Оглавление

Введение, цель и задачи работы................................................................................3

1. Теоретическая часть..............................................................................................6
2. Этапы выполнения работы...................................................................................8
2.1 Установка параметров....................................................................................8
2.2 Реализация рабочей матрицы планирования и проведение опытов..........8
2.3 Проверка однородности и воспроизводимости по критерию Кохрана........9
2.4 Расчет коэффициентов регресси.................................................................10
2.5 Оценка значимости коэффициентов по критерию Стьюдента.................10
2.6 Составление уравнения регрессии..............................................................11
2.7 Проверка адекватности уравнения регрессии по критерию Фишера......11
2.8 График влияния х2 на модель......................................................................12
3. Вывод...................................................................................................................13
Список литературы....................................................................................................14
 3

Введение, цель и задачи работы

Планирование эксперимента включает ряд этапов.
1. Установление цели эксперимента (определение характеристик, свойств
и т. п.) и его вида (определительные, контрольные, сравнительные,
исследовательские).
2. Уточнение условий проведения эксперимента (имеющееся или
доступное оборудование, сроки работ, финансовые ресурсы, численность и
кадровый состав работников и т. п.). Выбор вида испытаний (нормальные,
ускоренные, сокращенные в условиях лаборатории, на стенде, полигонные,
натурные или эксплуатационные).
3. Выявление и выбор входных и выходных параметров на основе сбора и
анализа предварительной (априорной) информации. Входные параметры
(факторы) могут быть детерминированными, то есть регистрируемыми и
управляемыми (зависимыми от наблюдателя), и случайными, то есть
регистрируемыми, но неуправляемыми. Наряду с ними на состояние
исследуемого объекта могут оказывать влияние нерегистрируемые и
неуправляемые параметры, которые вносят систематическую или случайную
погрешность в результаты измерений. Это — ошибки измерительного
оборудования, изменение свойств исследуемого объекта в период
эксперимента, например, из-за старения материала или его износа, воздействие
персонала и т. д. [2]
4. Установление потребной точности результатов измерений (выходных
параметров), области возможного изменения входных параметров, уточнение
видов воздействий. Выбирается вид образцов или исследуемых объектов,
учитывая степень их соответствия реальному изделию по состоянию,
устройству, форме, размерам и другим характеристикам.
На назначение степени точности влияют условия изготовления и
эксплуатации объекта, при создании которого будут использоваться эти
экспериментальные данные. Условия изготовления, то есть возможности
производства, ограничивают наивысшую реально достижимую точность.
Условия эксплуатации, то есть условия обеспечения нормальной работы
объекта, определяют минимальные требования к точности.
Точность экспериментальных данных также существенно зависит от
объёма (числа) испытаний — чем испытаний больше, тем (при тех же условиях)
выше достоверность результатов.
Для ряда случаев (при небольшом числе факторов и известном законе их
распределения) можно заранее рассчитать минимально необходимое число
испытаний, проведение которых позволит получить результаты с требуемой
точностью.
5. Составление плана и проведение эксперимента — количество и
порядок испытаний, способ сбора, хранения и документирования данных.
Порядок проведения испытаний важен, если входные параметры
(факторы) при исследовании одного и того же объекта в течение одного опыта
 4

принимают разные значения. Например, при испытании на усталость при

ступенчатом изменении уровня нагрузки предел выносливости зависит от
последовательности нагружения, так как по-разному идет накопление
повреждений, и, следовательно, будет разная величина предела выносливости.
В ряде случаев, когда систематически действующие параметры сложно
учесть и проконтролировать, их преобразуют в случайные, специально
предусматривая случайный порядок проведения испытаний (рандомизация
эксперимента). Это позволяет применять к анализу результатов методы
математической теории статистики.
Порядок испытаний также важен в процессе поисковых исследований: в
зависимости от выбранной последовательности действий при
экспериментальном поиске оптимального соотношения параметров объекта или
какого-то процесса может потребоваться больше или меньше опытов. Эти
экспериментальные задачи подобны математическим задачам численного
поиска оптимальных решений. Наиболее хорошо разработаны методы
одномерного поиска (однофакторные однокритериальные задачи), такие как
метод Фибоначчи, метод золотого сечения.
6. Статистическая обработка результатов эксперимента, построение
математической модели поведения исследуемых характеристик.
Необходимость обработки вызвана тем, что выборочный анализ
отдельных данных, вне связи с остальными результатами, или же некорректная
их обработка могут не только снизить ценность практических рекомендаций, но
и привести к ошибочным выводам. Обработка результатов включает:
 определение доверительного интервала среднего значения и
дисперсии (или среднего квадратичного отклонения) величин
выходных параметров (экспериментальных данных) для заданной
статистической надежности;
 проверка на отсутствие ошибочных значений (выбросов), с целью
исключения сомнительных результатов из дальнейшего анализа.
Проводится на соответствие одному из специальных критериев,
выбор которого зависит от закона распределения случайной
величины и вида выброса;
 проверка соответствия опытных данных ранее априорно
введенному закону распределения. В зависимости от этого
подтверждаются выбранный план эксперимента и методы
обработки результатов, уточняется выбор математической модели.
Построение математической модели выполняется в случаях, когда
должны быть получены количественные характеристики взаимосвязанных
входных и выходных исследуемых параметров. Это — задачи аппроксимации,
то есть выбора математической зависимости, наилучшим образом
соответствующей экспериментальным данным. Для этих целей применяют
регрессионные модели, которые основаны на разложении искомой функции в
ряд с удержанием одного (линейная зависимость, линия регрессии) или
нескольких (нелинейные зависимости) членов разложения (ряды Фурье,
 5

Тейлора). Одним из методов подбора линии регрессии является широко

распространенный метод наименьших квадратов. [3]
Для оценки степени взаимосвязанности факторов или выходных
параметров проводят корреляционный анализ результатов испытаний. В
качестве меры взаимосвязанности используют коэффициент корреляции: для
независимых или нелинейно зависимых случайных величин он равен или
близок к нулю, а его близость к единице свидетельствует о полной
взаимосвязанности величин и наличии между ними линейной зависимости.
При обработке или использовании экспериментальных данных,
представленных в табличном виде, возникает потребность получения
промежуточных значений. Для этого применяют методы линейной и
нелинейной (полиноминальной) интерполяции (определение промежуточных
значений) и экстраполяции (определение значений, лежащих вне интервала
изменения данных).
7. Объяснение полученных результатов и формулирование рекомендаций
по их использованию, уточнению методики проведения эксперимента.
Снижение трудоемкости и сокращение сроков испытаний достигается
применением автоматизированных экспериментальных комплексов. Такой
комплекс включает испытательные стенды с автоматизированной установкой
режимов (позволяет имитировать реальные режимы работы), автоматически
обрабатывает результаты, ведет статистический анализ и документирует
исследования. Но велика и ответственность инженера в этих исследованиях:
четкое поставленные цели испытаний и правильно принятое решение
позволяют точно найти слабое место изделия, сократить затраты на доводку и
итерационность процесса проектирования. [2]

Цель и задачи работы

Построить матрицу планирования в соответствии с вариантом задания,
провести эксперимент на объекте. Проверить однородность дисперсии опытов
по критерию Кокрана. Рассчитать коэффициенты регрессии. Оценить
значимость коэффициентов регрессии по критерию Стьюдента. Составить
уравнение регрессии с учетом значимости его коэффициентов. Проверить
адекватность полученного уравнения регрессии по критерию Фишера.
Результатом полученных расчетов должна быть математическая модель в виде
полинома. Построить график зависимости двух наиболее значимых факторов
на выходную величину.
 6

1. Теоретическая часть
Для моделирования статических объектов широко используют
математические модели в виде полиномов второго порядка, с достаточной
точностью описывающие поведение объекта. В общем виде модель можно
представить в виде:
y=φ ( X ) +ε ,
где φ() - функция, учитывающая степень влияния входящих в неё переменных;
X - вектор факторов; ε- остаточная случайная компонента.
Аппроксимируем функцию φ() регрессионной зависимостью и будем
искать её в классе нелинейных функций - полиномов второго порядка вида:
n n n
y=β 0 + ∑ β i zi + ∑ β il z i z l + ∑ β ii z 2i +ε ,
i=1 i ;l=1 i=1
i<1

где Z - вектор нормированных факторов; β - вектор теоретических

коэффициентов регрессии; n - общее число факторов.
Для получения квадратичных моделей пользуются результатами
эксперимента, проведенного по плану второго порядка. Если выполняются
условия:
1. ошибки наблюдений распределены по нормальному закону с
нулевым средним и конечной дисперсией;
2. входные переменные измеряются без ошибок;
3. наблюдения независимы,
- то для обработки экспериментальных данных применяют метод
регрессионного анализа, причем вычислительная процедура оценивания
неизвестных коэффициентов уравнения регрессии основана на методе
наименьших квадратов.
Планы второго порядка отличаются от линейных планов тем, что
факторы варьируют на нескольких уровнях, минимум на трех. При построении
планов второго порядка, описывающих почти стационарную область,
учитывается идея шагового эксперимента, в связи с чем используют
центральные композиционные (т.е. строящиеся последовательно) планы (ЦКП),
состоящие из трех блоков, включающих:
1. точки полного или дробного факторного эксперимента Nф = 2n ;
2. «звездные» точки (план типа «креста») Nα = 2n ;
3. нулевые (центральные) точки N0 .
Общее число N точек ЦКП определяется формулой N = Nф + Nα + N0.
Композиционность планов позволяет сэкономить некоторое число опытов.
При построении планов используют различные критерии оптимальности
планирования. Наиболее широкое применение получили следующие планы:
1. ортогональные;
2. ротатабельные;
3. D-оптимальные.
 7

При ортогональном планировании коэффициенты уравнения регрессии

оцениваются независимо с минимальными дисперсиями, причем факторы с
незначимыми коэффициентами можно сразу отбрасывать, без пересчета
оставшихся значимых коэффициентов, как это необходимо при
неортогональных планах.
Ротатабельные планы позволяют получать уравнения регрессии,
предсказывающие значения выходной величины объекта с одинаковой
точностью во всех направлениях на одинаковом расстоянии от центра плана.
Точность оценивания коэффициентов регрессии характеризуется
эллипсоидом рассеяния их оценок. Планирование, при котором требуется,
чтобы объем эллипсоида рассеяния оценок коэффициентов был минимальным,
называется D-оптимальным.
Планирование эксперимента (англ. experimental design techniques) —
комплекс мероприятий, направленных на эффективную постановку опытов.
Основная цель планирования эксперимента — достижение максимальной
точности измерений при минимальном количестве проведенных опытов и
сохранении статистической достоверности результатов. [1]
 8

2. Этапы выполнения работы

2.1Установка параметров
Уровни варьирования для задания по варианту 14:
x1max=20; x1min=-5;
x2max=6; x2min=0;
Общее количество точек ЦКП N=Nφ+Nα+N0 , где
Nφ=2n - точки полного или дробного факторного эксперимента;
Nα=2n - «звездные» точки;
N0 - нулевые (центральные) точки.
Величина звездного плеча α = 1,0.
Тип матрицы планирования ОЦКП.

Таблица1 Факторы
Факторы Xi X1 X2 Априорные
сведения
Базовый уровень Xi0 10 3 β11=0
Интервал варьирования ΔXi 25 6 β22=0
Верхний уровень XiD 20 6 β33=0
Нижний уровень XiL -5 0

2.2Реализация рабочей матрицы планирования и проведение опытов

Для данной матрицы планирования было проведено 5 опытов на основе
данных приведенных в таблице 1. Полученные данные были
рандомизированны и приведены в таблице 2.

Таблица 2 Матрица планирования и результаты расчета оценок коэффициентов регрессии

Матрица планирования и результаты расчета оценок коэффициентов регрессии
k1 k2 k3 k4 k5 z0 z1 z2 z1 z2
1 6 39 41 19 +1 -1 -1 +1
33 2 24 15 5 +1 +1 -1 -1
13 29 37 28 36 +1 -1 +1 -1
18 34 20 32 30 +1 +1 +1 +1
9 8 14 7 25 +1 -1 0 0
12 4 23 42 21 +1 +1 0 0
10 31 43 38 22 +1 0 -1.0 0
44 45 3 40 11 +1 0 +1.0 0
16 17 35 26 27 +1 0 0 0

Рандомизация проводилась в программе MathCAD c помощью

встроенных функций, в результате получилась матрица перемешанных
случайным образом 45 чисел, которые в дальнейшем будут означать порядок
проведения опытов рис.3.1 .
 9

Рис.3.1. Программа для проведения рандомизации

2.3 Проверка однородности и воспроизводимости по критерию

Кохрана
После получения результатов опытов, были вычислены среднее значение
выходной величины и дисперсии для каждого опыта.
Дисперсия для каждого ygki находиться как сумма разностей членов
вектора и его математического ожидания или встроенной функцией var. После
нахождения дисперсий они объединяются в вектор и с помощью функции max
была найдена наибольшая дисперсия, которая пригодится для вычисления
критерия Кокрана. Критерий Кокрана находиться как отношение наибольшей
дисперсии к сумме всех дисперсий.

Таблица 3 Результаты наблюдений и проверки воспроизводимости эксперимента

Результаты наблюдений и проверки воспроизводимости эксперимента

ygk1 ygk2 ygk3 ygk4 ygk5

1.894 1.834 1.937 1.824 1.924 1.883 4.103
1.116 1.106 1.113 1.098 1.094 1.105 4.126
7.263 7.433 7.473 7.407 7.395 7.394 4.192
1.681 1.827 1.799 1.844 1.813 1.793 4.211
2.140 2.134 2.100 2.138 2.127 2.128 4.149
1.299 1.334 1.388 1.382 1.377 1.356
3.361 3.407 3.456 3.358 3.498 3.416
1.037 1.051 1.062 1.036 1.053 1.048
5.247 5.013 5.118 5.258 5.158 5.159

20.78

4.211
 10

Продолжение таблицы 3
G 0.203

10
[%]
4

0,3066

Вывод Гипотеза об однородности подтверждена.

Вычисленный критерий Кокрана оказался меньше критического

значения, это означает что, вычисленное по данным эксперимента
(эмпирическое) значение критерия G окажется меньше критического значения
Gкр, для ν1вос = m – 1 и ν2вос = N и выбранного уровня значимости p (обычно p =
0.05), то гипотеза об однородности выборочных дисперсий отвечает
результатам наблюдений и таким образом, нет необходимости повторять опыт.
Результаты вычислений приведены в таблице 3.
2.4Расчет коэффициентов регресси
После того, как подтвердился критерий Кокрана, были вычислены оценки
коэффициентов bi (см. таблица 2). Они находятся по следующей формуле:
N N
b i=∑ z 2ig y / ∑ zig2 ,
g=1 g=1

где Zi,g - элемент матрицы планирования, yg – среднее значение строки, g –

номер строки, N – количество опытов.
Результаты оценок коэффициентов приведены в таблице 4.

Таблица 4 Оценки коэффициентов регрессии

Оценки коэффициентов регрессии
b0
2.809
b1
2.61
b2
2.773
b3 3.008
b4 2.845

2.5Оценка значимости коэффициентов по критерию Стьюдента

После нахождения, оценок коэффициентов необходимо рассчитать их
дисперсии, они рассчитываются по формуле:
N
s2 { bi } =s 2вос { y } / m ∑ z 2ig ,
g=1

где находиться по формуле:

 11
N
1
s2вос { y }=
N
∑ s2g { y }
g=1

2.6Составление уравнения регрессии

Для оценки значимости коэффициентов необходимо рассчитать
коэффициент Стьюдента и сравнить с критическим значением из таблицы.
Критическое значение равно 1,6883. Расчет коэффициента Стьюдента
рассчитывается как отношение модуля bi к квадратному корню из дисперсии bi.
Если вычисленный коэффициент меньше критического, то он признается
незначимым (не оказывает значимого влияния на модель) и его можно
положить равным 0, иначе он является значимым и им пренебрегать нельзя.
Результаты расчетов и выводы по каждому коэффициенту приведены в
таблице 5.

Таблица 5 Проверка значимости коэффициентов регрессии

Проверка значимости коэффициентов регрессии
10 0.051 0.077 0.77 0.236 0.236
[%]
36 0.225 0.277 0.277 0.485 0.485

1,688 12.401 9.407 9.996 6.198 5.861

t
3

2.309 Вывод Значим Значим Значим Значим Значим

Уравнение регрессии d
2 2 5
Y( x1x2)  b0  b1 x1  b2 ( x1)  b3 ( x2)  b4 ( x2)

2.7Проверка адекватности уравнения регрессии по критерию Фишера

После составления уравнения регрессии необходимо проверить его на
адекватность. Проверка гипотезы об адекватности, по сути дела состоит в
выяснении однородности между дисперсией адекватности и оценкой дисперсии
воспроизводимости отклика. Если эти оценки дисперсий однородны, то
математическое описание опыта адекватно представляет результаты опыта;
если же нет, то описание считается неадекватным. Проверка гипотезы об
адекватности происходит с помощью F-критерия(Фишера). Критерий Фишера
находиться как отношение и .
Вычисленное по результатам наблюдений F меньше критического
значения, т.е. гипотезу об адекватности не отвергаем. Результаты расчетов при
проверке на адекватность представлены в таблице 6.

Таблица 6 Проверка адекватности модели

Проверка адекватности модели
 12

2 0.014
1 0.011
7 0.155
2 0.043
2 0.016
1 0.127
3 0.173
1 0.002
5 0.025
1.281

0.945

F 0.409

10
[%]
4

36

Fкр 2.64
Вывод Гипотезу не отвергаем

2.8График влияния х2 на модель

800
752.076

600

Y ( x1 0)
Y ( x1 2.5)
Y ( x1 4) 400
Y ( x1 5)

200

19.121
0
0 5 10 15
2 x1 15

Рис.3.2 Влияние фактора х2 на модель

На рисунке 3.2 видно как фактор x2 влияет на модель. Для изображения

влияния фактора было задано уравнение модели и последовательно изменялось
значение фактора в пределах интервала варьирования.
 13

3. Вывод
По ходу выполнения курсовой работы произошло знакомство с
планированием и осуществлением эксперимента. На основе полученных
заданий был спланирован и проведен эксперимент над данной моделью,
рассчитаны коэффициенты модели, проверена адекватность по критерию
Фишера, воспроизводимость модели и значимость коэффициентов модели по
критерию Стьюдента.
Проведенные расчеты показали, что модель адекватна, все коэффициенты
оказывают влияние на модель.
 14

Список литературы
1. Ходасевич Г.Б. Планирование эксперимента - URL:
Http://opds.sut.ru/old/electronic_manuals/pe/f042.htm - Дата обращения :
24.03.2013
2. Надежность и эффективность в технике. Т.6. Экспериментальная отработка и
испытания. – М.: Машиностроение, 1989.
3. Таблицы планов эксперимента для факторных и полиномиальных моделей
/Под ред. В.В. Налимова. – М.: Металлургия, 1982.