Выбор интервалов варьирования

Теперь наша цель состоит в том, чтобы для каждого фактора выбрать два уровня, на которых он будет варьироваться в экспери­менте.

Интервалом варьирования факторов называется некоторое число (свое для каждого фактора), прибавление которого к основному уровню дает верхний, а вычитание – нижний уровни фактора. Другими словами, интервал варьирования – это расстояние на координатной оси между основным и верхним (или нижним) уровнем. Таким образом, задача выбора уровней сводится к более простой задаче выбора интервала варьирования.

Заметим еще, что для упрощения записи условий эксперимента и обработки экспериментальных данных масштабы по осям выбираются так, чтобы верхний уровень соответствовал +1, нижний –1, а основной – нулю. Для факторов с непрерывной областью определения это всегда можно сделать с помощью преобразования

,

где

– кодированное значение фактора;

– натуральное значение фактора;

– натуральное значение основного уровня;

– интервал варьирования;

– номер фактора.

Для качественных факторов, имеющих два уровня, один уровень обозначается +1, а другой –1; порядок уров­ней не имеет значения.

На выбор интервалов варьирования наклады­ваются естественные ограничения сверху и снизу. Интер­вал варьирования не может быть меньше той ошибки, с которой экспериментатор фиксирует уровень фактора. Иначе верхний и нижний уровни окажутся неразличи­мыми. С другой стороны, интервал не может быть настоль­ко большим, чтобы верхний или нижний уровни оказались за пределами области определения. Внутри этих ограничений обычно еще остается значительная неопределенность выбора, которая устраняется с помощью интуитивных решений.

Обратите внимание, что при решении задачи оптимизации мы стремимся выбрать для первой серии экспериментов такую подобласть, которая давала бы возможность для шагового движения к оптимуму. В задачах же интерполяции интервал варьирования охватывает всю описываемую область.

Выбор интервалов варьирования – задача трудная, так как она связана с неформализованным этапом планирования эксперимента. Возникает вопрос, какая априорная информация может быть полезна на данном этапе? Это – сведения о точности, с которой экспериментатор фиксирует значения факторов, о кривизне поверхности отклика и о диапазоне изменения параметра оптимизации. Обычно эта информация является ориентировочной (в некоторых случаях она может оказаться просто оши­бочной), но это единственная разумная основа, на которой можно начинать планировать эксперимент. В ходе эксперимента ее часто приходится корректировать.

Точность фиксирования факторов определяется точ­ностью приборов и стабильностью уровня в ходе опыта. Для упрощения схемы принятия решений мы введем приближенную классификацию, полагая, что есть низ­кая, средняя и высокая точности. Можно, например, счи­тать, что поддержание температуры в реакторе с погрешно­стью не более 1% соответствует высокой, не более 5% – средней, а более 10% – низкой точности.

Источником сведений о кривизне поверхности отклика могут служить уже упоминавшиеся графики однофакторных зависимостей, а также теоретические соображения. Из графиков сведения о кривизне можно получить визу­ально. Некоторое представление о кривизне дает анализ табличных данных, так как наличию кривизны соответ­ствует непропорциональное изменение параметра оптимизации при равномерном изменении фактора. Мы будем различать три случая: функция отклика линейна, функ­ция отклика существенно нелинейна и информация о кри­визне отсутствует.

Наконец, полезно знать, в каких диапазонах меняются значения параметра оптимизации в разных точках фак­торного пространства. Если имеются результаты некото­рого множества опытов, то всегда можно найти наиболь­шее или наименьшее значения параметра оптимизации. Раз­ность менаду этими значениями будем называть диапазо­ном изменения параметра оптимизации для данного мно­жества опытов. Условимся различать широкий и узкий диапазоны. Диапазон будет узким, если он не существенно отличается от разброса значений параметра оптимизации в повторных опытах (этот разброс определяет ошибку опыта). В противном случае будем считать диапазон широким. Учтем также случай, когда информация отсутствует. Итак, для принятия решений используется априорная информация о точности фиксиро­вания факторов, кривизне поверхности отклика и диапа­зоне изменения параметра оптимизации. Каждое сочета­ние градаций перечисленных признаков определяет ситуа­цию, в которой нужно принимать решение. При принятых градациях возможно З³ = 27 различных ситуаций. Они представлены на рис. 3, 4, 5 в виде кружочков, цифры в которых соответствуют порядковым номерам ситуаций.

Теперь мы приблизились к принятию решения о выборе интервалов варьирования. Для интервалов также введем градацию. Будем рассматривать широкий, средний и узкий интервалы варьирования, а также случай, когда трудно принять однозначное решение. Размер интер­вала варьирования составляет некоторую долю от области определения фактора. Можно, например, условиться о следующем: если интервал составляет не более 10% от области определения, считать его узким, не более 30% – средним, и в остальных случаях – широким. Это, ко­нечно, весьма условно, и в каждой конкретной задаче приходится специально определять эти понятия, которые зависят не только от размера области определения, но и от характера поверхности отклика и от точности фикси­рования факторов.

Перейдем к рассмотрению блок-схем принятия реше­ний. На первой схеме (рис. 3) представлены девять ситуа­ций, имеющих место при низкой точности фиксирования факторов. При выборе решений учитываются информация о кривизне поверхности отклика и о диапазоне изменения параметра оптимизации. Типичное решение – широкий интервал варьирования, узкий интервал варьирования совершенно не используется, что вполне понятно при низкой точности.

Сред­ний интервал варьирования в этой схеме выбирается дважды, причем в девятой ситуации как редко применяе­мая альтернатива. Здесь отсутствует информация об обоих признаках и выбор широкого интервала представляется более естественным.

Наибольшие трудности возникают, когда поверхность отклика нелинейна. Появляется противоречие между низ­кой точностью фиксирования факторов и кривизной. Пер­вая требует расширения интервала, а вторая – сужения. Решение оказывается неоднозначным. Как поступить? Приходится рассматривать дополнительные рекоменда­ции (см. блок-схему). Прежде всего, нужно выяснить, нельзя ли увеличить точность эксперимента либо за счет инженерных решений, либо за счет увеличения числа повторных опытов. Если это возможно, то решения принимаются на основе блок-схемы (рис. 4) для средней точ­ности фиксирования факторов. Если это невозможно, то для принятия решения нет достаточных оснований и оно становится интуитивным.

Эта блок-схема, как и последующие, служит весьма грубым приближением к действительности. На практике учитывается ещё масса обстоятельств. Например, решения, принимаемые по каждому фактору в отдельности, корректируются при рассмотрении совокупности факторов.

Рисунок 3

Рисунок 4

Рисунок 5

На рис. 4 изображена блок-схема для случая средней точности фиксирования фактора. Характерен выбор сред­него интервала варьирования. Лишь в случае нелинейной поверхности и широкого диапазона рекомендуется узкий интервал варьирования. При сочетаниях линейной поверх­ности с узким диапазоном и отсутствием информации о диапазоне выбирается широкий интервал варьирования. Пунктиром, как и выше, показаны редко применяемые альтернативы.

Наконец, на рис. 5 построена блок-схема для случая высокой точности фиксирования фактора. Сочетание вы­сокой точности с нелинейностью поверхности всегда при­водит к выбору узкого интервала. Довольно часто выби­рается средний интервал и лишь в двух случаях широкий. В обеих последних блок-схемах отсутствуют неоднозначные решения.

Дата добавления: 2014-01-11