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.
Первый этап планирования эксперимента для получения линейной модели основан на варьировании факторов на двух уровнях. В этом случае, если число факторов известно, можно сразу найти число опытов, необходимое для реализации всех возможных сочетаний уровней факторов. Простая формула, которая для этого используется, уже приводилась: , где N – число опытов, k – число факторов, 2 – число уровней. В общем случае эксперимент, в котором реализуются всевозможные сочетания уровней факторов, называется полным факторным экспериментом. Если число уровней каждого фактора равно двум, то имеем полный факторный эксперимент типа 2k.
|
|
Нетрудно написать все сочетания уровней в эксперименте с двумя факторами. Напомним, что в планировании эксперимента используются кодированные значения факторов: +1 и –1 (часто для простоты записи единицы опускают). Условия эксперимента можно записать в виде таблицы, где строки соответствуют различным опытам, а столбцы – значениям факторов. Будем называть такие таблицы матрицами планирования эксперимента.
Матрица планирования для двух факторов приведена ниже
№ опыта | x1 | x2 | y |
–1 | –1 | y1 | |
+1 | –1 | y2 | |
–1 | +1 | y3 | |
+1 | +1 | y4 |
Каждый столбец в матрице планирования называют вектор-столбцом, а каждую строку – вектор-строкой. Таким образом, мы имеем 2 вектор-столбца независимых переменных и один вектор-столбец параметра оптимизации.
Если для двух факторов все возможные комбинации уровней легко найти прямым перебором (или просто запомнить), то с ростом числа факторов возникает необходимость в некотором приеме построения матриц. Из многих возможных обычно используется три приема, основанные на переходе от матриц меньшей размерности к матрицам большей размерности. Рассмотрим первый. При добавлении нового фактора каждая комбинация уровней исходного плана встречается дважды: в сочетании с нижним и верхним уровнями нового фактора. Отсюда естественно появляется прием: записать исходный план для одного уровня нового фактора, а затем повторить его для другого уровня. Вот как это выглядит при переходе от эксперимента 22 к 23:
|
|
№ опыта | x 1 | x 2 | x 3 | y |
– | – | + | y 1 | |
+ | – | + | y 2 | |
– | + | + | y 3 | |
+ | + | + | y 4 | |
– | – | – | y 5 | |
+ | – | – | y 6 | |
– | + | – | y 7 | |
+ | + | – | y 8 |
Этот прием распространяется на построение матриц любой размерности.
Рассмотрим второй прием. Для этого введем правило перемножения столбцов матрицы. При построчном перемножении двух столбцов матрицы произведение единиц с одноименными знаками дает +1, а с разноименными –1. Воспользовавшись этим правилом, получим для случая, который мы рассматриваем, вектор-столбец произведения x 1 x 2 в исходном плане. Далее повторим еще раз исходный план, а у столбца произведений знаки поменяем на обратные. Этот прием тоже можно перенести на построение матриц любой размерности, однако он сложнее, чем первый.
Третий прием основан на правиле чередования знаков. В первом столбце знаки меняются поочередно, во втором столбце они чередуются через два, в третьем – через 4, в четвертом – через 8 и т. д. по степеням двойки.
Свойства полного факторного эксперимента типа 2k
Мы научились строить матрицы планирования полных факторных экспериментов с факторами на двух уровнях. Теперь выясним, какими общими свойствами эти матрицы обладают независимо от числа факторов. Говоря о свойствах матриц, мы имеем в виду те из них, которые определяют качество модели. Ведь эксперимент и планируется для того, чтобы получить модель, обладающую некоторыми оптимальными свойствами. Это значит, что оценки коэффициентов модели должны быть наилучшими и что точность предсказания параметра оптимизации не должна зависеть от направления в факторном пространстве, ибо заранее неясно, куда предстоит двигаться в поисках оптимума.
Два свойства следуют непосредственно из построения матрицы. Первое из них – симметричность относительно центра эксперимента – формулируется следующим образом: алгебраическая сумма элементов вектор-столбца каждого фактора равна нулю, или, где j – номер фактора, N – число опытов, i = 1, 2,..., k.
Второе свойство – так называемое условие нормировки – формулируется следующим образом: сумма квадратов элементов каждого столбца равна числу опытов, или . Это следствие того, что значения факторов в матрице задаются +1 и –1.
Это свойства отдельных столбцов матрицы планирования. Теперь остановимся на свойстве совокупности столбцов. Сумма почленных произведений любых двух вектор-столбцов матрицы равна нулю, или
.
Это важное свойство называется ортогональностью матрицы планирования.
Последнее, четвертое свойство называется ротатабельностью, т. е. точки в матрице планирования подбираются так, что точность предсказания значений параметра оптимизации одинакова на равных расстояниях от центра эксперимента и не зависит от направления.