Box-Behnken-Design — Drei-Stufen-Response-Surface-Methodik
- Eingeführt von
- George E. P. Box and Donald W. Behnken
- Jahr
- 1960
- Typ
- Response surface design (incomplete three-level factorial)
- Familie
- Engineering methods
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Das Box-Behnken-Design (BBD) ist ein effizientes Response-Surface-Methodik-Design, das ein vollständiges Polynommodell zweiter Ordnung unter Verwendung von drei Stufen jedes Faktors anpasst.
Es wurde 1960 von Box und Behnken eingeführt und platziert experimentelle Punkte in der Mitte der Kanten eines Hyperwürfels und im Zentrum, wobei die Eckpunkte vermieden werden, an denen alle Faktoren gleichzeitig ihre Extremwerte annehmen. Diese Struktur macht BBD besonders attraktiv, wenn Extremwertkombinationen physikalisch unmöglich, kostspielig oder unsicher zu testen sind.
Die Intuition hinter der Methode
Angenommen, Sie optimieren eine chemische Reaktion und haben drei steuerbare Faktoren – Temperatur, Druck und Katalysatorkonzentration – jeweils mit einer niedrigen, mittleren und hohen Einstellung. Ein vollständiger faktorieller Versuchsplan auf drei Stufen würde 27 Läufe erfordern. Das Box-Behnken-Design erreicht dasselbe Ziel der Anpassung zweiter Ordnung mit nur 15 Läufen (plus Zentrumspunkten), indem es geschickt auswählt, welche Faktor-Stufen-Kombinationen getestet werden: Es hält immer mindestens einen Faktor auf seiner mittleren Stufe, sodass kein Experiment alle Faktoren gleichzeitig an ihre Extreme treibt. Stellen Sie es sich als eine strategische Stichprobenziehung des Versuchsraums vor, die weitaus weniger Läufe verwendet, aber dennoch Krümmung und Interaktionen erfasst.
Geschichte
George Box und Donald Behnken führten das Design in ihrer wegweisenden Arbeit von 1960 in Technometrics ein, wo sie eine Familie von Drei-Stufen-Designs vorschlugen, die alle Koeffizienten eines Polynoms zweiter Ordnung schätzen konnten, während sie die extremen Eckpunkte des Designwürfels vermieden. Ihre Motivation war sowohl ökonomisch – Eckläufe können teuer sein – als auch praktisch, da viele industrielle und chemische Prozesse keine Betriebsbedingungen mit ausschließlich extremen Stufen aufrechterhalten können. Das Design wurde zu einem Standard in der Response-Surface-Methodik, weit verbreitet durch die Lehrbücher von Box und Draper (1987) sowie Myers, Montgomery und Anderson-Cook, und wird heute routinemäßig in Statistiksoftware wie JMP, Minitab und R's rsm-Paket implementiert.
Wann wird sie eingesetzt?
Verwenden Sie das Box-Behnken-Design, wenn Sie ein vollständiges quadratisches Response-Surface-Modell zweiter Ordnung mit 3 bis 7 kontinuierlichen Faktoren anpassen müssen und die Eckpunkte des Versuchsraums unsicher, undurchführbar oder unerschwinglich teuer zu testen sind – zum Beispiel, wenn extreme Einstellungen mehrerer Prozessvariablen gleichzeitig Geräte beschädigen oder Sicherheitsrisiken darstellen könnten. BBD ist geeignet, wenn die Anzahl der experimentellen Läufe moderat gehalten werden muss und alle Faktoren einzeln ihre hohen und niedrigen Einstellungen erreichen können. Verwenden Sie BBD NICHT, wenn Sie ein Design benötigen, das Terme höherer Ordnung über quadratische hinaus unterstützt, wenn Sie kategoriale Faktoren haben, wenn die Extrapolation zu extremen Eckpunkten das Ziel ist oder wenn nur zwei Faktoren untersucht werden (ein Central Composite Design ist für k = 2 effizienter). Vermeiden Sie BBD auch, wenn ein Eckpunktlauf tatsächlich erforderlich ist, um eine nachgelagerte Spezifikationsanforderung zu erfüllen.
Grenzen und Hinweise
- Nicht für sequentielle Experimente geeignet: Im Gegensatz zu Central Composite Designs kann das BBD nicht aus einem früheren Zwei-Stufen-Faktorial-Screening-Experiment aufgebaut werden.
- Schätzt keine Interaktionen bei extremen Faktorkombinationen, da Eckpunkte fehlen; wenn das Verhalten an den Ecken kritisch ist, ist ein Central Composite oder vollständiges faktorielles Design erforderlich.
- Die Abdeckung des Versuchsraums ist nicht gleichmäßig – die Ecken des Hyperwürfels werden überhaupt nicht abgetastet, was zu einer Vorhersageverzerrung führen kann, wenn das wahre Optimum nahe einer Ecke liegt.
- Bei fünf oder mehr Faktoren kann die Anzahl der Läufe erheblich ansteigen, was seinen Effizienzvorteil gegenüber Central Composite Designs verringert.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Erfordert weniger experimentelle Läufe als ein vollständiger Drei-Stufen-Faktorial, was es für die Anpassung von Modellen zweiter Ordnung kosten- und zeiteffizient macht.
- Keine Eckpunktläufe – besonders wertvoll, wenn gleichzeitig extreme Einstellungen aller Faktoren physikalisch gefährlich, unerschwinglich teuer oder prozessbedingt undurchführbar sind.
- Alle Faktor-Stufen-Kombinationen in der Designmatrix befinden sich nahe dem Zentrum oder an den Mittelkantenpositionen, die oft die sichersten und repräsentativsten Betriebsbedingungen darstellen.
- Nahezu Rotierbarkeit: Die Vorhersagevarianz ist bei gleichem Abstand vom Designzentrum annähernd konstant, was eine gleichmäßige Schätzgenauigkeit über den gesamten Versuchsraum gewährleistet.
- Einfache Erweiterung mit Zentrumspunkt-Replikaten, die eine reine Schätzung des experimentellen Fehlers liefern und einen Test auf mangelnde Anpassung unterstützen.
Anwendungen
- Optimierung pharmazeutischer Formulierungen, bei denen gleichzeitig extreme Hilfsstoffkonzentrationen eine Tablette unkomprimierbar oder instabil machen können.
- Optimierung von Prozessparametern in der Chemieingenieurtechnik – Reaktortemperatur, Druck und Durchflussrate – wo kombinierte Extreme Sicherheitsmargen überschreiten könnten.
- Lebensmittelwissenschaftliche Experimente zur Optimierung von Textur, Farbe oder sensorischen Eigenschaften als Funktionen von Zutatenanteilen und Verarbeitungsbedingungen.
- Materialwissenschaftliche Studien, die den Zusammenhang zwischen Sintertemperatur, Druck und Zeit auf die Eigenschaften von Keramik- oder Pulvermetallteilen anpassen.
- Landwirtschaftliche Feldversuche zur Optimierung von Düngemittelmengen, Bewässerungsstufen und Pflanzdichte, wenn logistische Einschränkungen das Testen aller extremen Kombinationen verhindern.
- Umweltsanierungsstudien zur Optimierung von pH-Wert, Oxidationsmitteldosis und Kontaktzeit für den Schadstoffabbau, wo extreme Kombinationen korrosiv oder gefährlich sein könnten.
So funktioniert es
So funktioniert es
Der Experimentator identifiziert k kontinuierliche quantitative Faktoren (typischerweise 3 bis 7) und legt für jeden drei kodierte Stufen fest: niedrig (−1), Mitte (0) und hoch (+1). Die Antwortvariable muss messbar und kontinuierlich sein. Eine wichtige Voraussetzung ist, dass die Extremstufen jedes Faktors einzeln realisierbar sind – das Design vermeidet Eckpunkte, testet aber jeden Faktor an seinen Extremen, während andere Faktoren in ihrer Mitte gehalten werden.
Die BBD-Matrix wird durch die Kombination von Faktoren in unvollständigen Blöcken von jeweils zwei Faktoren konstruiert. Für jedes Faktorenpaar wird ein Zwei-Stufen-Faktorial (vier Läufe) erstellt, während die verbleibenden Faktoren auf ihrer mittleren Stufe gehalten werden. Replikate von Zentrumspunkten (typischerweise 3–5) werden dem vollständigen Design hinzugefügt. Für drei Faktoren ergibt dies 15 Läufe; für vier Faktoren 27 Läufe. Das resultierende Design ist rotierbar oder nahezu rotierbar und hat keine Eckpunkte, an denen alle Faktoren gleichzeitig ihre extremen Einstellungen haben.
Experimente werden in zufälliger Reihenfolge durchgeführt, um vor versteckten Variablen und Zeittrends zu schützen. Jede Designzeile spezifiziert die Faktoreinstellungen für einen experimentellen Lauf. Eine sorgfältige Messung der Antwort bei jedem Lauf, zusammen mit einer geeigneten Randomisierung und Blockbildung bei Bedarf, ist für eine valide Modellschätzung unerlässlich.
Ein Polynomregressionsmodell zweiter Ordnung wird an die Daten angepasst: Die Antwort wird als Funktion der linearen Effekte aller Faktoren, ihrer quadrierten (quadratischen) Terme und aller Zwei-Faktor-Interaktionsterme modelliert. Die Schätzung der Regressionskoeffizienten erfolgt mittels der Methode der kleinsten Quadrate (oder gewichteten kleinsten Quadrate). Varianzanalyse und Tests auf mangelnde Anpassung bewerten die Modelladäquanz.
Formel
\hat{y} = \beta_0 + \sum_{i=1}^{k}\beta_i x_i + \sum_{i=1}^{k}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_i x_jSobald ein zufriedenstellendes Modell bestätigt ist, wird die angepasste Response Surface untersucht, um das Optimum zu lokalisieren – die Kombination von Faktoreinstellungen, die die Antwort maximiert, minimiert oder einen Zielwert erreicht. Methoden umfassen kanonische Analyse, steilsten Anstieg/Abstieg und numerische Optimierung mittels Desirability-Funktion, wenn mehrere Antworten beteiligt sind.
Häufige Fallstricke
- Verwechslung von BBD mit einem Central Composite Design (CCD): Das CCD enthält einen Zwei-Stufen-Faktorial-Block (Eckpunkte) plus axiale (Stern-)Punkte, die über den Faktorbereich hinausgehen; BBD hat keines von beiden. Die Wahl des falschen Designs im Verhältnis zu experimentellen Einschränkungen führt zu verschwendeten Läufen oder undurchführbaren Experimenten.
- Anwendung von BBD auf weniger als drei Faktoren: Für k = 2 reduziert sich BBD auf ein viel weniger effizientes Design als ein CCD; bevorzugen Sie immer CCD oder ein einfaches rotierbares Design für Zwei-Faktor-Studien.
- Unzureichende Zentrumspunkt-Replikate: Die Verwendung von nur 1–2 Zentrumspunkten führt dazu, dass die Schätzung des reinen Fehlers schlecht definiert ist, was den Test auf mangelnde Anpassung und die gesamte ANOVA untergräbt. Mindestens 3 Zentrumspunkte werden dringend empfohlen.
- Ignorieren der Notwendigkeit der Randomisierung: Das Ausführen des BBD in nicht-zufälliger Reihenfolge (z. B. Gruppierung aller Läufe mit niedriger Temperatur) vermischt die Faktoreffekte mit zeitbezogenen Störvariablen, wodurch das Modell ungültig wird.
Häufig gestellte Fragen
Wie unterscheidet sich das Box-Behnken-Design vom Central Composite Design?
Beide Designs passen ein Polynommodell zweiter Ordnung für die Response-Surface-Analyse an, unterscheiden sich jedoch in ihrer Struktur. Das Central Composite Design (CCD) umfasst einen Zwei-Stufen-Faktorial-Block (Eckpunkte) plus axiale (Stern-)Punkte, die über den Faktorbereich hinausgehen, und kann sequenziell aus einem vorherigen Screening-Experiment aufgebaut werden. Das BBD hat keine Eckpunkte und keine Punkte außerhalb des Faktorbereichs – es verwendet nur drei Stufen pro Faktor. Wählen Sie BBD, wenn Eckläufe undurchführbar sind; wählen Sie CCD, wenn sequenzieller Aufbau oder Eigenschaften an den extremen Ecken wichtig sind.
Wie viele Läufe erfordert ein Box-Behnken-Design?
Die Anzahl der Läufe hängt von der Anzahl der Faktoren k ab. Für k = 3: 15 Läufe (12 Kantenmittelpunkte + 3 Zentrumspunkte); für k = 4: 27 Läufe; für k = 5: 46 Läufe. Diese Zählungen umfassen eine Standardanzahl von Zentrumspunkt-Replikaten. Vergleichen Sie dies mit einem vollständigen Drei-Stufen-Faktorial, der 27, 81 und 243 Läufe für k = 3, 4 und 5 erfordern würde – BBD bietet dramatische Einsparungen.
Kann ich das Box-Behnken-Design mit mehr als sieben Faktoren verwenden?
BBD wird im Allgemeinen für 3 bis 7 Faktoren verwendet. Bei mehr als sieben Faktoren steigt die Anzahl der Läufe erheblich an, und alternative Ansätze wie definitive Screening-Designs oder optimale computergenerierte Designs sind in der Regel effizienter. Die ursprüngliche Arbeit von Box und Behnken (1960) beschrieb Designs für bis zu sieben Faktoren.
Welche Software kann eine Box-Behnken-Analyse durchführen?
BBD wird in den meisten gängigen Statistikpaketen unterstützt: JMP (Modul Design of Experiments), Minitab (Abschnitt Response Surface von DOE), SAS (PROC OPTEX oder PROC RSREG) und R (das rsm-Paket mit der Funktion bbd()). Python-Benutzer können die pyDOE2-Bibliothek verwenden. All diese generieren die Designmatrix, passen das Modell zweiter Ordnung an und liefern ANOVA, Response-Surface-Plots und Optimierungsergebnisse.
Ist das Box-Behnken-Design rotierbar?
BBD ist annähernd rotierbar, was bedeutet, dass die Vorhersagevarianz bei gleichem Abstand vom Designzentrum nahezu konstant ist, aber die strikte Rotierbarkeit hängt von der Anzahl der Faktoren ab. Für k = 3 ist das Standard-BBD mit der üblicherweise verwendeten Anzahl von Zentrumspunkten exakt rotierbar. Für andere Werte von k ist die Rotierbarkeit annähernd. In der Praxis ist diese nahezu Rotierbarkeit für die meisten technischen und wissenschaftlichen Anwendungen ausreichend.
Verwandte Methoden
Quellen
Box, G. E. P., & Behnken, D. W. (1960). Some new three level designs for the study of quantitative variables. Technometrics, 2(4), 455–475.
DOI-Referenz öffnenKopiert.Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2016). Response Surface Methodology: Process and Product Optimization Using Designed Experiments (4th ed.). Wiley.
ISBN: 978-1118916025Kopiert.