06 RSM（响应表面方法介绍）.ppt

响应表面方法介绍 响应表面方法论 RSM 能做什么? 确定作为输入参数函数的平均输出参数 工程和产品设计最佳化 在什么地方RSM 成为适合的工具包？ （部分）阶乘设计的扩展 （多重 ）回归的特殊情况 1-维 概述 当我们有单个的 KPIV时, 我们可以容易地看到 KPIV与 KPOV的相互关系 1-维 匹配模型KPIV / KPOV 最优化 我们可以匹配着数据画一条线，并确定提供最佳 KPOV 值的KPIV 水平 2-维 概述 不是只有单个的 KPIV, 我们现在有 2 个KPIV (X1 和 X2) 例如：温度，浓度 现在我们可以匹配画出 响应表面 一些问题: 实验的设计 选择的因子水平 匹配 影响 交互作用 弯曲 模型 最佳化 2-维举例 (模拟) 2个 KPIV’s 温度和浓度 单个响应 (KPOV) 收益 模型: 收益 = F( 温度，浓度 ) + 误差 变量范围 (开始推测): 温度: 100 到 110 浓度: 4.0 到 5.0 偷看一下 “答案” ? 2-D 表面图 2-D 等高线 图 一次一个变量法 一次一个变量法只 能发现局部最佳化 设计一个实验 传统的智慧 (开始推测): 温度: 100 到 110 浓度: 4 到 5 初始设计: 带有中心点的 2个水平的阶乘 (6次循环) 初始阶乘设计 一旦我们完成第一次 DOE, 我们可以通过后续实验开始绘制表面图 连续实验法 如果几乎无弯曲, 那么一次模型对决定最适宜的区域是充分的 然而, 如果存在弯曲, 则必须采用高次模型来确定最适宜的设置 设计的顺序组合 示例 目 的: 找出产生最高收益的时间和温度的设置 最佳已知的条件: 时间 = 75 分钟 温度 = 130 度 2因子实验的起点: 时间: Lo = 70 分钟; Hi = 80 分钟 温度: Lo = 127.5 度; Hi = 132.5 度 第一步: 把变量从原始值编码成 +1, 0和 -1 输入变量编码 (因子) 为这个例子编码 从编码变量获得自然分数 建立数据表 编码变量 一次模型 我们首先运行一次模型看情况如何 你需要用Analyze Custom Design选项，并规定全阶乘模型 (主要影响和交互作用) 一次模型 运行响应表面模型 让我们用同样的数据在简化的模型上运行响应表面模型 响应表面结果 作等高线图 等高线图 作表面图 表面图 设定确定急剧上升轨迹的阶段 线的方程 急剧上升的轨迹: 决定点 本示例 产生轨迹点 阶乘和到此为止的 PSA图 下一个实验: BHHRSM2.MTW 作为以前实验函数的新设计 分析新设计 注意在此没有任何显著的影响 没有交互作用或弯曲的影响 这也许是因为我们正处在响应表面的顶端 现在我们要增加一些“星点”来产生一个模型，用以测试显著的二次影响并扩展实验区域 BHHRSM3.MTW 向设计中增加这些新点 BHHRSM3.MTW 等高线和表面图 曲线的最高点 放大图 放大图 - #2 鞍点 练习 用抛射器完成 Box-Behnken 设计，并运行表面响应分析 输出: 距离 输入: 选择三个输入 每个队应该用 Powerpoint发表结果 战略 如果以知的信息不多, 一次和筛选研究将获得好的大的收益 如果以知的信息很多, 用更详细的设计来研究极限值 从一次 (阶乘) 设计开始 如果有显著的主要影响但无交互作用或弯曲, 则探究急剧上升的轨迹 如果有交互作用, 将下一个实验中心点移动到设计的 “最佳”角落 如果有弯曲影响, 增加星点并进行响应表面特性分析 当一次模型没有给出清楚的指南, 转换到二次模型 参考书 Box, Hunter Hunter: Chapter 15 Douglas Montgomery, “Design and Analysis of Experiments”, Chapter 16 George Box Norman Draper, “Empirical Model Building and Response Surfaces”, Wiley, 1987 概要 RSM 能做什么? 确定作为输入参数函数的平均输出参数 工程和产品设计最佳化 在什么地方RSM 成为适合的工具包？ （部分）阶乘设计的扩展 （多重 ）回归的特殊情况 收益 时间 温度 78.8000 80 140 84.5000 100 140 91.2000 80 150 77.4000 100 150 89.7000 90 145 086.8000 90 145 在分析急剧上升轨迹(最高点 时间 = 90; 温度 = 144.4)的基础上，我们为