Методы планирования эксперимента. Планирование экспериментов Планирование эксперимента на примерах

Планирование эксперимента

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.

Планирование эксперимента применяется при поиске оптимальных условий, построении интерполяционных формул, выборе значимых факторов, оценке и уточнении констант теоретических моделей и др.

История

Планирование эксперимента возникло в 20-х годах XX века из потребности устранить или хотя бы уменьшить систематические ошибки в сельскохозяйственных исследованиях путем рандомизации условий проведения эксперимента. Процедура планирования оказалась направленной не только на уменьшение дисперсии оцениваемых параметров, но также и на рандомизацию относительно сопутствующих, спонтанно изменяющихся и неконтролируемых переменных. В результате удалось избавится от смещения в оценках.

Этапы планирования эксперимента

Методы планирования эксперимента позволяют минимизировать число необходимых испытаний, установить рациональный порядок и условия проведения исследований в зависимости от их вида и требуемой точности результатов. Если же по каким-либо причинам число испытаний уже ограничено, то методы дают оценку точности, с которой в этом случае будут получены результаты. Методы учитывают случайный характер рассеяния свойств испытываемых объектов и характеристик используемого оборудования. Они базируются на методах теории вероятности и математической статистики .

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).

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, Тейлора). Одним из методов подбора линии регрессии является широко распространенный метод наименьших квадратов.

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.

Примеры экспериментальных планов

Цель эксперимента: изучить эффективность нового метода преподавания психологии в вузе.

Независимая переменная: введение нового метода преподавания.

Зависимая переменная: успеваемость студентов в обучении.

Организация эксперимента: в одной из академических групп первого курса используется новый метод преподавания психологии. Вывод об эффективности метода делается на базе анализа результатов экзамена. Средний балл по группе – 4,2.

Артефакты:

фон (влияние личности преподавателя),

естественное развитие (интеллектуальное развитие студентов),

состав групп (высокий исходный уровень студентов),

отсеивание (ʼʼслабыеʼʼ студенты отказались от занятий),

взаимодействие состава групп с экспериментом (студенты экспериментальной группы – выпускники специализированного лицея).

Цель эксперимента: изучить влияние телœепрограммы, посвященной Холокосту, на осведомленность населœения об этом событии.

Независимая переменная: показ телœепрограммы.

Зависимая переменная: осведомленность населœения.

Организация эксперимента: по центральному телœеканалу транслируется передача, в которой рассказывается про массовое уничтожение евреев (Холокост). После этого группе лиц рассылается опросник про события Холокоста. Вывод о влиянии передачи делается на базе анализа результатов опросника – 76% опрошенных знают о событиях Холокоста.

Угрозы валидности:

фон (участники были проинформированы раньше, или повлияло другое событие),

естественное развитие (участники - школьники),

эффект тестирования (на осведомленность повлиял опрос, а не просмотр передачи),

инструментальная погрешность (несовершенный опросник),

взаимодействие тестирования с независимой переменной (участники узнали о событии именно в результате опроса),

взаимодействие состава групп с независимой переменной (опросили только лиц с высшим образованием).

Цель эксперимента:

Независимая переменная:

Зависимая переменная: школьная успеваемость.

Организация эксперимента: в одном из классов школы всœе ученики прошли курс скоростного чтения, тогда как ученики второго класса такого курса не проходили. Вывод об эффективности курса делается на базе сопоставления результатов. Ученики первой группы получили средний балл успеваемости за четверть – 4,0; второй – 3,4.

Угрозы валидности:

Состав групп (исходный высокий уровень школьников, которые проходили курс),

отсеивание (ʼʼслабыеʼʼ ученики были переведены в класс, который не проходил курс),

Цель эксперимента: сравнить успеваемость школьников, которые прошли курс скоростного чтения, и тех, кто не проходил.

Независимая переменная: прохождение курса скоростного чтения.

Зависимая переменная: школьная успеваемость.

Организация эксперимента: ученики одного из классов школы были случайным образом разделœены на две группы. Ученики группы А прошли курс скоростного чтения, тогда как ученики группы Б такого курса не проходили. Вывод об эффективности курса делается на базе сопоставления результатов. Ученики первой группы получили средний балл успеваемости за четверть – 4,0; второй – 3,4.

Угрозы валидности:

взаимодействие состава групп с независимой переменной (ученикам было обещано вознаграждение за прохождение курса).

Цель эксперимента: исследовать влияние метода двойного оценивания (каждая оценка удваивается) на успеваемость учеников.

Независимая переменная: метод двойного оценивания.

Зависимая переменная: успеваемость по предмету (английский язык).

Организация эксперимента: в эксперименте принимают участие ученики одного из классов общеобразовательной школы. Дети случайным образом делятся на две подгруппы, изучающие английский язык. Уроки проводит один и тот же учитель. Предварительно измеряется успеваемость детей. После этого в одной из групп используется метод двойного оценивания. Эксперимент длится в течение месяца. По завершению эксперимента снова осуществляется измерение в обеих группах. Установлено, что у участников экспериментальной группы бал успеваемости выше, чем у участников контрольной группы. При подсчете успеваемости учитывалась одна из ʼʼудвоенныхʼʼ оценок.

Цель эксперимента: изучить влияние вербального поощрения на производительность изобразительной деятельности детей дошкольного возраста.

Независимая переменная: вербальное поощрение.

Зависимая переменная: производительность изобразительной деятельности детей дошкольного возраста.

Организация эксперимента: в эксперименте приняли участие дети, посœещающие подготовительные группы одного из городских детских образовательных учреждений. Дети случайным образом были поделœены на четыре группы по 10-12 человек в каждой (А, Б, В, Г). Предварительно анализировались рисунки, выполненные детьми двух групп на протяжении предыдущей недели (А, Б). Далее экспериментатор работал отдельно с детьми каждой из групп. Дети рисовали на свободную тему, при этом участников групп А и В постоянно поощряли, отмечали стиль рисования и общую старательность, тогда как дети других двух групп не поощрялись (Б, Г). Гипотеза подтвердилась: вербальное поощрение повышает производительность изобразительной деятельности детей.

Цель эксперимента:

Независимая переменная: антитабачная кампания.

Зависимая переменная:

Организация эксперимента: в одной из общеобразовательных школ была введена классическая антитабачная кампания. Детям читались лекции о последствиях курения, демонстрировались легкие курильщиков, проводилось индивидуальное консультирование. Измерения количества подростков, которые курят, проводились за 3, 2 и за 1 месяц до начала программы, а также через месяц после ее завершения. В результате оказалось, что кампания была эффективной и 30% подростков отказались от табакокурения.

Угрозы валидности:

Фон (администрацией школы были введены дисциплинарные мероприятия);

Взаимодействие тестирования с независимой переменной (предварительный опрос привел к осознанию последствий курения, ĸᴏᴛᴏᴩᴏᴇ было закреплено в эксперименте).

Цель эксперимента: исследовать влияние двухмесячной антитабачной кампании на подростковое табакокурение.

Независимая переменная: антитабачная кампания.

Зависимая переменная: злоупотребление табакокурением.

Организация эксперимента: в одной из общеобразовательных школ была введена классическая антитабачная кампания, а в другой школе такой кампании не было. Детям первой школы читались лекции о последствиях курения, демонстрировались легкие курильщиков, проводилось индивидуальное консультирование. Измерения количества подростков, которые курят, осуществлялись в обеих школа одновременно. В результате оказалось, что кампания была эффективной и 30% подростков отказались от табакокурения.

Угрозы валидности:

Взаимодействие тестирования с независимой переменной (предварительный опрос привел к осознанию последствий курения, ĸᴏᴛᴏᴩᴏᴇ было закреплено в эксперименте);

Взаимодействие состава групп с независимой переменной (с детьми школы, где проводилась кампания и раньше осуществлялись профилактические беседы).

Цель эксперимента: исследовать влияние музыки на производительность труда

Независимая переменная: музыкальное сопровождение.

Зависимая переменная: производительность труда.

Организация эксперимента: группа работников промышленного предприятия работала в разных режимах с музыкальным сопровождением (классическая музыка) и без него через день на протяжении ста дней. Сравнивалась производительность труда участников эксперимента каждый день. Оказалось, что музыкальное сопровождение стимулирует производительность труда.

Угрозы валидности:

Взаимодействие тестирования с независимой переменной (постоянное тестирование повышает производительность);

Реакция участников на независимую переменную (реакция участников на внимание, ĸᴏᴛᴏᴩᴏᴇ им уделяется).

Цель эксперимента: исследовать повышение производительности труда рабочих машиностроительного завода при оплате от выработки.

Независимая переменная: способ оплаты.

Зависимая переменная: производительность труда.

Организация эксперимента: в эксперименте принимали участие две группы работников завода. Предварительно измерялась производительность их труда. После этого для одной из групп, участники которой добровольно согласились на участие в эксперименте, была введена оплата от выработки (А). Измерение после эксперимента в обеих группах показало, что производительность работы участников группы А повысилась.

Угрозы валидности:

Взаимодействие тестирования с независимой переменной (предварительное измерение усилило экспериментальный эффект).

Цель эксперимента: исследовать влияние итоговых модульных контрольных работ (по каждой теме) на успеваемость студентов.

Независимая переменная: модульные контрольные работы (МКР).

Зависимая переменная: успеваемость студентов.

Организация эксперимента: в университете два факультета готовят студентов по специальности ʼʼПсихологияʼʼ (единые требования к набору, одинаковый преподавательский состав и учебные планы). На первом факультете (А) измеряли успеваемость студентов третьего курса за год. На втором факультете (Б) на следующий год ввели МКР для студентов третьего курса, после чего также измерили успеваемость. Оказалось, что введение МКР содействует повышению успеваемости.

Угрозы валидности:

Фон (на факультете Б строгая процедура исключения);

Естественное развитие (студенты факультета Б старше возрастом);

Отсеивание (слабые студенты факультета Б были исключены).

Цель эксперимента: исследовать особенности посттравматического стресса жертв физического насилия.

Независимая переменная: физическое насилие.

Зависимая переменная: посттравматический стресс.

Организация эксперимента: в эксперименте приняли участие люди, которые перенесли физическое насилие, обратились в центр реабилитации и дали согласие на участие в опросœе. В контрольную группы были случайным образом отобраны испытуемые, которые никогда не переживали насилия. Участники обеих групп отвечали на серию вопросов относительно своего эмоционального состояния, реакции на возможное насилие, отношение к агрессору и пр.

Угрозы валидности:

Взаимодействие тестирования с независимой переменной (опрос актуализировал страхи).

Примеры экспериментальных планов - понятие и виды. Классификация и особенности категории "Примеры экспериментальных планов" 2017, 2018.

Создание модели - акт необходимый при анализе и синтезе сложных систем, но далеко не конечный. Модель - не цель исследователя, а только инструмент для проведения исследований, инструмент эксперимента. В первых темах мы достаточно полно раскрыли афоризм: "Модель есть объект и средство эксперимента".

Эксперимент должен быть информативен, то есть давать всю нужную информацию, которой следует быть полной, точной, достоверной. Но она должна быть получена приемлемым способом. Это означает, что способ должен удовлетворять экономическим, временным и, возможно, другим ограничениям. Такое противоречие разрешается с помощью рационального (оптимального) планирования эксперимента.

Теория планирования эксперимента сложилась в шестидесятые годы двадцатого века благодаря работам выдающегося английского математика , биолога, статистика Рональда Айлмера Фишера (1890-1962 гг.). Одно из первых отечественных изданий: Федоров В. В. Теория оптимального эксперимента. 1971 г. Несколько позже сложилась теория и практика планирования имитационных экспериментов, элементы которых рассматриваются в настоящей теме.

4.1. Сущность и цели планирования эксперимента

Итак, как мы уже знаем, модель создается для проведения на ней экспериментов. Будем считать, что эксперимент состоит из наблюдений , а каждое наблюдение - из прогонов (реализаций ) модели .

Для организации экспериментов наиболее важно следующее.

Компьютерный эксперимент с имитационной моделью обладает преимуществами перед натурным экспериментом по всем этим позициям.

Что же такое компьютерный (машинный) эксперимент?

Компьютерный эксперимент представляет собой процесс использования модели с целью получения и анализа интересующей исследователя информации о свойствах моделируемой системы.

Эксперимент требует затрат труда и времени и, следовательно, финансовых затрат. Чем больше мы хотим получить информации от эксперимента, тем он дороже.

Средством достижения приемлемого компромисса между максимумом информации и минимумом затрат ресурсов является план эксперимента.

План эксперимента определяет:

• объем вычислений на компьютере;
• порядок проведения вычислений на компьютере;
• способы накопления и статистической обработки результатов моделирования.

Планирование экспериментов имеет следующие цели:

• сокращение общего времени моделирования при соблюдении требований к точности и достоверности результатов;
• увеличение информативности каждого наблюдения;
• создание структурной основы процесса исследования.

Таким образом, план эксперимента на компьютере представляет собой метод получения с помощью эксперимента необходимой информации.

Конечно, можно проводить исследования и по такому плану: исследовать модель во всех возможных режимах, при всех возможных сочетаниях внешних и внутренних параметров , повторять каждый эксперимент десятки тысяч раз - чем больше, тем точнее!

Очевидно, пользы от такой организации эксперимента мало, полученные данные трудно обозреть и проанализировать. Кроме того, большими будут затраты ресурсов, а они всегда ограничены.

Весь комплекс действий по планированию эксперимента разделяют на две самостоятельные функциональные части:

• стратегическое планирование;
• тактическое планирование.

Стратегическое планирование - разработка условий проведения эксперимента, определение режимов, обеспечивающих наибольшую информативность эксперимента.

Тактическое планирование обеспечивает достижение заданных точности и достоверности результатов.

4.2. Элементы стратегического планирования экспериментов

Формирование стратегического плана выполняется в так называемом факторном пространстве . Факторное пространство - это множество внешних и внутренних параметров , значения которых исследователь может контролировать в ходе подготовки и проведения эксперимента.

Объектами стратегического планирования являются:

• выходные переменные (отклики, реакции, экзогенные переменные );
• входные переменные (факторы, эндогенные переменные );
• уровни факторов.

Математические методы планирования экспериментов основаны на так называемом кибернетическом представлении процесса проведения эксперимента (рис. 4.1).

Рис. 4.1.

- входные переменные, факторы;

- выходная переменная ( реакция , отклик);

Ошибка, помеха, вызываемая наличием случайных факторов;

Оператор, моделирующий действие реальной системы, определяющий зависимость выходной переменной от факторов

Иначе: - модель процесса, протекающего в системе.

Первой проблемой , решаемой при стратегическом планировании, является выбор отклика (реакции), то есть определение , какие величины нужно измерять во время эксперимента, чтобы получить искомые ответы. Естественно, выбор отклика зависит от цели исследования.

Например, при моделировании информационно-поисковой системы может интересовать исследователя время ответа системы на запрос . Но может интересовать такой показатель как максимальное число обслуженных запросов за интервал времени. А может, то и другое. Измеряемых откликов может быть много: В дальнейшем будем говорить об одном отклике

Второй проблемой стратегического планирования является выбор ( определение ) существенных факторов и их сочетаний, влияющих на работу моделируемого объекта. Факторами могут быть питающие напряжения, температура, влажность, ритмичность поставок комплектующих и многое другое. Обычно число факторов велико и чем меньше мы знакомы с моделируемой системой, тем большее, нам кажется, число их влияет на работу системы. В теории систем приводится так называемый принцип Парето:

• 20% факторов определяют 80% свойств системы;
• 80% факторов определяют 20% свойств системы. Следовательно, надо уметь выделять существенные факторы. А

это достигается достаточно глубоким изучением моделируемого объекта и протекающих в нем процессов.

Факторы могут быть количественными и (или) качественными.

Количественные факторы - это те, значения которых числа. Например, интенсивности входных потоков и потоков обслуживания, емкость буфера, число каналов в СМО, доля брака при изготовлении деталей и др.

Качественные факторы - дисциплины обслуживания ( LIFO , FIFO и др.) в СМО, "белая сборка ", "желтая сборка " радиоэлектронной аппаратуры, квалификация персонала и т. п.

Фактор должен быть управляемым. Управляемость фактора - это возможность установки и поддержания значения фактора постоянным или изменяющимся в соответствии с планом эксперимента. Возможны и неуправляемые факторы, например, влияние внешней среды.

К совокупности воздействующих факторов предъявляются два основных требования:

• совместимость;
• независимость.

Совместимость факторов означает, что все комбинации значений факторов осуществимы.

Независимость факторов определяет возможность установления значения фактора на любом уровне независимо от уровней других факторов.

В стратегических планах факторы обозначают латинской буквой , где индекс указывает номер (тип) фактора. Встречаются и такие обозначения факторов: и т. д.

Третьей проблемой стратегического планирования является выбор значений каждого фактора, называемых уровнями фактора .

Число уровней может быть два, три и более. Например, если в качестве одного из факторов выступает температура, то уровнями могут быть: 80 o С, 100 o С, 120 o С.

Для удобства и, следовательно, удешевления эксперимента число уровней следует выбирать поменьше, но достаточное для удовлетворения точности и достоверности эксперимента. Минимальное число уровней - два.

С точки зрения удобства планирования эксперимента целесообразно устанавливать одинаковое число уровней у всех факторов. Такое планирование называют симметричным .

Анализ данных эксперимента существенно упрощается, если назначить уровни факторов, равноотстоящие друг от друга. Такой план называется ортогональным . Ортогональность плана обычно достигают так: две крайние точки области изменения фактора выбирают как два уровня, а остальные уровни располагают так, чтобы они делили полученный отрезок на две части.

Например, диапазон питающего напряжения 30…50 В на пять уровней будет разбит так: 30 В, 35 В, 40 В, 45 В, 50 В.

Эксперимент, в котором реализуются все сочетания уровней всех факторов, называется полным факторным экспериментом (ПФЭ).

План ПФЭ предельно информативен, но он может потребовать неприемлемых затрат ресурсов.

Если отвлечься от компьютерной реализации плана эксперимента, то число измерений откликов (реакций) модели при ПФЭ равно:

где - число уровней -го фактора, ; - число факторов эксперимента.

При проведении научных экспериментов и технологических расчетов наряду с субстанционным (изготовление физического образца материала) и структурно-имитационным (имитация взаимодействия структурных элементов системы) моделированием широко применяется функциональное моделирование, результатом которого является получение некой математической функции, описывающей поведение объекта исследования, абстрагируясь от внутренней структуры вещественного субстрата. Функциональная модель работает по принципу «черного ящика», при этом известны параметры «входа» – переменные или постоянные факторы, а также, параметры «выхода» – критерий эффективности, отклик и т.д. . К примеру, построение функциональных моделей эксперимен-тальных зависимостей свойств бетона от его состава включает в себя следующие этапы:

• уточнение в зависимости от конкретной задачи оптимизируемых параметров (прочности бетона, удобоукладываемости бетонной смеси и др.);
• выбор факторов, определяющих изменчивость оптимизируемых параметров; ‒ определение основного исходного состава бетонной смеси; ‒ выбор интервалов варьирования факторов;
• выбор плана и условий проведения эксперимента;
• обработка результатов эксперимента с построением математических моделей зависимостей свойств бетонной смеси и бетона от выбранных факторов.

Планирование эксперимента – это процедура выбора числа и условий проведения опытов, необходимых и достаточных для решения поставленной задачи с требуемой точностью.

Рассмотрим процесс математического планирования и обработки данных факторного эксперимента с применением программно-алгоритмических средств на примере компьютерной программы «PlanExp B-D13» , разработанной в среде программирования Microsoft Visual Basic 6.0. Разработанный программный продукт позволяет производить моментальный расчет плана эксперимента по заданным переменным факторам, рассчитывать коэффициенты уравнения математической модели, проводить статистическую оценку адекватности математической модели, строить диаграммы линий равного уровня с возможностью обнаружения точки экстремума, а также, автоматически формировать отчет по итогам эксперимента. Программа ориентирована на работу с трехфакторным планом эксперимента B-D13, который позволяет получать нелинейные квадратичные модели, и обладает хорошими статистическими характеристиками.

Алгоритм программы включает основные процедуры – процедуру расчета коэффициентов функции отклика, процедуру статистической обработки и процедуру визуализации математической модели. Все основные вычисления производятся циклично, что позволяет моментально перестраивать математическую модель, изменяя входные данные. Кроме того, алгоритм включает вспомогательную процедуру, обеспечивающую проверку синтаксической правильности вводимых данных. При допущении ошибок ввода данных программа корректирует действия пользователя средствами текстового оповещения.

Интерфейс программного продукта реализован в виде логических блоков, позволяющих вводить исходные данные и изменять параметры вывода математической модели в интерактивном режиме (рисунок 1).

Рисунок 1 – Интерфейс программы обработки данных трехфакторных планированных экспериментов

Опишем порядок работы с программой на примере планированного эксперимента по исследованию зависимости прочности бетона от рецептурных факторов.

В первом логическом блоке устанавливаются входные факторы эксперимента. В эксперименте варьируются: количество вяжущей части бетона; содержание наполнителя и количество добавки – гиперпластификатора. Значения факторов задаются в натуральном виде (граммы, проценты и т.д.). Пользователь заполняет текстовые поля – основной уровень факторов, интервал варьирования и наименование фактора (рисунок 2).

Рисунок 2 – Блок ввода значений входных факторов

В расчете факторного плана значения уровней входных факторов принимаются в кодированном виде, при этом, основной уровень (центр плана) каждого фактора обозначается как «0», а нижний и верхний уровни: «–1» и «+1» соответственно. Пересчет заданных пользователем натуральных значений факторов производится путем линейной интерполяции значений:

где x i – значение i -го фактора в кодированном виде, X i – значение i -го фактора в натуральном виде, ΔX i – интервал варьирования i -го фактора.

В текущем примере в эксперименте контролируется величина предела прочности бетона на сжатие (R сж , МПа). Для определения воспроизводимости измерений выходного параметра необходимо проводить параллельные измерения. В программе допускается ввод выходных значений до трех параллельных замеров. Согласно плану эксперимента рассчитывается 10 опытов по 3 параллельных испытания в каждом. Выходные параметры, наименование выходного параметра и количество параллельных замеров устанавливаются пользователем во втором блоке (рисунок 3).

Рисунок 3 – Блок расчета плана эксперимента и ввода значений выходных параметров

После автоматической проверки введенных данных программа рассчитывает коэффициенты математической модели и выводит функцию отклика в третьем логическом блоке (рисунок 4).

Рисунок 4 – Блок вывода математической модели

После получения математической модели производится проверка значимости (отличия от нуля) коэффициентов модели и ее адекватность.

Адекватность (от лат. adaequatus – приравненный, равный) – соответствие, верность, точность. Точность измерения – характеристика измерения, отражающая степень близости его результатов к истинному значению измеряемой величины .

Проверка коэффициентов на значимость производится с помощью критерия Стьюдента (t-критерия), который рассчитывается по формуле:

где b i – i -й коэффициент математической модели, S {b i } – среднеквадратическое отклонение в определении коэффициентов.

Среднеквадратическое отклонение в определении коэффициентов функции отклика рассчитывается по формуле:

где C i – величины, приведенные для плана B-D13 в таблице 1, S в² – дисперсия воспроизводимости в параллельных опытах.

Таблица 1 – Величины C i для плана B-D13

Дисперсия воспроизводимости в параллельных опытах рассчитывается по



где N – количество опытов в плане, m – количество параллельных измерений в каждом опыте, y uj – значение выходного параметра в u -ом опыте, j -ом параллельном замере, y u – среднее значение выходного параметра в u -ом опыте.

Расчетное значение t-критерия сравнивается с табличным t табл для выбранного уровня значимости (как правило, 5 %) и данного числа степеней свободы N (m –1). При табл t i <t табл коэффициент b i считается незначимым.

Проверка адекватности математической модели производится по критерию Фишера (F -критерий). Для этого вычисляется дисперсия адекватности по формуле:

где n з – количество значимых коэффициентов, y u – значение отклика, предсказанное по уравнению математической модели.

В свою очередь критерий Фишера рассчитывается как отношение:

Расчетное значение F -критерия сравнивается с табличным F табл для выбранного уровня значимости (как правило, 5 %) и чисел степеней свободы N (m –1) и (N –n з ). При F <F табл уравнение математической модели считается адекватным. Результаты статистической обработки модели отображаются в четвертом логическом блоке (рисунок 5).

Рисунок 5 – Блок статистической обработки математической модели

В данном примере математическая модель прочности бетона признана адекватной по критерию Фишера (F =3,07 < F табл =3,1) и применима для решения рецептурно-технологических задач. Уравнение математической модели представляет собой квадратичную функцию трех переменных:

Поскольку для графической интерпретации функции трех переменных требуется четырехмерное пространство, с целью визуального упрощения и удобства работы с математической моделью функцию трех переменных необходимо преобразовать в функцию двух переменных, поочередно принимая константой один из факторов. В пятом логическом блоке программы представлены средства для преобразования уравнения регрессии в функцию двух переменных. Пользователь может установить постоянный фактор и задать его значение (в пределах интервала варьирования) в кодированном и натуральном виде (рисунок 6).

Рисунок 6 – Блок преобразования математической модели

В результате преобразования получаются три варианта математической модели: y =f (x 2 ,x 3 ) при x 1 =const, y =f (x 1 ,x 3 ) при x 2 =const и y =f (x 1 ,x 2 ) при x 3 =const. Для визуализации каждого из трех видов уравнений строится диаграмма линий равного уровня (изолиний), представляющая собой проекции трехмерных поверхностей на плоскости (x 2 ; x 3 ), (x 1 ; x 3 ) и (x 1 ; x 2 ). Таким образом, кривая каждой изолинии строится в координатах (x 2 , x 3 ), (x 1 , x 3 ) и (x 1 , x 2 ), а ее построение производится по квадратичным функциям x 2 =f (x 3 ), x 1 =f (x 3 ) и x 1 =f (x 2 ) соответственно (рисунок 7).

В шестом логическом блоке программы представлена интерактивная диаграмма изолиний, позволяющая пользователю снимать координаты факторного поля и значения выходного параметра в режиме реального времени.

Рисунок 7 – Диаграмма изолиний математической модели прочности бетона: x 1 =const (а), x 2 =const (б), x 3 =const (в)

Обработка данных планированного эксперимента завершается процедурой обнаружения экстремума функции отклика. Для определения координат точки экстремума производится автоматическое вычисление первой производной по каждому из значений факторов. Корни полученной системы уравнений представляют собой координаты точки экстремума исследуемого уравнения регрессии:

Рисунок 8 – Поверхность отклика (а) при x 1 =const и ее сечение (б)

при x 1 =const и x 2 =const

Разработанное программное средство может применяться в любых научно-прикладных задачах по оптимизации свойств объекта исследования, подбора рецептуры и технологических параметров, где используется математическое моделирование методом ортогонального планирования экспериментов.

– Баженов, Ю.М. Модифицированные высококачественные бетоны / Ю.М. Баженов, В.С. Демьянова, В.И. Калашников // научное издание. – М.: Издательство Ассоциации строительных вузов. 2006. 368 с.

– Григорьев, Ю.Д. Планы эксперимента для моделей регрессии типа сплайнов / Ю.Д. Григорьев // Заводская лаборатория. Диагностика материалов. №11 (79). 2013.

– Ординарцева, Н.П. Планирование эксперимента в измерениях / Н.П. Ординарцева // Заводская лаборатория. Диагностика материалов. № 03 (79). 2013.

– Советский энциклопедический словарь / под ред. А.М. Прохорова. – М.: Советская энциклопедия, 1980.

"Белов, В.В. Компьютерная реализация решения научно-технических и образовательных задач: учебное пособие / В.В. Белов, И.В. Образцов, В.К. Иванов, Е.Н. Коноплев // Тверь: ТвГТУ, 2015. 108 с."