3 1 2 3 4 5 6
1 + + + 1,5 1,7 2,5 3,5 3,5 4,0
2 — + + 0,5 0,6 1,0 2,0 2,5 3,0
3 + — + 1,1 1,2 2,2 3,2 3,7 4,2
4 — — + 0,9 0,9 1,8 2,8 3,1 3,6
5 + + — 4,3 4,5 7,3 7,8 8,3 8,3
6 — + — 3,3 3,7 5,3 5,8 6,8 7,3
7 + — — 3,9 3,9 6,9 7,4 7,9 7,9
8 — — — 3,7 3,9 5,7 6,7 7,0 7,5

156
Варианты 7—9. Моделирование помола
(параметр оптимизации Y — удельная поверхность молотого
материала, см2/г)
Табли ц а П3
Условия проведения эксперимента (варианты 7—9)

Среднее Интервал
значение варьирования
Наименование Математиче- –
фактора ский символ Хi фактора X i ΔXi

7 8 9 7 8 9
Диаметр частиц
X1 0,5 0,5 0,5 0,1 0,1 0,1
породы, мм
Прочность породы,
X2 16 15 12 4 3 3
МПа
Частота работы
X3 50 40 50 20 20 20
дробилки, мин–1

Табли ц а П4
Матрица планирования и результаты эксперимента

Результаты эксперимента Yj
Матрица планирования
№ опыта для вариантов
X1 X2 X3 7 8 9
1 + + + 4820 5000 5200
2 — + + 4200 4300 4600
3 + — + 5420 5500 5600
4 — — + 2880 2800 3200
5 + + — 1620 2000 2400
6 — + — 1400 2000 2200
7 + — — 880 2000 2000
8 — — — 2180 2700 2900

157
Варианты 10—15. Моделирование перемешивания
(параметр оптимизации Y — однородность смеси, %)
Табли ц а П5
Условия проведения эксперимента (варианты 10—15)

Математи-

символ Хi
Среднее значение Интервал

ческий

Наименование фактора X i варьирования ΔXi
фактора
10, 13 11, 14 12, 15 10, 13 11, 14 12, 15
Плотность X1 300 450 450 100 50 50
заполнителя,
кг/м3
Прочность X2 5 5 5 3 3 3
заполнителя,
МПа
Расход воды, X3 200 200 160 50 50 30
дм3/м3
Частота враще- X4 40 40 40 10 10 10
ния мешалки,
мин–1
Время переме- X5 20 20 20 10 10 10
шивания, мин

Табли ц а П6
Матрица планирования и результаты эксперимента (варианты 10—12)

Значения Yj для каждого


Матрица планирования
№ опыта опыта, %
X1 X2 X3 10 11 12
1 + + + 90 95 90
2 — + + 60 70 70
3 + — + 80 80 80
4 — — + 50 60 65
5 + + — 70 70 70
6 — + — 60 65 65
7 + — — 80 80 85
8 — — — 70 75 70

158
Табли ц а П7
Матрица планирования и результаты эксперимента (варианты 13—15)

Значения Yj для каждого


Матрица планирования
№ опыта опыта, %
X1 X4 X5 13 14 15
1 + + + 100 100 100
2 — + + 70 80 85
3 + — + 80 85 90
4 — — + 50 60 70
5 + + — 80 80 80
6 — + — 60 65 70
7 + — — 70 70 70
8 — — — 40 50 60

Варианты 16—21. Моделирование формования


(параметр оптимизации Y — прочность сырца
при сжатии, кПа)
Табли ц а П8
Условия проведения эксперимента (варианты 16—21)
Математи-

символ Xi

Среднее значение Интервал


ческий


Наименование фактора X i варьирования ΔXi
фактора
16, 19 17, 20 18, 21 16, 19 17, 20 18, 21
Плотность
X1 1000 1200 1400 200 200 300
массы, кг/м3
Пластическая
прочность
X2 100 100 100 30 20 20
(формуемость),
кПа
Усилие прессова-
X3 0,4 0,5 0,5 0,2 0,2 0,2
ния, МПа
Температура
X4 40 40 40 20 20 20
прессования, °С
Время прессова-
X5 11 11 11 7 7 7
ния, мин

159
Табли ц а П9
Матрица планирования и результаты эксперимента (варианты 16—18)

Значения Yj для каждого


Матрица планирования
№ опыта опыта, кПа
X1 X2 X3 16 17 18
1 + + + 0,27 0,28 0,28
2 — + + 0,17 0,20 0,24
3 + — + 0,23 0,21 0,23
4 — — + 0,20 0,20 0,21
5 + + — 0,11 0,15 0,18
6 — + — 0,17 0,18 0,18
7 + — — 0,15 0,20 0,22
8 — — — 0,06 0,12 0,16

Табли ц а П1 0
Матрица планирования и результаты эксперимента (варианты 19—21)

Значения Yj для каждого


Матрица планирования
№ опыта опыта, кПа
X1 X4 X5 19 20 21
1 + + + 0,26 0,28 0,30
2 — + + 0,20 0,20 0,22
3 + — + 0,22 0,24 0,26
4 — — + 0,20 0,22 0,24
5 + + — 0,12 0,14 0,18
6 — + — 0,18 0,18 0,21
7 + — — 0,14 0,15 0,18
8 — — — 0,04 0,08 0,14

160
Варианты 22—24. Моделирование сушки
(параметр оптимизации Y — влажность изделия
после сушки, %)
Табли ц а П1 1

Условия проведения эксперимента (варианты 22—24)

Математи-
Среднее значение Интервал

символ Хi

ческий
Наименование фактора X i варьирования ΔXi
фактора
22 23 24 22 23 24

Влажность
X1 16 16 13 4 4 3
сырца, %
Температура
X2 60 60 60 20 20 20
сушки, °С
Время сушки, ч X3 4 5 6 2 3 2

Табли ц а П1 2

Матрица планирования и результаты эксперимента

Результаты эксперимента Yj
Матрица планирования
№ опыта для вариантов, %
X1 X2 X3 22 23 24
1 + + + 6 5 4
2 — + + 4 3 3
3 + — + 7 4 4
4 — — + 5 3 3
5 + + — 7 7 5
6 — + — 6 6 5
7 + — — 9 9 7
8 — — — 8 8 7

161
Варианты 25—27. Моделирование обжига
(параметр оптимизации Y — прочность изделия после
обжига, МПа)
Табли ц а П1 3

Условия проведения эксперимента (варианты 25—27)

Математи-

символ Хi
Среднее значение Интервал
ческий

Наименование фактора X i варьирования ΔXi
фактора
25 26 27 25 26 27

Прочность
X1 150 150 150 50 50 50
сырца, кПа
Температура
X2 900 1000 1100 100 100 100
обжига, °С
Время обжига, ч X3 6 6 6 2 2 2

Табли ц а П1 4

Матрица планирования и результаты эксперимента

Результаты эксперимента Yj
Матрица планирования
№ опыта для вариантов
X1 X2 X3 25 26 27
1 + + + 5,0 5,5 4,5
2 — + + 4,5 5,0 4,0
3 + — + 2,0 4,5 4,5
4 — — + 2,0 4,0 4,0
5 + + — 4,0 4,0 3,0
6 — + — 3,5 3,5 2,5
7 + — — 1,5 3,5 3,5
8 — — — 1,0 3,0 3,0

162
Варианты 28—30. Моделирование пропаривания
(параметр оптимизации Y — прочность изделия после
пропаривания, МПа)
Табли ц а П1 5
Условия проведения эксперимента (варианты 28—30)

Математи-

символ Хi
Среднее значение Интервал

ческий

Наименование фактора X i варьирования ΔХi
фактора
28 29 30 28 29 30
Прочность до
пропаривания, X1 250 250 250 150 150 150
кПа
Температура
тепловой обра- X2 70 80 80 30 30 30
ботки, °С
Время до пропа-
X3 6 6 8 2 2 2
ривания, ч

Табли ц а П1 6
Матрица планирования и результаты эксперимента

Результаты эксперимента Yj
Матрица планирования
№ опыта для вариантов
X1 X2 X3 28 29 30
1 + + + 40 45 40
2 — + + 30 35 25
3 + — + 30 30 26
4 — — + 24 24 20
5 + + — 36 40 40
6 — + — 24 30 30
7 + — — 32 32 32
8 — — — 22 22 22

163
Варианты 31—33. Моделирование автоклавной обработки
(параметр оптимизации Y — прочность изделия
после ТВО, МПа)
Табли ц а П1 7

Условия проведения эксперимента (варианты 31—33)

Математи-

символ Хi
Среднее значение Интервал
ческий

Наименование фактора X i варьирования ΔХi
фактора
31 32 33 31 32 33

Прочность до
X1 250 250 300 50 50 50
ТВО, кПа
Давление, МПа X2 0,9 0,9 0,9 0,1 0,1 0,1
Изотермическая
X3 6 7 7 1 1 1
выдержка, ч

Табли ц а П1 8

Матрица планирования и результаты эксперимента

Результаты эксперимента Yj
Матрица планирования
№ опыта для вариантов, МПа
X1 X2 X3 28 29 30
1 + + + 40 41 44
2 — + + 30 31 33
3 + — + 30 32 31
4 — — + 24 25 25
5 + + — 36 37 40
6 — + — 24 26 26
7 + — — 32 34 35
8 — — — 22 23 24

164
Задания к лабораторной работе 5
Табли ц а П1 9

№ Доверительный
Базовый полином
вар. интервал Δb
1 Y = 110 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 + 8
+ 10 · X2X3 – 15 · X1X3 – 15 · X12
2 Y = 110 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 + 6
+ 10 · X2X3 – 15 · X1X3 + 18 · X22
3 Y = 110 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 + 4
+ 10 · X2X3 – 15 · X1X3 – 12 · X32
4 Y = 100 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 + 8
+ 10 · X2X3 – 15 · X12
5 Y = 100 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 + 6
+ 10 · X2X3 + 18 · X22
6 Y = 100 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 + 4
+ 10 · X2X3 – 12 · X32
7 Y = 120 + 20 · X1 – 30 · X2 + 20 · X3 + 10 · X2X3 – 8
– 15 · X1X3 – 15 · X12
8 Y = 120 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X2X3 – 6
– 15 · X1X3 + 18 · X22
9 Y = 120 + 20 · X1 – 30 · X2 + 20 · X3 + 10 · X2X3 – 4
– 15 · X1X3 – 12 · X32
10 Y = 100 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 – 8
– 15 · X1X3 – 15 · X12
11 Y = 100 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 + 6
+ 15 · X1X3 + 18 · X22
12 Y = 100 + 20 · X1 – 30 · X2 + 20 · X3 – 10 · X1X2 – 4
– 15 · X1X3 – 12 · X32
13 Y = 8,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,7
+ 1,4 · X2X3 – 1,5 · X1X3 – 1,4 · X12
14 Y = 7,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,6
+ 1,4 · X2X3 – 1,5 · X1X3 + 1,7 · X22

165
О к о н ч ани е табл. П1 9

№ Доверительный
Базовый полином
вар. интервал Δb
15 Y = 6,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,5
+ 1,4 · X2X3 – 1,5 · X1X3 – 1,2 · X32
16 Y = 8,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 + 1,4 · X2X3 – 0,4
– 1,5 · X1X3 – 1,4 · X12
17 Y = 7,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,4 · X2X3 – 0,7
– 1,5 · X1X3 + 1,7 · X22
18 Y = 6,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 + 1,4 · X2X3 – 0,6
– 1,5 · X1X3 – 1,2 · X32
19 Y = 8,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,5
+ 1,5 · X1X3 – 1,4 · X12
20 Y = 7,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 – 0,4
– 1,5 · X1X3 + 1,7 · X22
21 Y = 6,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,7
+ 1,5 · X1X3 – 1,2 · X32
22 Y = 8,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,6
+ 1,4 · X2X3 – 1,4 · X12
23 Y = 7,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,5
+ 1,4 · X2X3 + 1,7 · X22
24 Y = 6,0 + 2,2 · X1 – 2,8 · X2 + 2,0 · X3 – 1,2 · X1X2 + 0,4
+ 1,4 · X2X3 – 1,2 · X32
ОГЛАВЛЕНИЕ
Введение ........................................................................................................... 3

1. Системное исследование технологических процессов ............................... 5


1.1. Технология и технологический процесс ............................................. 5
1.2. Технологические процессы ................................................................. 7
1.3. Модель как инструмент изучения технологического процесса ........14
1.4. Системный анализ технологических процессов ...............................16
1.4.1. Системный подход и статистические методы.........................16
1.4.2. Разбиение на блоки, определение параметров
оптимизации ...........................................................................17
1.4.3. Моделирование технологического передела ..........................21
1.5. Комплексный метод в технологическом моделировании .................22
1.6. Оценка эксплуатационной стойкости
теплоизоляционных материалов ......................................................27
2. Статистические методы в изучении технологических процессов .............33
2.1. Планирование эксперимента .............................................................33
2.1.1. Применение методов планирования эксперимента ...............33
2.1.2. Интерполяционные и оптимизационные задачи ...................34
2.1.3. «Черный ящик» как объект исследований ..............................35
2.1.4. Планирование экстремального эксперимента .......................37
2.2. Выбор параметров оптимизации........................................................38
2.2.1. Виды параметров оптимизации...............................................38
2.2.2. Требования к параметрам оптимизации
и их совокупности ..................................................................39
2.2.3. Факторы и их свойства ............................................................41
2.2.4. Требования, предъявляемые к факторам
и их совокупности ..................................................................42
2.3. Модель исследуемого процесса ..........................................................44
2.4. Правила постановки эксперимента ...................................................47
2.4.1. Основные принципы моделирования .....................................47
2.4.2. Выбор модели ...........................................................................49
2.4.3. Полиномиальные модели ........................................................50
3. Факторный эксперимент ............................................................................52
3.1. Полный и дробный факторный эксперимент ...................................52
3.2. Планирование полного факторного эксперимента ..........................55
3.2.1. Общие принципы планирования ............................................55
3.2.2. Свойства полного факторного эксперимента типа 2k ............57
3.2.3. Полный факторный эксперимент и математическая
модель .....................................................................................58
3.2.4. Полный трехфакторный эксперимент ....................................60
3.2.5. Дробный факторный эксперимент .........................................61

167
3.3. Проведение и обработка результатов эксперимента .........................66
3.3.1. Подготовка эксперимента .......................................................66
3.3.2. Оценка значимости различий между опытами .......................67
3.3.3. Ошибки параллельных опытов ...............................................68
3.3.4. Дисперсия параметра оптимизации ........................................71
3.3.5. Проверка однородности дисперсий ........................................72
3.3.6. Рандомизация ..........................................................................73
3.3.7. Разбиение матрицы типа 2k на блоки ......................................73
3.4. Проверка статистических гипотез......................................................75
3.4.1. Регрессионный анализ.............................................................75
3.4.2. Проверка адекватности модели ...............................................76
3.4.3. Проверка значимости каждого коэффициента .....................77
3.4.4. Особенности расчетов при неравномерном
дублировании .........................................................................78
3.5. Принятие решения после построения модели ..................................80
3.6. Построение квадратичных моделей ...................................................84
3.6.1. Общие принципы построения ................................................84
3.6.2. Ортогональные центральные композиционные планы .........86
3.6.3. Ротатабельные центральные композиционные планы ..........92
3.7. Методы оптимизации технологических процессов ..........................94
3.7.1. Метод «крутого восхождения».................................................94
3.7.2. Движение по градиенту ...........................................................95
3.7.3. Движение к оптимуму «крутым восхождением» ....................97
3.7.4. Аналитическая оптимизация.................................................103
3.7.5. Решение интерполяционных задач .......................................108
4. Рекомендации по выполнению лабораторных
и расчетно-графических работ .....................................................................110
4.1. Работа 1 «Планирование эксперимента и выбор
параметров оптимизации» ..............................................................110
4.2. Работа 2 «Метод “крутого восхождения”» .......................................125
4.3. Работа 3 «Графическая интерпретация моделей» ............................127
4.4. Работа 4 «Проведение эксперимента и обработка
его результатов. Решение задач технологического
моделирования» ..............................................................................130
4.5. Работа 5 «Оптимизация технологического процесса» ....................150
Заключение ...................................................................................................154

Библиографический список .........................................................................155

Приложение. Задания к лабораторным работам .........................................156