响应面

更新时间:2024-05-30 14:24

响应面是指响应变量η与一组输入变量(ζ1,ζ2,ζ3...ζk)之间的函数关系式:η=f(ζ1,ζ2,ζ3...ζk)。依据响应面法建立的双螺杆挤压机统计模型可用于挤压过程的控制和挤压结果的预测。

试验设计

试验设计与优化方法,都未能给出直观的图形,因而也不能凭直觉观察其最优化点,虽然能找出最优值,但难以直观地判别优化区域.为此响应面分析法(也称响应曲面法)应运而生。响应面分析也是一种最优化方法,它是将体系的响应(如萃取化学中的萃取率)作为一个或多个因素(如萃取剂浓度、酸度等)的函数,运用图形技术将这种函数关系显示出来,以供我们凭借直觉的观察来选择试验设计中的最优化条件.

显然,要构造这样的响应面并进行分析以确定最优条件或寻找最优区域,首先必须通过大量的测试验数据建立一个合适的数学模型(建模),然后再用此数学模型作图.

建模最常用和最有效的方法之一就是多元线性回归方法.对于非线性体系可作适当处理化为线性形式.设有m个因素影响指标取值,通过次量测试验,得到n组试验数据.假设指标与因素之间的关系可用线性模型表示,则有应用均匀设计一节中的方法将上式写成矩阵式或简记为式中表示第次试验中第个因素的水平值;为建立模型时待估计的第个参数;为第次试验的量测响应(指标)值;为第次量测时的误差.应用最小二乘法即可求出模型参数矩阵B如下将B阵代入原假设回归方程,就可得到响应关于各因素水平的数学模型,进而可以图形方式绘出响应与因素的关系图.

模型中如果只有一个因素(或自变量),响应(曲)面是二维空间中的一条曲线;当有二个因素时,响应面是三维空间中的曲面.下面简要讨论二因素响应面分析的大致过程.

在化学量测实践中,一般不考虑三因素及三因素以上间的交互作用,有理由设二因素响应(曲)面的数学模型为二次多项式模型,可表示如下:通过n次量测试验(试验次数应大于参数个数,一般认为至少应是它的3倍),以最小二乘法估计模型各参数,从而建立模型;求出模型后,以两因素水平为X坐标和y坐标,以相应的由上式计算的响应为Z坐标作出三维空间的曲面(这就是2因素响应曲面).

应当指出,上述求出的模型只是最小二乘解,不一定与实际体系相符,也即,计算值与试验值之间的差异不一定符合要求.因此,求出系数的最小二乘估计后,应进行检验.一个简单实用的方法就是以响应的计算值与试验值之间的相关系数是否接近于1或观察其相关图是否所有的点都基本接近直线进行判别.如果以表示响应试验值,为计算值,则两者的相关系数R定义为其中对于二因素以上的试验,要在三维以上的抽象空间才能表示,一般先进行主成分分析进行降维后,再在三维或二维空间中加以描述.等等…………

注意事项

对于构造高阶响应面,主要有以下两个问题:

1, 抽样数量将显著增加,此外,普通的实验设计也将更糟。

2,高阶响应面容易产生振动。

响应面说明什么?

响应面法(response surface methodology,记为RSM)最早是由数学家Box和Wilson于1951年提出来的。就是通过一系列确定性的“试验”拟合一个响应面来模拟真实极限状态曲面。其基本思想是假设一个包括一些未知参量的极限状态函数基本变量之间的解析表达式代替实际的不能明确表达的结构极限状态函数。 响应面方法是一项统计学的综合试验技术,用于处理几个变量对一个体系或结构的作用问题,也就是体系或结构的输入(变量值)与输出(响应)的转换关系问题。现用两个变量来说明:结构响应Z与变量x1,x2具有未知的、不能明确表达的函数关系Z=g(x1,x2)。要得到“真实”的函数通常需要大量的模拟,而响应面法则是用有限的试验来回归拟合一个关系Z= g’(x1,x2),并以此来代替真实曲面Z=g(x1,x2),将功能函数表示成基本随机变量的显示函数,应用于可靠度分析中。 响应面方法实际上源于一种试验设计方法,试验设计方法是用来研究设计参数对模型设计状况影响的一种取样策略,决定了构造近似模型所需样本点的个数和这些点的空间分布情况。广泛应用于计算机仿真试验设计的主要方法是拉丁超立方体抽样和均匀设计,这两种试验设计能应用于多种多样的模型,且对模型的变化具有稳健性

响应面分析

在多因素数量处理试验的分析中,可以分析试验指标(因变量)与多个试验因素(自变量)间的回归关系,这种回归可能是曲线或曲面的关系,因而称为响应面分析。例如农作物产量与氮肥、磷肥、钾肥的施肥量有关,可以通过回归分析建立产量与施肥要素间的回归关系,从而求得最佳施肥配方。

在回归分析中,观察值可以表述为:其中是自变量的函数,是误差项

响应面分析中,首先要得到回归方程 ,然后通过对自变量 的合理取值,求得最优值,这就是响应面分析的目的。

免责声明
隐私政策
用户协议
目录 22
0{{catalogNumber[index]}}. {{item.title}}
{{item.title}}