高老师讲座实验设计与优化-响应面分析.ppt

专题讲座实验设计与优化--响应面分析;第一部分 影响因素的筛选第二??分 响应面优化;问题的提出;问题的提出;第一部分 影响因素的筛选;Plackett-Burman设计是二水平的部分试验设计，通过对每个因子取两水平来进行分析（析因分析），通过比较各个因子两水平之间的差异来确定因子的显著性（显著性分析）。;程序： 将实验中可能的所有影响因素都列出； 每因素取两个水平，-1，+1，低水平与高水平； 确定响应值； 进行实验设计：用Design-Expert软件辅助完成； 回归模型方差分析：显著性与相关性检验 关键影响因子的确定：显著性检验。 ;案例：Plackett-burman设计法筛选超声波提取苹果多酚工艺的主要影响因子 ;进行实验设计：用Design-Expert软件辅助完成。 测定响应值。;析因分析：运行Design-Expert，建立多元回归方程（模型）。 两个重要参数：回归方程达到显著(p=0.04300.05，方差分析），决定系数R=0.9995，这表明99.95%的试验数据的变异性可用此回归模型来解释。;显著性分析（t检验） 表4表明：对超声波提取苹果多酚影响显著的因子有温度(p=0.0334、乙醇体积分数(p=0.0241)和提取次数(p=0.0237）。; 检验方法：如果A和B差异源于小概率事件（随机误差），则不发生，概率?（p）即为显著水平，通常? （p）取0.05。p 0.05即判为显著性。;PB试验的关键问题：各因素的水平如何取？也就是编码表中的 -1和+1分别取多少？;PB试验的关键问题：各因素的水平-1和+1如何取？; 每个因子取高、低两个水平（-1和+1），通常，低水平为原始条件，高水平约取低水平的1.25~1.5倍左右，一般不超过2倍。 但对某些因子，高低水平的差值不能过大，以防掩盖了其它因子的重要性，应依据实验条件而定。 当缺乏可参考的数据时，对需结果进行研判，对负显著和不显著的因素需考虑是否是因为设计不合理造成，负显著则需减小水平值，不显著可能的原因是取值过低或取值在B段。 ;在进行PB试验前，需进行最陡爬坡试验，目的在于找出因素水平的-1和+1点，保证结果的准确性。 最陡爬坡法两个问题，一是爬坡的方向，二是爬坡的步长。方向根据效应的正负就可以确定：如果某个因素是正效应，那么爬坡时就增加因素的水平；反之，即减少因素水平（倒爬）。根据因素的效应值设定步长：对应效应大的因素，步长应小一些；效应小的因素，步长应大一些。 爬坡实验的次数是根据需要确定的，如果四次实验还没有确定最大值，即趋势还是增加，那么就有必要进行第五次、第六次实验，直至确定出爬坡的最大值，即趋势开始下降。;第一部分 影响因素的筛选;问题的提出：传统的设计和优化方法，如正交试验已远远不能满足实验设计与优化的需求，需要新的设计优化方法。 传统的方法不能给出因素与响应值之间的数学关系即所谓模型这一核心问题，尤其是多因素多变量问题，通常为非线性体系。 为解决多变量非线性研究中实验量与准确的结果之间矛盾，需更加精确，又高效合理的设计优化方法。 多因素与响应值之间的精确数学关系，可通过多元回归分获得，数学模型不具备可视化的特点，难以进行直观的判断和优化，因此需建立建立可视化的优化方法。;响应法（Response Surface Methodology，RSM）结合了特定数学与统计方法之集合所衍生出的方法论，其目的在协助研究人员对科学系统或工业制程中最佳产品设计、制程改善、系统最佳化等问题提供一套分析、求解程序，尤其是当系统特性受大量非线性变量影响，解决多变量问题的一种可视化统计方法。;特点 用适当选取实验设计的方法来拟合和分析响应面会带来极大的方便。在选择响应面的设计时，理想设计的特点如下： (1)在所研究的整个区域内能够提供数据点的合理分布; (2)容许研究模型的适合性，包括对拟合不足; (3)容许分区组进行实验 (4)容许逐步建立较高阶的设计 (5)提供内部的误差估计量 (6)不需要大量的试验，确保模型参数计算的简单性。 ;第二部分 响应面分析;正交设计，具有“均匀分散，整齐可比”的特点，不能保证最佳点的准确性。 不能保证数学模型的准确性、预测性。;中心复合设计（星点设计，Central Composite Designs，CCD）是应用得最为广泛的试验设计方法。 理解的关键 CCD设计布点 中心点：点数要足够多，保证中央点 即最佳点的准确性。 析因点：构建多元回归模型，一个立方体的2K顶点，连续性。 轴点：延展性，带有参数α的2k个轴向点，不需要准确性。;Box-Behnken设计(BBD);Box-Behnken设计(BBD)和均匀外壳设计，;第二部分 响应面分析;实验设