Zentrales Komposit-Design — Response-Surface-Versuchsplanung
- Eingeführt von
- George E. P. Box and K. B. Wilson
- Jahr
- 1951
- Typ
- Response surface experimental design
- Familie
- Engineering methods
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Das Zentrale Komposit-Design (CCD) ist ein Response-Surface-Design zweiter Ordnung, das es Forschern ermöglicht, effizient ein vollständiges quadratisches Modell anzupassen, das mehrere kontinuierliche Eingabefaktoren mit einer oder mehreren Antwortvariablen in Beziehung setzt.
Eingeführt von Box und Wilson im Jahr 1951, kombiniert es einen faktoriellen (oder fraktionierten faktoriellen) Kern, axiale (Stern-)Punkte und Wiederholungen von Mittelpunkten zu einem einzigen, einheitlichen Design, was es zum am weitesten verbreiteten Design für die Prozessoptimierung in Ingenieurwesen, Chemie und Fertigung macht.
Die Intuition hinter der Methode
Angenommen, Sie optimieren die Ausbeute einer chemischen Reaktion, indem Sie Temperatur und Druck variieren. Ein einfaches faktorielles Design gibt Ihnen Auskunft über Haupteffekte und Wechselwirkungen bei nur zwei Stufen pro Faktor, verfehlt aber die gekrümmte Oberfläche, die oft in der Nähe eines Optimums existiert. Das CCD fügt zwei zusätzliche Punkte jenseits der faktoriellen Ecken entlang jeder Faktorachse hinzu – die axialen oder Sternpunkte –, sodass das Experiment in jeder Richtung weit genug reicht, um die Krümmung abzuschätzen. Einige Mittelpunktläufe werden hinzugefügt, um den reinen experimentellen Fehler zu messen und zu überprüfen, ob die Beziehung tatsächlich gekrümmt und nicht linear ist. Zusammen ermöglichen diese drei Punktgruppen die Abbildung der gesamten Response-Oberfläche mit weitaus weniger Läufen, als ein vollständiges dreistufiges faktorielles Design erfordern würde.
Geschichte
Das Zentrale Komposit-Design wurde von George E. P. Box und K. B. Wilson in ihrer wegweisenden Arbeit von 1951 im Journal of the Royal Statistical Society eingeführt, die gleichzeitig das Konzept der Response-Surface-Methodologie vorstellte. Box und Wilson zeigten, dass die Kombination eines faktoriellen Designs mit axialen Punkten die Schätzung der Krümmung der Response-Oberfläche und die Lokalisierung eines Optimums mit weitaus weniger Experimenten als bestehende Methoden ermöglichte. Das Design wurde in den 1950er und 1960er Jahren zentral für die industrielle Prozessoptimierung und wurde durch das Lehrbuch Empirical Model-Building and Response Surfaces (1987) von Box und Draper populär gemacht. Heute bleibt CCD das am häufigsten zitierte und angewandte experimentelle Design zweiter Ordnung in den Ingenieurwissenschaften, der Chemie und den Biowissenschaften.
Wann wird sie eingesetzt?
Verwenden Sie CCD, wenn Sie ein quadratisches Modell zweiter Ordnung anpassen müssen, um eine kontinuierliche Antwort über einen Bereich von k quantitativen Faktoren (typischerweise k = 2–6) abzubilden und zu optimieren. Es ist die Standardwahl in Prozessoptimierungsstudien in der chemischen Verfahrenstechnik, pharmazeutischen Entwicklung, Lebensmittelwissenschaft und Fertigung, wenn Sie Krümmungen in der Faktor-Antwort-Beziehung erwarten oder wenn ein Modell erster Ordnung bereits eine signifikante mangelnde Anpassung gezeigt hat. CCD wird dem Box-Behnken-Design vorgezogen, wenn Sie sich (oder benötigen) Faktoreinstellungen an den extremen axialen Punkten jenseits des faktoriellen Bereichs leisten können, und einem vollständigen 3^k-faktoriellen Design, wenn die Laufökonomie wichtig ist. Verwenden Sie KEINE CCD mit kategorialen Faktoren, binären oder Zählvariablen als Antwortvariablen, oder wenn der experimentelle Bereich geometrisch so eingeschränkt ist, dass die axialen Punkte außerhalb der zulässigen Betriebsbereiche liegen (in diesem Fall ist ein Box-Behnken- oder D-optimales Design geeigneter). Vermeiden Sie auch CCD, wenn nicht zuerst ein Modell erster Ordnung mit einer steepest-ascent-Strategie verwendet wurde, um das Design in die Nähe des Optimums zu bewegen – die Anpassung eines Quadrats weit vom Optimum entfernt verschwendet Läufe.
Grenzen und Hinweise
- Erfordert, dass alle Faktoren kontinuierlich und quantitativ sind; kann kategoriale Faktoren nicht ohne Modifikation handhaben.
- Axiale Punkte im Abstand Alpha > 1 erstrecken sich über den faktoriellen Würfel hinaus, was nicht machbar sein kann, wenn die Faktoreinstellungen physisch eingeschränkt sind.
- Wenn k wächst (k > 5), steigt die Gesamtzahl der Läufe schnell an und der Ressourcenbedarf wird erheblich.
- Das quadratische Modell ist eine lokale Annäherung; wenn die tatsächliche Response-Oberfläche höhere nichtlineare Ordnungen aufweist, kann das CCD-Modell in der Nähe des Optimums immer noch mangelnde Anpassung zeigen.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Schätzt effizient alle Koeffizienten eines vollständigen Polynoms zweiter Ordnung mit weniger Läufen als ein 3^k-faktorielles Design.
- Rotierbarkeit: Das face-centered oder rotierbare CCD bietet eine gleiche Vorhersagevarianz an allen Punkten, die vom Designzentrum gleich weit entfernt sind, und sorgt für eine gleichmäßige Vorhersagepräzision.
- Mittelpunktwiederholungen liefern eine unabhängige Schätzung des reinen Fehlers und ermöglichen einen gültigen Test auf mangelnde Anpassung.
- Flexibel: Kann sequenziell aufgebaut werden – zuerst den faktoriellen Kern ausführen (als Screening-Design), dann mit axialen Punkten und Mittelpunkten erweitern, wenn Krümmung erkannt wird.
- Gut unterstützt in Standard-Statistiksoftware (JMP, Minitab, R rsm-Paket, SAS PROC RSREG).
Anwendungen
- Pharmazeutische Prozessentwicklung: Optimierung von Tablettenpresskraft, Granulationsfeuchtigkeit und Binderkonzentration zur gleichzeitigen Maximierung der Auflösungsrate und Härte.
- Chemische Verfahrenstechnik: Abbildung von Ausbeute und Selektivität als Funktionen von Reaktionstemperatur, Druck und Katalysatorbeladung zur Ermittlung von Betriebsoptima.
- Lebensmittelwissenschaft: Optimierung von Back- oder Fermentationsbedingungen (Zeit, Temperatur, Zutatenverhältnisse) für Textur und sensorische Qualität.
- Umwelttechnik: Modellierung der Schadstoffentfernungseffizienz als Funktion von pH-Wert, Kontaktzeit und Adsorbensdosis in Wasseraufbereitungsstudien.
- Fertigung: Optimierung von Bearbeitungsparametern (Schnittgeschwindigkeit, Vorschubgeschwindigkeit, Schnitttiefe) zur Minimierung von Oberflächenrauheit und Werkzeugverschleiß.
- Materialwissenschaft: Anpassung von Festigkeit oder Leitfähigkeit als Funktion von Zusammensetzung und Verarbeitungsbedingungen zur Steuerung der Legierungs- oder Polymerformulierung.
So funktioniert es
So funktioniert es
Identifizieren Sie die k kontinuierlichen quantitativen Faktoren, die untersucht werden sollen, und legen Sie deren niedrige und hohe faktoriellen Stufen fest (kodiert -1 und +1). Wählen Sie den axialen Abstand Alpha – für Rotierbarkeit Alpha = (2^k)^(1/4); für face-centered CCD Alpha = 1. Bestimmen Sie die Anzahl der Mittelpunktwiederholungen n0 (typischerweise 3–6), um den reinen Fehler abzuschätzen und die Varianz zu stabilisieren.
Stellen Sie die drei Komponenten zusammen: (1) ein 2^k vollständiges faktorielles oder ein geeignetes 2^(k-p) fraktioniertes faktorielles Kern-Design, das 2^k (oder weniger) Eckläufe liefert; (2) 2k axiale (Stern-)Punkte, die im Abstand Alpha vom Zentrum entlang jeder Faktorachse platziert sind; und (3) n0 Mittelpunktläufe am Ursprung. Die Gesamtzahl der Läufe beträgt N = 2^k + 2k + n0. Für k=2 Faktoren sind dies typischerweise 13 Läufe; für k=3, etwa 20 Läufe.
Formel
N = 2^k + 2k + n_0
Führen Sie die N experimentellen Läufe in randomisierter Reihenfolge durch, um systematische Verzerrungen durch Zeittrends oder Geräteabweichungen zu vermeiden. Erfassen Sie den oder die Antwortwerte für jeden Lauf. Wenn die Ressourcen es zulassen, bewahrt die Blockbildung der faktoriellen und axialen Teile in separate experimentelle Sitzungen die Rotierbarkeit und kontrolliert gleichzeitig tageszeitliche Schwankungen.
Verwenden Sie die Methode der kleinsten Quadrate, um das vollständige Polynom zweiter Ordnung anzupassen: y = beta0 + sum(beta_i * x_i) + sum(beta_ii * x_i^2) + sum(beta_ij * x_i * x_j) + epsilon. Dieses Modell erfasst Haupteffekte, reine quadratische (Krümmungs-)Effekte und Zwei-Faktor-Wechselwirkungen. Die CCD-Punktstruktur stellt sicher, dass alle Koeffizienten zweiter Ordnung schätzbar sind.
Formel
y = \beta_0 + \sum_{i}\beta_i x_i + \sum_{i}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_ix_j + \varepsilonBewerten Sie die Modelladequanz durch Varianzanalyse (ANOVA), den Bestimmungskoeffizienten (R^2 und adjustiertes R^2), Residuenplots und einen Test auf mangelnde Anpassung (ermöglicht durch die Mittelpunktwiederholungen). Bestätigen Sie, dass das Modell die Regressionsannahmen – Normalität und konstante Varianz der Residuen – erfüllt, bevor Sie Schlussfolgerungen ziehen.
Nutzen Sie die angepasste Response-Oberfläche, um das Optimum – ein Maximum, Minimum oder Sattelpunkt – mittels kanonischer Analyse, Konturdiagrammen oder numerischer Optimierung mittels desirability-Funktion zu lokalisieren. Verifizieren Sie das vorhergesagte Optimum mit einem oder mehreren Bestätigungsläufen bei den optimalen Faktoreinstellungen, bevor Sie operative Änderungen vornehmen.
Häufige Fallstricke
- Ausführung des Designs weit vom wahren Optimum entfernt – CCD ist ein Design zweiter Ordnung, das für die Feinabstimmung in der Nähe eines Optimums gedacht ist, nicht für breite Erkundungen; verwenden Sie zuerst Screening-Designs und steepest-ascent.
- Ignorieren des Tests auf mangelnde Anpassung – Mittelpunkte sind genau dazu da, um zu testen, ob das quadratische Modell passt; ein signifikales Signal für mangelnde Anpassung bedeutet, dass das Modell unzureichend ist und Optimierungsschlussfolgerungen unzuverlässig sind.
- Nicht-Randomisierung der Laufreihenfolge – systematische Ausführung des faktoriellen Blocks gefolgt von axialen und mittleren Läufen ohne Randomisierung vermischt Zeiteffekte mit Faktoreffekten.
- Wahl von Alpha ohne Prüfung der Machbarkeit – ein rotierbares CCD (Alpha = (2^k)^(1/4)) platziert axiale Punkte weit außerhalb des faktoriellen Bereichs; überprüfen Sie immer, ob die resultierenden Faktoreinstellungen physisch erreichbar sind, bevor Sie das Design finalisieren.
- Überinterpretation der Oberfläche weit außerhalb des Designbereichs – das angepasste Quadrat ist nur innerhalb des experimentellen Bereichs zuverlässig; die Extrapolation zur Suche nach einem globalen Optimum außerhalb dieses Bereichs ist statistisch nicht gerechtfertigt.
Häufig gestellte Fragen
Was ist der Unterschied zwischen einem Face-Centered CCD und einem Rotatable CCD?
Bei einem Face-Centered CCD (Alpha = 1) liegen die axialen Punkte auf den Flächen des faktoriellen Würfels, sodass alle Faktoreinstellungen im Bereich [-1, +1] bleiben – nützlich, wenn axiale Ausflüge nicht machbar sind. Bei einem Rotatable CCD Alpha = (2^k)^(1/4) liegen die axialen Punkte weiter außen; dies sorgt für eine gleiche Vorhersagevarianz an allen Punkten, die gleich weit vom Zentrum entfernt sind (Rotierbarkeit), erfordert aber Faktoreinstellungen jenseits des faktoriellen Bereichs. Wählen Sie Face-Centered, wenn physische Einschränkungen extreme Einstellungen verhindern; wählen Sie Rotatable, wenn gleichmäßige Vorhersagepräzision über die Designkugel hinweg die Priorität hat.
Wie viele Mittelpunktwiederholungen sollte ich verwenden?
Die Standardempfehlung sind 3–6 Mittelpunktwiederholungen. Drei ist das praktische Minimum, um einen aussagekräftigen Test auf mangelnde Anpassung und eine stabile Schätzung des reinen Fehlers zu erhalten. Die Verwendung von 5–6 Mittelpunkten verbessert die Stabilität der Varianzschätzung und ist ratsam, wenn hohe experimentelle Rauschpegel erwartet werden. Mehr als sechs Mittelpunkte bringen selten einen proportionalen Mehrwert und erhöhen die Gesamtzahl der Läufe.
Kann ich CCD verwenden, wenn ich mehr als sechs Faktoren habe?
Ja, aber die Laufökonomie verschlechtert sich. Für k > 5 wird der vollständige 2^k-faktorielle Kern teuer, daher ersetzen Praktiker typischerweise ein fraktionielles faktorielles Design der Auflösung V, wodurch ein fraktionales zentrales Komposit-Design entsteht. Software wie JMP oder Minitab automatisiert diese Konstruktion. Für k > 6 bietet ein D-optimales oder I-optimales computergeneriertes Design oft eine laufeneffizientere Alternative zu jedem klassischen CCD.
Wie verhält sich CCD im Vergleich zum Box-Behnken-Design?
Beides sind Response-Surface-Designs zweiter Ordnung für k >= 3 Faktoren. CCD umfasst Eckpunkte (faktoriell) plus axiale Punkte plus Mittelpunkte; Box-Behnken verwendet nur Kantenmittelpunkte und Mittelpunkte, sodass es niemals Faktorkombinationen an den extremen Ecken des Designraums erfordert. Box-Behnken wird bevorzugt, wenn Eckeneinstellungen physisch gefährlich oder nicht machbar sind und wenn axiale Punkte mit Alpha > 1 nicht erreicht werden können. CCD wird bevorzugt, wenn Eckeneinstellungen machbar sind und wenn die sequentielle (Erweiterungs-)Strategie gewünscht wird, da der faktoriellen Block doppelt als früheres Screening-Experiment dienen kann.
Welche Software kann ich zur Einrichtung und Analyse eines CCD verwenden?
Alle wichtigen Statistikpakete unterstützen CCD: Minitab (Response Surface > Central Composite), JMP (Custom Design oder Response Surface-Plattform), SAS PROC RSREG und R mit dem rsm-Paket (ccd()-Funktion). Das rsm-Paket ist kostenlos verfügbar und bietet vollständige Designgenerierung, Modellanpassung und Oberflächenplots in einem Workflow.
Verwandte Methoden
Quellen
Box, G. E. P., & Wilson, K. B. (1951). On the experimental attainment of optimum conditions. Journal of the Royal Statistical Society: Series B, 13(1), 1–45.
DOI-Referenz öffnenKopiert.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119492443Kopiert.