Skip to content
بازگشت به نتایج جست‌وجو

طراحی باکس-بنهن — روش سطح پاسخ سه سطحی

معرفی‌شده توسط
George E. P. Box and Donald W. Behnken
سال
1960
نوع
Response surface design (incomplete three-level factorial)
خانواده
Engineering methods

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

طراحی باکس-بنهن (BBD) یک طراحی کارآمد از روش سطح پاسخ است که با استفاده از سه سطح برای هر عامل، یک مدل چندجمله‌ای مرتبه دوم کامل را برازش می‌دهد. این روش که در سال ۱۹۶۰ توسط باکس و بنهن معرفی شد، نقاط آزمایشی را در نقاط میانی لبه‌های یک ابرمکعب و در مرکز قرار می‌دهد و از نقاط گوشه که در آن‌ها همه عوامل همزمان در سطوح حدی خود قرار دارند، اجتناب می‌کند. این ساختار، BBD را زمانی که ترکیب سطوح حدی از نظر فیزیکی غیرممکن، پرهزینه یا ناامن برای آزمایش باشد، جذاب می‌کند.

شهود پشت روش

فرض کنید در حال بهینه‌سازی یک واکنش شیمیایی هستید و سه عامل قابل کنترل — دما، فشار و غلظت کاتالیزور — دارید که هر کدام دارای تنظیمات کم، متوسط و زیاد هستند. یک طرح عاملی کامل در سه سطح به ۲۷ اجرا نیاز دارد. طراحی باکس-بنهن با انتخاب هوشمندانه ترکیب‌های عامل-سطح برای آزمایش، همان هدف برازش مرتبه دوم را با تنها ۱۵ اجرا (به علاوه نقاط مرکزی) به دست می‌آورد: این طراحی همیشه حداقل یک عامل را در سطح میانی خود نگه می‌دارد، بنابراین هیچ آزمایشی همزمان همه عوامل را به سمت سطوح حدی خود سوق نمی‌دهد. آن را به عنوان یک نمونه‌برداری استراتژیک از فضای آزمایشی در نظر بگیرید که با استفاده از اجراهای بسیار کمتر، همچنان انحنا و اثرات متقابل را ثبت می‌کند.

تاریخ

جورج باکس و دونالد بنهن این طراحی را در مقاله برجسته خود در سال ۱۹۶۰ در Technometrics معرفی کردند، جایی که آنها خانواده‌ای از طرح‌های سه سطحی را پیشنهاد کردند که می‌توانند تمام ضرایب یک چندجمله‌ای مرتبه دوم را تخمین بزنند و در عین حال از رئوس حدی مکعب طراحی اجتناب کنند. انگیزه آنها هم اقتصادی بود — اجراهای گوشه می‌توانند پرهزینه باشند — و هم عملی، زیرا بسیاری از فرآیندهای صنعتی و شیمیایی نمی‌توانند شرایط عملیاتی با سطوح حدی همزمان را تحمل کنند. این طراحی از طریق کتاب‌های درسی باکس و دراپر (۱۹۸۷) و مایرز، مونتگومری و اندرسون-کوک به یک استاندارد در روش سطح پاسخ تبدیل شد و اکنون به طور معمول در نرم‌افزارهای آماری مانند JMP، Minitab و بسته rsm در R پیاده‌سازی می‌شود.

چه زمانی استفاده شود

هنگامی که نیاز به برازش یک مدل سطح پاسخ مرتبه دوم (درجه دوم) با ۳ تا ۷ عامل پیوسته دارید و نقاط گوشه فضای آزمایشی ناامن، غیرممکن یا بسیار پرهزینه برای آزمایش هستند — به عنوان مثال، زمانی که سطوح حدی همزمان چندین متغیر فرآیند می‌تواند به تجهیزات آسیب برساند یا خطرات ایمنی ایجاد کند — از طراحی باکس-بنهن استفاده کنید. BBD زمانی مناسب است که تعداد اجراهای آزمایشی باید متوسط نگه داشته شود و همه عوامل بتوانند به طور جداگانه به سطوح بالا و پایین خود برسند. BBD را زمانی استفاده نکنید که به طرحی نیاز دارید که از جملات مرتبه بالاتر از درجه دوم پشتیبانی کند، اگر عوامل دسته‌ای دارید، اگر هدف برون‌یابی به نقاط گوشه حدی است، یا اگر تنها دو عامل مطالعه می‌شوند (طراحی ترکیبی مرکزی برای k = ۲ کارآمدتر است). همچنین زمانی که یک اجرای نقطه گوشه برای برآورده کردن الزامات مشخصات پایین‌دستی لازم است، از BBD اجتناب کنید.

محدودیت‌ها و ملاحظات

  • برای آزمایش‌های متوالی مناسب نیست: برخلاف طرح‌های ترکیبی مرکزی، BBD را نمی‌توان از یک آزمایش غربالگری عاملی دو سطحی قبلی ساخت.
  • اثرات متقابل در ترکیب‌های حدی عامل را تخمین نمی‌زند، زیرا نقاط گوشه وجود ندارند؛ اگر رفتار در گوشه‌ها حیاتی باشد، به یک طراحی ترکیبی مرکزی یا عاملی کامل نیاز است.
  • پوشش منطقه آزمایشی یکنواخت نیست — گوشه‌های ابر مکعب کاملاً نمونه‌برداری نشده‌اند، که اگر نقطه بهینه واقعی در نزدیکی یک گوشه قرار گیرد، می‌تواند باعث سوگیری پیش‌بینی شود.
  • برای پنج عامل یا بیشتر، تعداد اجراها می‌تواند به طور قابل توجهی افزایش یابد و مزیت کارایی آن را نسبت به طرح‌های ترکیبی مرکزی کاهش دهد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • نیاز به اجرای آزمایشی کمتری نسبت به طرح عاملی کامل سه سطحی دارد، که آن را برای برازش مدل‌های مرتبه دوم از نظر هزینه و زمان کارآمد می‌سازد.
  • بدون اجراهای نقطه گوشه — به ویژه زمانی که سطوح حدی همزمان همه عوامل از نظر فیزیکی خطرناک، پرهزینه یا از نظر فرآیند غیرممکن هستند، ارزشمند است.
  • تمام ترکیب‌های عامل-سطح در ماتریس طراحی در موقعیت‌های نزدیک به مرکز یا لبه میانی قرار دارند که اغلب ایمن‌ترین و نماینده‌ترین شرایط عملیاتی هستند.
  • نزدیک به چرخش: واریانس پیش‌بینی در فواصل مساوی از مرکز طراحی تقریباً ثابت است و دقت تخمین یکنواختی را در سراسر منطقه آزمایشی می‌دهد.
  • به راحتی با تکرارهای نقطه مرکزی قابل افزایش است که تخمین خالص خطای آزمایشی را ارائه می‌دهد و از آزمون عدم برازش پشتیبانی می‌کند.

کاربردها

  • بهینه‌سازی فرمولاسیون‌های دارویی، که در آن غلظت‌های همزمان حدی مواد کمکی ممکن است قرص را غیرقابل فشرده‌سازی یا ناپایدار کند.
  • بهینه‌سازی پارامتر فرآیند در مهندسی شیمی — دمای راکتور، فشار و نرخ خوراک — که در آن ترکیبات حدی می‌توانند از حاشیه‌های ایمنی فراتر روند.
  • آزمایش‌های علوم غذایی برای بهینه‌سازی بافت، رنگ یا ویژگی‌های حسی به عنوان تابعی از نسبت مواد تشکیل‌دهنده و شرایط پردازش.
  • مطالعات علم مواد برای برازش رابطه بین دمای تف‌جوشی، فشار و زمان بر خواص سرامیک یا قطعات پودری فلزی.
  • آزمایش‌های میدانی کشاورزی برای بهینه‌سازی نرخ کود، سطوح آبیاری و تراکم کاشت، زمانی که محدودیت‌های لجستیکی از آزمایش تمام ترکیبات حدی جلوگیری می‌کند.
  • مطالعات اصلاح زیست‌محیطی برای بهینه‌سازی pH، دوز اکسیدان و زمان تماس برای تخریب آلاینده‌ها، که در آن ترکیبات حدی می‌توانند خورنده یا خطرناک باشند.

چگونه کار می‌کند

چگونه کار می‌کند

1

آزمایشگر k عامل کمی پیوسته (معمولاً ۳ تا ۷) را شناسایی کرده و سه سطح کدگذاری شده برای هر یک تعیین می‌کند: پایین (−۱)، مرکز (۰) و بالا (+۱). متغیر پاسخ باید قابل اندازه‌گیری و پیوسته باشد. یک پیش‌شرط کلیدی این است که سطوح حدی هر عامل به طور جداگانه امکان‌پذیر باشد — طراحی از رئوس گوشه اجتناب می‌کند اما هر عامل را در سطوح حدی خود آزمایش می‌کند در حالی که عوامل دیگر در سطح مرکزی خود نگه داشته می‌شوند.

2

ماتریس BBD با ترکیب عوامل در بلوک‌های ناقص دو به دو ساخته می‌شود. برای هر جفت عامل، یک طرح عاملی دو سطحی (چهار اجرا) ایجاد می‌شود در حالی که عوامل باقی‌مانده در سطح مرکزی خود نگه داشته می‌شوند. تکرارهای نقطه مرکزی (معمولاً ۳–۵) به طراحی کامل اضافه می‌شوند. برای سه عامل، این منجر به ۱۵ اجرا می‌شود؛ برای چهار عامل، ۲۷ اجرا. طراحی حاصل، چرخشی یا تقریباً چرخشی است و هیچ نقطه گوشه‌ای ندارد که در آن همه عوامل همزمان در تنظیمات حدی خود قرار گیرند.

3

آزمایش‌ها به منظور محافظت در برابر متغیرهای پنهان و روندهای زمانی، به ترتیب تصادفی انجام می‌شوند. هر ردیف طراحی، تنظیمات عامل را برای یک اجرای آزمایشی مشخص می‌کند. اندازه‌گیری دقیق پاسخ در هر اجرا، همراه با تصادفی‌سازی و بلوک‌بندی مناسب در صورت نیاز، برای تخمین معتبر مدل ضروری است.

4

یک مدل رگرسیون چندجمله‌ای مرتبه دوم به داده‌ها برازش داده می‌شود: پاسخ به عنوان تابعی از اثرات خطی همه عوامل، جملات مربعی (درجه دوم) آن‌ها، و تمام جملات اثر متقابل دو عاملی مدل‌سازی می‌شود. تخمین حداقل مربعات معمولی (یا حداقل مربعات وزنی) ضرایب رگرسیون را ارائه می‌دهد. تحلیل واریانس و آزمون‌های عدم برازش، کفایت مدل را ارزیابی می‌کنند.

فرمول
\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_j
5

پس از تأیید مدل رضایت‌بخش، سطح پاسخ برازش شده برای یافتن نقطه بهینه — ترکیبی از تنظیمات عامل که پاسخ را به حداکثر، حداقل یا مقدار هدف می‌رساند — کاوش می‌شود. روش‌ها شامل تحلیل کانونی، صعود/نزول شیب، و بهینه‌سازی عددی تابع مطلوبیت در صورت وجود چندین پاسخ است.

دام‌های رایج

  • گیج کردن BBD با طراحی ترکیبی مرکزی (CCD): CCD شامل بلوک عاملی (گوشه) دو سطحی به علاوه نقاط محوری (ستاره‌ای) است که فراتر از محدوده عامل امتداد می‌یابند؛ BBD هیچ‌کدام را ندارد. طراحی مناسب را نسبت به محدودیت‌های آزمایشی انتخاب کنید که منجر به اجرای هدر رفته یا آزمایش‌های غیرممکن می‌شود.
  • استفاده از BBD برای کمتر از سه عامل: برای k = ۲، BBD به طراحی بسیار کم‌کارآمدتری نسبت به CCD کاهش می‌یابد؛ همیشه CCD یا طراحی چرخشی ساده را برای مطالعات دو عاملی ترجیح دهید.
  • تکرارهای نقطه مرکزی ناکافی: استفاده از تنها ۱–۲ نقطه مرکزی، تخمین خطای خالص را به خوبی تعریف نمی‌کند و آزمون عدم برازش و ANOVA کلی را تضعیف می‌کند. حداقل ۳ نقطه مرکزی به شدت توصیه می‌شود.
  • نادیده گرفتن نیاز به تصادفی‌سازی: اجرای BBD به ترتیب غیر تصادفی (به عنوان مثال، گروه‌بندی تمام اجراهای دمای پایین) اثرات عامل را با متغیرهای مزاحم مرتبط با زمان مخلوط می‌کند و مدل را بی‌اعتبار می‌سازد.

پرسش‌های متداول

طراحی باکس-بنهن چه تفاوتی با طراحی ترکیبی مرکزی دارد؟

هر دو طراحی یک مدل چندجمله‌ای مرتبه دوم را برای تحلیل سطح پاسخ برازش می‌دهند، اما در ساختار متفاوت هستند. طراحی ترکیبی مرکزی (CCD) شامل یک بلوک عاملی (گوشه) دو سطحی به علاوه نقاط محوری (ستاره‌ای) است که فراتر از محدوده عامل امتداد می‌یابند و می‌توانند به صورت متوالی از یک آزمایش غربالگری قبلی ساخته شوند. BBD هیچ نقطه گوشه‌ای و هیچ نقطه‌ای فراتر از محدوده عامل ندارد — فقط از سه سطح در هر عامل استفاده می‌کند. BBD را زمانی انتخاب کنید که اجراهای گوشه غیرممکن باشند؛ CCD را زمانی انتخاب کنید که ساخت متوالی یا خواص در گوشه‌های حدی مهم باشند.

طراحی باکس-بنهن به چند اجرا نیاز دارد؟

تعداد اجراها به تعداد عوامل k بستگی دارد. برای k = ۳: ۱۵ اجرا (۱۲ نقطه میانی لبه + ۳ نقطه مرکزی)؛ برای k = ۴: ۲۷ اجرا؛ برای k = ۵: ۴۶ اجرا. این شمارش‌ها شامل تعداد استاندارد تکرارهای نقطه مرکزی است. این را با یک طرح عاملی کامل سه سطحی مقایسه کنید که به ترتیب ۲۷، ۸۱ و ۲۴۳ اجرا برای k = ۳، ۴ و ۵ نیاز دارد — BBD صرفه‌جویی چشمگیری ارائه می‌دهد.

آیا می‌توانم از طراحی باکس-بنهن با بیش از هفت عامل استفاده کنم؟

BBD به طور کلی برای ۳ تا ۷ عامل استفاده می‌شود. برای بیش از هفت عامل، تعداد اجراها به طور قابل توجهی افزایش می‌یابد و رویکردهای جایگزین مانند طرح‌های غربالگری قطعی یا طرح‌های بهینه تولید شده توسط کامپیوتر معمولاً کارآمدتر هستند. مقاله اصلی باکس و بنهن (۱۹۶۰) طرح‌هایی تا هفت عامل را توصیف کرد.

چه نرم‌افزاری می‌تواند تحلیل باکس-بنهن را اجرا کند؟

BBD در اکثر بسته‌های آماری اصلی پشتیبانی می‌شود: JMP (ماژول Design of Experiments)، Minitab (بخش Response Surface در DOE)، SAS (PROC OPTEX یا PROC RSREG) و R (بسته rsm با تابع bbd()). کاربران پایتون می‌توانند از کتابخانه pyDOE2 استفاده کنند. همه اینها ماتریس طراحی را تولید می‌کنند، مدل مرتبه دوم را برازش می‌دهند و خروجی ANOVA، نمودارهای سطح پاسخ و بهینه‌سازی را ارائه می‌دهند.

آیا طراحی باکس-بنهن چرخشی است؟

BBD تقریباً چرخشی است، به این معنی که واریانس پیش‌بینی در فواصل مساوی از مرکز طراحی تقریباً ثابت است، اما چرخش دقیق به تعداد عوامل بستگی دارد. برای k = ۳، BBD استاندارد با تعداد نقطه مرکزی که معمولاً استفاده می‌شود، دقیقاً چرخشی است. برای مقادیر دیگر k، چرخش تقریبی است. در عمل، این چرخش تقریبی برای اکثر کاربردهای مهندسی و علمی کافی است.

روش‌های مرتبط

منابع

  1. Box, G. E. P., & Behnken, D. W. (1960). Some new three level designs for the study of quantitative variables. Technometrics, 2(4), 455–475.

    باز کردن مرجع DOI
    کپی شد.
  2. Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2016). Response Surface Methodology: Process and Product Optimization Using Designed Experiments (4th ed.). Wiley.

    شابک: 978-1118916025
    کپی شد.