试验设计与近似建模.ppt

试验设计及近似建模 目的 试验设计方法 近似建模方法 试验设计及近似建模目的 试验设计（Design of Experiments， DOE） 用尽可能少的试验次数获得足够多的信息； 研究各试验因素对目标的影响规律，寻找最佳试验条件，使试验目标值最优。 近似建模（Approximation Modeling ） 为优化设计提供目标函数和约束函数的近似模型。 DOE方法概述 全, 部分因素试验设计 (p 个水平)(k 个因子); 例如. 2k, 3k 正交试验设计 田口矩阵; 例如 L4, L8, L9, … Plackett-Burman # 因子 = # 点 - 1, # 点是4的倍数 中心复合试验设计 (CCD) 5 个水平, 2阶响应面 Box Behnken 拉丁方试验设计 # 水平 = # 点 3 # 因子+1 参数试验设计 研究某个变量对目标的效果，适用于变量间影响不大的场合。 DOE – 全因素试验 最基本的设计方法: 2 个水平的全因子: 2k (k 个因子) 主效应 (线性, X1, X2, X3), 交互效应 (X1X2, X1X3, X2X3, X1X2X3) DOE – 部分因素试验 最基本的设计方法: 2 个水平的全因子: 2k (k 个因子) 主效应 (线性, X1, X2, X3), 交互效应 (X1X2, X1X3, X2X3, X1X2X3) 对于三个因子，可以从? 因子 – 2k-1得到 主效应 信息 DOE -中心复合试验设计 中心复合设计（Central Composite Design） 两水平全阶乘设计，一个中心点，每个因素有两个星（“star”）点 在研究更高阶作用时有用 比正交数组运行的次数更多 DOE – 拉丁方 Latin Hyper Cube 拉丁方 DOE – 拉丁方 Latin Hyper Cube 拉丁方 设计空间均匀采样 (每个因子都有n个水平) 随机组合水平，指定n个点 (每个因子水平只研究一次) 每个因子可以研究更多点和更多组合 # 水平 = # 点 3 # 因子+1 DOE – 正交数组 Orthogonal Arrays 正交数组 Taguchi田口和 Plackett-Burman 数组 (L4, L8, L9, …) 因子 (1/2, 1/4, 1/8) 精心选择因子，保证因子的正交性 用最少的运算次数，得到最多的信息 对给定的数组添加更多的因子，减少结果分析的分辨率 正交试验设计 3因素3水平正交试验布点示意图 特点：均匀分散、整齐可比 正交表安排试验的优点 因素之间搭配均匀，任一因素各水平出现的次数相同；当考虑某一因素的影响时，其他各因素对试验指标的影响基本相同，最大限度地排除了其他因素的干扰，突出了被考察因素的主效应； 相对于全面试验而言，正交试验只是部分试验，但对其中任何两因素来说，它又是具有相同重复次数的全面试验，试验工作量减少了，但得到的试验结果仍能基本上反映全面情况。因此可以认为正交实验结果能基本体现因子间交互作用。 均匀试验设计 正交设计至少要作q2次试验（q为水平数）。在实验费用很昂贵的情况下，正交实验的次数仍嫌多。 均匀设计利用数论从所有可能的方案中寻找有代表性的、均匀分散的点（列成均匀设计表）进行试验，然后用回归分析的方法建立实验因素与目标值之间的数学模型，再利用最优化理论寻找最优实验条件。 为什么均匀设计比正交设计试验量小？ 正交表为了保持“整齐可比”，要求各因素各水平出现次数相同，以最大限度排除其他因素的影响，突出被考察因素的作用。这样只要简单地比较因素在各水平时的指标平均值就能判断因素影响的大小，其实验数据处理简单。 均匀设计中不刻意保持“整齐可比”，而将实验点分布均匀性作为设计实验的基本出发点，用规格化的均匀设计表来安排试验。其最突出的优点是，实验点均衡地分布在整个实验区内，用更少的有代表性的实验点进行实验，就可以找到最佳的实验条件。实验因素数和因素水平数越多，其优越性越突出。 均匀设计表 的含义： U—均匀设计表； n—试验次数； q—水平数； s—均匀设计表的列数（即最多可考虑的因子数）。 采用偏差度D(discrepancy)—描述均匀度的 偏差。 均匀设计表的特点： （1）有U与U*两种均匀设计表， U*比U表有更好的均匀性。但在实验次数固定时，U表可安排的因素比U*多。 （2）每个因素的每个水平仅做1次试验。 （3） 任两个因素的试验点点在平面的格子点上，每行每列有且仅有一个试验点。 （4）均匀设计表任意两列组成的试验方案一般不等价。 （5）