统计学18 响应曲面设计课件

响应曲面试验设计1概述响应曲面设计方法(ResponseSurfaceMethodology，RSM)是利用合理的试验设计方法并通过实验得到一定数据，采用多元二次回归方程来拟合因素与响应值之间的函数关系，通过对回归方程的分析来寻求最优工艺参数，解决多变量问题的一种统计方法。什么是RSM？中心复合试验设计(centralcompositedesign，CCD)；Box-Behnken试验设计；方法分类确定因素及水平，注意水平数为2，因素数一般不超过4个，因素均为计量数据；创建“中心复合”或“Box-Behnken”设计；确定试验运行顺序(DisplayDesign)；进行试验并收集数据；分析试验数据；优化因素的设置水平。一般步骤2中心复合试验设计

立方点

轴向点中心点区组序贯试验旋转性基本概念

轴向点(axialpoint)轴向点，又称始点、星号点，分布在轴向上。除一个坐标为+α或-α外，其余坐标皆为0。在k个因素的情况下，共有2k个轴向点。三因素下的立方点、轴向点和中心点

序贯试验先后分几段完成试验，前次试验设计的点上做过的试验结果，在后续的试验设计中继续有用。

旋转性(rotatable)设计旋转设计具有在设计中心等距点上预测方差恒定的性质，这改善了预测精度。α的选取在α的选取上可以有多种出发点，旋转性是个很有意义的考虑。在k个因素的情况下，应取α=2k/4当k=2，α=1.414；当k=3，α=1.682；当k=4，α=2.000；当k=5，α=2.378按上述公式选定的α值来安排中心复合试验设计(CCD)是最典型的情形，它可以实现试验的序贯性，这种CCD设计特称中心复合序贯设计(centralcompositecircumscribeddesign,CCC)，它是CCD中最常用的一种。如果要求进行CCD设计，但又希望试验水平安排不超过立方体边界，可以将轴向点设置为+1及-1，则计算机会自动将原CCD缩小到整个立方体内，这种设计也称为中心复合有界设计(centralcompositeinscribeddesign,CCI)。这种设计失去了序贯性，前一次在立方点上已经做过的试验结果，在后续的CCI设计中不能继续使用。中心点的个数选择在满足旋转性的前提下，如果适当选择Nc，则可以使整个试验区域内的预测值都有一致均匀精度(uniformprecision)。见下表：但有时认为，这样做的试验次数多，代价太大，Nc其实取2以上也可以；如果中心点的选取主要是为了估计试验误差，Nc取4以上也够了。总之，当时间和资源条件都允许时，应尽可能按推荐的Nc个数去安排试验，设计结果和推测出的最佳点都比较可信。实在需要减少试验次数时，中心点至少也要2-5次。

在因素相同时，比中心复合设计的试验次数少；

没有将所有试验因素同时安排为高水平的试验组合，对某些有安全要求或特别需求的试验尤为适用；具有近似旋转性，没有序贯性。特点6.2.5响应曲面设计的MINITAB实现生成响应曲面设计表全因子中心复合试验（无区组）1/2实施中心复合试验（无区组）试验因素数试验总次数选择编码值选择线性回归分析响应曲面设计SourceDFSeqSSAdjSSAdjMSFPRegression37.7897.7892.59621.080.387Linear37.7897.7892.59621.080.387ResidualError1638.59738.5972.4123Lack-of-Fit1136.05736.0573.27796.450.026PureError52.5402.5400.5079Total1946.385S=1.553R-Sq=16.8%R-Sq(adj)=1.2%输出结果：线性回归方差分析表此值很小说明线性回归效果不好此值小于0.05时表示线性回归模型不正确此值大于0.05时表示回归的效果不显著线性回归结果SourceDFSeqSSAdjSSAdjMSFPRegression936.46536.4654.05174.080.019Linear37.7897.7892.59622.620.109Square313.38613.3864.46194.500.030Interaction315.29115.2915.09705.140.021ResidualError109.9209.9200.9920Lack-of-Fit57.3807.3801.47602.910.133PureError52.5402.5400.5079Total1946.385S=0.9960R-Sq=78.6%R-Sq(adj)=59.4%此值较大，说明二次多项式回归效果比较好。此值大于0.05，表示二次多项式回归模型正确。此值小于0.05的项显著有效，回归的整体、二次项和交叉乘积项都显著有效，但是一次项的效果不显著。输出结果：二次多项式回归方差分析表非线性回归结果TermCoef(coded)SECoefTPCoef(uncoded)Constant10.46230.406225.7560.00012.4512A-0.57380.2695-2.1290.0590.9626B0.18340.26950.6800.512-2.2841C0.45550.26951.6900.122-1.4794A*A-0.67640.2624-2.5780.027-0.2676B*B0.56280.26242.1450.0581.1164C*C-0.27340.2624-1.0420.322-0.2388A*B-0.67750.3521-1.9240.083-0.6001A*C1.18250.35213.3580.0070.6951B*C0.23250.35210.6600.5240.3060输出结果：二次多项式回归系数及显著性检验对因素实际值的回归系数P值大的项不显著对编码值的回归系数TermCoef(coded)SECoefTPCoef(uncoded)Constant10.23860.337930.3030.00012.6189A-0.57380.2641-2.1730.0510.8848B0.18340.26410.6940.501-1.7352C0.45550.26411.7250.110-2.0904A*A-0.64930.2558-2.5380.026-0.2568B*B0.58990.25582.3060.0401.1702A*B-0.67750.3450-1.9640.073-0.6001A*C1.18250.34503.4270.0050.6951输出结果：剔除C×

C和B×

C后二次多项式回归系数及显著性检验这两个二次项回归系数有很小的改变，这是由于旋转设计只具有近似正交性目标是最大值下限设为10目标值设为20指标最优化因子最优水平值最优预测值

在研究大豆产量Y的试验中，考虑氮肥A、磷肥B、钾肥C这三种肥料的施肥量。每个因素取两个基本水平，采用中心复合试验，其中：

氮肥的编码值-1和+1对应的实际值是2.03和5.21;

磷肥的编码值-1和+1对应的实际值是1.07和2.49;

钾肥的编码值-1和+1对应的实际值是1.35和3.49;例6.2-1大豆施肥量最优化设计大豆产量试验设计与结果表在响应曲面设计中，选择优化设计可以达到以下功能：在现有设计点中选择一组“优化”的设计点；向现有设计增加设计点；评估和比较设