1

МЕТОДЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТА.

Математическая модель процесса и ее адекватность. Под математической

моделью (ММ) процесса будем понимать образ процесса в виде уравнений,
адекватно описывающих его поведение в заданных условиях. ММ процесса
получается после обработки результатов определенного количества
экспериментов. Для придания им целенаправленного характера, разработана
специальная теория эксперимента. Один из ее разделов, «Организация и
планирование эксперимента», изучает вопросы выбора числа и условий
проведения опытов, необходимых и достаточных для получения ММ процесса.
Будем понимать под экспериментом совокупность опытов. Обычно
эксперименты проводят поэтапно так, что информация, полученная после
очередного этапа, используется для планирования следующего и т.д. (см. далее
градиентный метод и симплекс метод оптимизации).
В теории эксперимента ММ процесса представляет собой функцию отклика,
связывающую отклик (y) с факторами (xi):
y= y ( x 1 , x 2 ,. . . x n )
, (1)
Функцию отклика обычно представляют полиномом степени n,
аппроксимирующим ее на линейном, реже квадратичном отрезке ряда Тейлора.
Различают искомую функцию отклика ( η ) :
η= β0 + β 1 x1 + β 2 x 2 + β12 x1 x 2 + β11 x 2 + β22 x 2 +. ..
1 2 (2)
и экспериментальную функцию отклика ( y ) :
y=b 0 +b 1 x1 +b2 x 2 + b12 x 1 x 2 +b11 x 2 +b22 x 2 +. ..
1 (3) 2

Полином (3) получил название «уравнение регрессии». Его коэффициенты bi

являются оценками коэффициентов βi искомой функции (2) и подлежат
экспериментальному определению. Уравнение регрессии включает линейные
относительно факторов слагаемые, эффекты взаимодействия и слагаемые второго
и более высоких порядков. Коэффициенты bi – это частные производные в ряде
Тейлора, показывающие скорость изменения отклика при изменении
соответствующего фактора.
Функция отклика (1) из-за ошибок воспроизводимости эксперимента
является случайной величиной. Рассеивание ее возможных значений оценивается
специальной дисперсией, величина которой должна быть с заданной вероятностью
меньше либо равна разности между истинным и экспериментальным значением
функции отклика. Модель, удовлетворяющая этому требованию, называет
адекватной.
Методика проведения эксперимента
1. Выбор области проведения эксперимента.
2. Формирование матрицы планирования эксперимента.
3. Рандомизация опытов (для проведения их в равных условиях)
4. Проведение опытов, заполнение столбца «Y (отклик)».
5. Оценка коэффициентов линейной модели.
6 Нахождение дисперсии «Y», - Sу2 и дисперсии коэффициентов Sb2
7 Определение значимости коэффициентов линейной модели, используя их
 2

доверительные интервалы. Удаление слагаемых линейной модели с незначимыми

коэффициентами.
8. Нахождение дисперсии адекватности, критерия Фишера и проверка
адекватности модели.
9. Переход к модели более высокого порядка, если линейная модель
неадекватна, дополнение матрицы планирования, проведение дополнительных
опытов и расчет модели второго порядка (см. пп. (5-8).

1. Выбор области проведения эксперимента.

При выборе, область проведения опытов сверху и снизу ограничивают
интервалами варьирования факторов, которые должны быть на порядок больше
ошибки измерения уровней факторов. Например, при точности термометра 0,5 оС
интервал должен иметь величину не менее 5 оС.
x
Основному или нулевому уровню j-го фактора ( oj ) соответствует центр
области ( x jmax . . . x jmin ) , который определяется выражением:
x jmax + x jmin
x oj =
2 . (4)
Интервалом варьирования называется величина:
x jmax −x j min
I j=
2 (5)
Величины факторов в выражениях 4 и 5 – размерные. Для упрощения записи
условий эксперимента вводят кодированные факторы по формуле:
x j−x oj
x̆ j =
Ij , (6)
где: x̆ j и xj – значение фактора соответственно в кодированной и
натуральной системе координат. Из выражений (5) и (6) следует, что в
кодированной системе координат верхнему уровню фактора соответствует
значение (+1), а нижнему (–1). Эксперимент, в котором реализуются все -
возможные сочетания уровней факторов, называется полным факторным
экспериментом. Ограничим дальнейшее рассмотрение ПФЭ варьированием k
факторов только на двух уровнях (максимальном и минимальном). В этом случае
ПФЭ называется ПФЭ типа 2k. Число опытов (N) при этом также равно 2k.
В общем случае:
Число опытов = (Число уровней) Число факторов

2. Формирование матрицы планирования эксперимента.

Условия эксперимента записываются в матрицу планирования эксперимента
(МПЭ) – таблицу, строки которой соответствуют различным опытам, а столбцы –
значениям факторов. Матрица планирования для двух факторов приведена в
табл.2
 3

Таблица 2
Матрица планирования для двух факторов
№ опыта x1 x2 y Пример
1 –1 –1 y1 y1 = 4
2 +1 –1 y2 y2 = 3
3 –1 +1 y3 y3 = 5
4 +1 +1 y4 y4 = 8
Каждый столбец в матрице планирования называют вектор-столбцом, а
каждую строку – вектор-строкой. Таким образом, мы имеем 2 вектор-столбца
независимых переменных x1 и x2 и один вектор-столбец параметра оптимизации y.
При переходе от плана 22 (табл.1) к плану 23, МПЭ которого показана в табл.3,
надо сначала записать в таблицу 2 план 22 для уровня +1 нового фактора x3 (выделен
полужирным), а затем повторить его для уровня (x3 = –1), – выделен в табл.3
курсивом:
Таблица 3
Матрица планирования для трех факторов
№ опыта x1 x2 x3 y
1 –1 –1 +1 y1
2 +1 –1 +1 y2
3 –1 +1 +1 y3
4 +1 +1 +1 y4
5 –1 –1 –1 y5
6 +1 –1 –1 y6
7 –1 +1 –1 y7
8 +1 +1 –1 y8

Перед тем, как перейти к 3-му пункту выполнения методики проведения

эксперимента (рандомизации), необходимо рассмотреть следующие используемые
далее термины и определения:
– свойства матрицы планирования эксперимента;
– ротатабельность;
– методика расчета коэффициентов уравнения регрессии;
– дисперсия воспроизводимости опытов;
– дисперсия воспроизводимости эксперимента.

Свойства матрицы планирования эксперимента типа 2k

(полный факторный эксперимент)

Симметричность относительно центра эксперимента: алгебраическая сумма

элементов вектор-столбца каждого фактора равна нулю:
N
∑ x ji=N
i =1 , где j – номер фактора, N – число опытов, i = 1, 2, ..., k .
Условие нормировки : сумма квадратов элементов каждого j− го столбца
N
∑ x 2ji=N
равна числу опытов, или i =1 , т.к. значения факторов задаются +1 и –1.
 4

Ортогональность матрицы планирования: покомпонентное произведение

любых двух вектор-столбцов матрицы равна нулю, или
N
∑ x ji⋅x ui =0 , j≠u j , u=0 . .. k
i =1 .
Оценка всех коэффициентов уравнения регрессии производится независимо
друг от друга, поэтому при наличии ортогональности столбцов факторы,
имеющие незначимые коэффициенты могут быть выведены из состава уравнения
без повторного вычисления остальных коэффициентов уравнения регрессии.

Пример 1. Какая из приведенных в табл.4 и 5 матриц не является МПЭ?

Таблица 4 Таблица 5
– – – +
+ – + –
– + – +
+ + + –

Решение:
N
∑ x ji=0
1. Свойство 1 симметричности ( i=1 ) выполняется для всех столбцов
обеих матриц. Действительно: для 1-го столбца табл.4 имеем:
(−1 )+(+1 )+(−1)+(+1)=0 . Такой же результат получим для всех других
столбцов.
N

2. Условие нормировки – свойство 2

( )
∑ x 2ji
также выполняется для обеих
i=1
2 2 2 2
матриц. Например, для того же столбца: (−1 ) +(+1) +(−1) +(+1) =4 .
3. Свойство же 3 – ортогональности – выполняется только для матрицы в
табл.4:
(−1 )⋅(−1)+(+1)⋅(−1)+(−1)⋅(+1 )+(+1)⋅(+1 )=0 ,
Для матрицы в табл.5 свойство ортогональности не выполняется:
(−1 )⋅(+1)+(+1)⋅(−1 )+(−1)⋅(+1)+(+1)⋅(−1 )=−4≠0
Следовательно, матрица в табл.5 не является МПЭ
Ротатабельность: точность предсказания значений параметра оптимизации
одинакова на равных расстояниях от центра эксперимента и не зависит от
направления (т.е. дисперсия предсказания зависит только от радиуса сферы, на
которой расположена рассматриваемая точка).

Расчет коэффициентов уравнения регрессии. Для получения модели

отклика в виде линейной зависимости от n факторов:
y=b 0 +b 1 x1 +b2 x 2 +.. .+bn x n , (7)

которое получило название «уравнение регрессии» необходимо по результатам

проведения N экспериментов определить значения всех (n + 1) ее коэффициентов.
 5

Эксперимент проводится для проверки гипотезы о том, что линейная модель

η= β0 +β 1 x1 + β 2 x 2 +.. . адекватна. Здесь греческие буквы – «истинные» значения

соответствующих неизвестных. Эксперимент, содержащий конечное число опытов,

позволяет только получить выборочные оценки для коэффициентов уравнения (7).
Их точность и надежность зависят от свойств выборки и нуждаются в
статистической проверке. Собственно коэффициенты
bj вычисляются по
формуле:
N
∑ x ji y i
i=1
b j= , j=0,1 ,. . . ,k
N (7)
Рассчитаем по ней значения b1 и b2 по данным последнего столбца табл.2:
Таблица 2 (копия)
№ опыта x1 x2 y Пример
1 –1 –1 y1 y1 = 4
2 +1 –1 y2 y2 = 3
3 –1 +1 y3 y3 = 5
4 +1 +1 y4 y4 = 8

1 1
b1 = [ (−1 ) y 1 + ( +1 ) y 2 + (−1 ) y 3 + ( +1 ) y 4 ]= (−4+3−5+8 )=0,5
4 4 ,
1 1
b2 = [ (−1 ) y 1 + (−1 ) y 2 + ( +1 ) y 3 + ( +1 ) y 4 ]= (−4−3+5+8 )=1,5
4 4
Для подсчета коэффициента b1 используется вектор-столбец х1, а для b2 –
столбец x2. Остается неясным, как найти b0 . Если уравнение y=b 0+b 1 x1 +b2 x 2 ,
справедливо, то оно верно и для средних арифметических значений переменных:
y=b 0+b 1 x1 +b2 x 2 . Но, по свойству симметрии, x 1 + x 2=0 и b0 = y
– это среднее
арифметическое значений yi. Например, из табл.2 b0 =0 , 25⋅(4 +3+5+8 )=5 . Чтобы
привести, эту процедуру в соответствие с формулой для вычисления
коэффициентов, в МПЭ удобно ввести вектор-столбец фиктивной переменной x0,
которая принимает во всех опытах значение +1. Это было уже учтено в записи
формулы, где j принимало значения от 0 до k. И в этом случае МПЭ для 2-х
факторов (3-х факторов) принимает общий вид табл.6 (табл.7):
Таблица 6
МПЭ для 2-х факторов
№ опыта x0 x1 x2 x1x2 y
1 +1 +1 +1 +1 y1
2 +1 –1 +1 –1 y2
3 +1 –1 –1 +1 y3
4 +1 +1 –1 –1 y4
 6

Таблица 7
МПЭ для 3-х факторов
№ опыта x0 x1 x2 x3 x1x2 x1x3 x2x3 x1x2x3 y
1 + – – + + – – + y1
2 + + – – – – + + y2
3 + – + – – + – + y3
4 + + + + + + + + y4
5 + – – – + + + – y5
6 + + – + – + – – y6
7 + – + + – – + – y7
8 + + + – + – – – y8

Чтобы гарантировать, что в выбранных интервалах варьирования отклик

описывается линейной моделью, необходимо сделать проверку его линейности.
Часто нелинейность связана с тем, что эффект одного фактора зависит от уровня,
на котором находится другой фактор. В этом случае говорят, что имеет место
эффект взаимодействия двух факторов. ПФЭ позволяет дать количественную его
оценку. Для этого надо, пользуясь правилом перемножения столбцов, получить
столбец произведения двух факторов. При вычислении коэффициента,
соответствующего эффекту взаимодействия, с новым вектор-столбцом можно
обращаться так же, как с вектор-столбцом любого фактора.
Для ПФЭ типа 22 матрица планирования с учетом эффекта взаимодействия
будет иметь вид табл.4 (при добавлении столбцов – эффектов взаимодействий все
свойства МПЭ сохраняются), а модель ПФЭ выглядит следующим образом:
y=b 0 +b 1 x1 +b2 x 2 +b12 x 1 x 2
Коэффициент b12 вычисляется обычным путем
1 1
b1 = [ ( +1 ) y 1 + (−1 ) y 2 + ( +1 ) y 3 + (−1 ) y 4 ]= (+4−3+5−8 )=−0,5
4 4 .
Столбцы x1 и x2 задают планирование – по ним непосредственно определяются
условия опытов, а столбцы x0 и x1x2 служат только для расчета и для минимизации,
если это возможно, эффектов взаимодействия.
Эффект взаимодействия двух факторов называется эффектом взаимодействия
первого порядка (двойной эффект). Эффект (столбец) взаимодействия x1x2x3 трех
факторов получается перемножением всех трех столбцов (табл.4) и называется
эффектом взаимодействия второго порядка (тройной эффект).
Поясним физический смысл эффекта взаимодействия следующим примером.
Пусть на некоторый химический процесс влияют два фактора: температура и время
реакции. В области низких температур увеличение времени увеличивает выход
продукта. При переходе в область высоких температур эта закономерность
нарушается. Здесь, напротив, необходимо уменьшать время реакции. Это и есть
проявление эффекта взаимодействия.
 7

Ортогональность матрицы планирования позволяет получить независимые

друг от друга оценки коэффициентов. Это означает, что величина любого
коэффициента не зависит от того, какие величины имеют другие коэффициенты.
Сказанное непосредственно следует из формулы (7), отражающей свойство
ортогональности МПЭ.
Дисперсия воспроизводимости опытов (ДВО). Реальные условия
проведения опытов ведут к наличию систематических и случайных погрешностей.
Систематические – это погрешности, величина которых одинакова во всех
измерениях. Их устраняют, например, калибровкой измерительного средства. Из-
за случайных погрешностей измеряемые значения различаются даже для
измерений, выполненных в одинаковых условиях. Для учёта случайных
погрешностей определяют ошибку воспроизводимости опытов путем повторных,
или параллельных испытаний в одинаковых условиях n раз.
Иллюстрацией сказанного является МПЭ типа 23, изображенная в табл.8 и
содержащая все необходимые данные для составления уравнения регрессии,
моделирующего процесс сварки ультразвуком. Здесь, в результате пяти
повторных опытов в каждом из 8 экспериментов измерено качество сварного шва
(y –отклик) при следующих крайних значениях влияющих на него факторов: А (65
75 у.е); статическое давление – Р (8,5 5,5 у.е); длительность ультразвукового
импульса (время сварки) – Т (0,4  0,5 у.е).

Разброс результатов повторных (параллельных) опытов, который м.б.

достаточно велик, оценивается так называемой дисперсией воспроизводимости
опытов этапами:
Таблица 8
y s2
Данные повторных опытов s
N x0 x1 x x3 x1x2 x1x3 x2x3 x1x2x3 A P T
2

1 + + + – + – – – 75 8,5 0,4 7,8 8,45 7,7 7,6 8,0 7,91 0,127 0,356
2 + – + – – + – + 65 8,5 0,4 1,8 2,5 2,0 1,8 1,6 1,94 0,141 0,376
3 + + – – – – + + 75 5,5 0,4 5,3 5,7 6,2 5,8 6,2 5,83 0,134 0,366
4 + – – – + + + – 65 5,5 0,4 4,3 4,2 5,0 4,9 4,6 4,60 0,125 0,354
5 + + + + + + + + 75 8,5 0,5 9,7 10,4 10,4 10,9 10,9 10,46 0,462 0,680
6 + – + + – – + – 65 8,5 0,5 4,2 4,4 4,0 4,4 3,8 4,17 0,092 0,303
7 + + – + – + – – 75 5,5 0,5 3,7 3,4 4,0 3,6 4,1 3,75 0,086 0,293
8 + – – + + – – + 65 5,5 0,5 4,1 5,1 4,8 5,1 4,5 4,72 0,195 0,442

1. Вычисляется среднее значение

ȳ j параметра в j –том повторном опыте:
n
∑ y ( j) i
ȳ( j)= i=1
, n (8)
Например, результаты пяти опытов 1-го эксперимента (1-я строка табл.8):
 8

y(1)1=7,8
; y( 1) 2=8,45 ; y( 1) 3=7,7 ; y( 1) 4 =7,6 ; y( 1) 5=8,0 и по формуле (8) имеем:
5
∑ y( 1) i
7,8+ 8,45+7,7+7,6+8,0
ȳ( 1)= i=1 = =7 , 91
5 5
Расчеты по остальным группам опытов записаны в столбец y табл.8.

2. Расчитывается дисперсия воспроизводимости опытов (ДВО). Поскольку

данным в строке 1 столбца «Данные повторных опытов» табл.8 можно доверять
только, если они распределены по нормальному закону, то далее необходимо
y − ȳ
оценить их разброс от среднего ( ( j) i ( j) ) . Значительный разброс называется
«браком». В качестве оценки разброса и используется ДВО, или среднее значение
квадрата отклонений измеренного отклика от его средней величины. В ТПЭ эта
2
дисперсия называется стандартом и обозначается s . Для j-й серии опытов
стандарт вычисляется по формуле:
n
∑ ( y( j)i − ȳ( j))2
s 2( j )= i=1
(9) n−1
где ( n−1 ) – число степеней свободы экспериментального определения
дисперсии воспроизводимости. С точностью до обозначений формула 9
представляет собой формулу 1-12,а.
Число степеней свободы опытов – это разность между числом опытов (N) и
числом коэффициентов, которые уже вычислены по результатам этих опытов
(причем вычислены независимо друг от друга).
Далее, если крайние значения откликов в очередной серии из 5 опытов не
будут «забракованы», то и остальным трем значениям этой серии можно доверять.
В формуле (8) число степеней свободы экспериментального определения
среднего значения результатов опытов равно ровно n , так как данные
экспериментов здесь полностью «свободны», то есть ничем не связаны. При
вычислении же дисперсии воспроизводимости данные эксперимента связаны
величиной среднего ( ȳ ), которая входит в формулу определения дисперсии (9) и
является причиной вычитания из n единицы.
Итак, вычисляем ДВ для 1-й группы опытов:
( 7,8−7 , 92 )2 + ( 8 , 45−7 ,92 )2 + ( 7,7−7 ,92 )2 + ( 7,6−7 ,92 )2 + ( 8,0−7 , 92 )2 0 ,508
s 2(1)= = =0 ,127
5−1 4
Расчеты ДВО и СКО воспроизводимости опытов ( √ s2 ) по остальным
2
экспериментам записаны в столбцы s и табл.8. Величину s используют для
оценки «брака» по критерию Стьюдента ( t ) для крайних ( y max =8,5 ) и ( y min =7,6 )
значений откликов в 1-й серии из пяти опытов. Значение t расчитывается по
формуле:
yi − ȳ
t=
s (10)
 9

y =8,5 )
Поскольку результаты опытов ( max и ( y min =7,6 ) поставлены под
сомнение, исключаем их из расчета и по остальным опытам проводим вычисление
среднего арифметического и стандарта. По формулам (8 и 9) имеем:
3
∑ yi
7,8+7,7+ 8,0
ȳ= i=1 = =7 ,833
3 3
( 7,8−7 , 833 )2 + ( 7,7−7 , 833 )2 + ( 8,0−7 , 833 )2 0 , 04669
S 2= = =0 ,02334
3−1 2
Таким образом, стандарт равен: S= √0,02334=0,1528 и расчет по формуле (10)
критерия t для значений ( y max =8,5 ) и ( y min =7,6 ) дает:
y max − ȳ 8 , 45−7 ,833
t max = = =4 , 038<4 , 303
S 0 ,1528
y − ȳ 7,6−7 , 833
t min= min = =1 ,525<4 , 303
S 0 , 1528
Поскольку оба значения ( t max и t min ) меньше табличного
(4,303),
полученного при уровне значимости 0,05 и числе степеней свободы 2, то гипотезу
«брак» отвергаем. Аналогичные расчеты для других серий опытов позволяют
убедиться в полном отсутвии «брака».
Формула Бесселя, вывод которой дан выше, может быть использована для
получения более достоверных данных о величине y i в отдельном опыте (то есть
несколько измерений соответствуют одному опыту), но не может заменить самих
повторных опытов.