طراحی ترکیبی مرکزی — طراحی آزمایشی سطح پاسخ
- معرفیشده توسط
- George E. P. Box and K. B. Wilson
- سال
- 1951
- نوع
- Response surface experimental design
- خانواده
- Engineering methods
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
طراحی ترکیبی مرکزی (CCD) یک طرح سطح پاسخ مرتبه دوم است که به پژوهشگران اجازه میدهد تا به طور مؤثر یک مدل کامل درجه دوم را برازش دهند که عوامل ورودی پیوسته چندگانه را به یک یا چند متغیر پاسخ مرتبط میکند. این طرح که در سال ۱۹۵۱ توسط باکس و ویلسون معرفی شد، هسته فاکتوریل (یا فاکتوریل کسری)، نقاط محوری (ستارهای) و تکرارهای نقطه مرکزی را در یک طرح واحد یکپارچه ترکیب میکند و آن را به پرکاربردترین طرح برای بهینهسازی فرآیند در مهندسی، شیمی و تولید تبدیل کرده است.
شهود پشت روش
فرض کنید در حال بهینهسازی بازده یک واکنش شیمیایی با تغییر دما و فشار هستید. یک طرح فاکتوریل ساده درباره اثرات اصلی و تعاملات در فقط دو سطح برای هر عامل به شما اطلاعات میدهد، اما سطح منحنی که اغلب در نزدیکی بهینه وجود دارد را نادیده میگیرد. CCD دو نقطه اضافی فراتر از گوشههای فاکتوریل در امتداد هر محور عامل اضافه میکند - نقاط محوری یا ستارهای - بنابراین آزمایش به اندازه کافی در هر جهت برای تخمین انحنا گسترش مییابد. چند اجرای نقطه مرکزی برای اندازهگیری خطای خالص آزمایشی و بررسی اینکه آیا رابطه واقعاً منحنی است نه خطی، اضافه میشود. در مجموع این سه مجموعه نقطه به شما امکان میدهد تا کل سطح پاسخ را با اجرای بسیار کمتر از آنچه یک فاکتوریل کامل سه سطحی نیاز دارد، ترسیم کنید.
تاریخ
طراحی ترکیبی مرکزی توسط جورج ای. پی. باکس و کی. بی. ویلسون در مقاله برجسته خود در سال ۱۹۵۱ در مجله انجمن سلطنتی آمار معرفی شد که همزمان مفهوم روششناسی سطح پاسخ را معرفی کرد. باکس و ویلسون نشان دادند که ترکیب یک طرح فاکتوریل با نقاط محوری امکان تخمین انحنای سطح پاسخ و تعیین بهینه را با آزمایشهای بسیار کمتر از آنچه روشهای موجود نیاز داشتند، فراهم میکند. این طرح در طول دهههای ۱۹۵۰ و ۱۹۶۰ در بهینهسازی فرآیندهای صنعتی مرکزی شد و توسط کتاب درسی باکس و درپر با عنوان Empirical Model-Building and Response Surfaces (۱۹۸۷) محبوبیت یافت. امروزه CCD همچنان پر استنادترین و پرکاربردترین طرح آزمایشی مرتبه دوم در سراسر مهندسی، شیمی و علوم زیستی باقی مانده است.
چه زمانی استفاده شود
زمانی از CCD استفاده کنید که نیاز به برازش یک مدل مرتبه دوم (درجه دوم) برای ترسیم و بهینهسازی یک پاسخ پیوسته در ناحیهای از k عامل کمی (معمولاً k = ۲–۶) دارید. این انتخاب استاندارد در مطالعات بهینهسازی فرآیند در مهندسی شیمی، توسعه داروسازی، علوم غذایی و تولید است، زمانی که انتظار انحنا در رابطه عامل-پاسخ را دارید یا زمانی که یک مدل مرتبه اول قبلاً عدم برازش قابل توجهی را نشان داده است. CCD نسبت به طرح باکس-بنهکن ترجیح داده میشود زمانی که میتوانید نقاط محوری فراتر از محدوده فاکتوریل را تحمل کنید (یا نیاز دارید) و نسبت به یک فاکتوریل کامل ۳^k زمانی که صرفهجویی در اجرا مهم است. از CCD با عوامل دستهای، متغیرهای پاسخ دودویی یا شمارشی استفاده نکنید، یا زمانی که ناحیه آزمایشی از نظر هندسی محدود شده است به طوری که نقاط محوری خارج از محدودههای عملیاتی ممکن قرار میگیرند (در این صورت طرح باکس-بنهکن یا D-optimal مناسبتر است). همچنین اگر از یک مدل مرتبه اول با استراتژی صعودیترین شیب هنوز برای انتقال طرح به نزدیکی بهینه استفاده نشده است، از CCD اجتناب کنید - برازش یک درجه دوم دور از بهینه، اجراها را هدر میدهد.
محدودیتها و ملاحظات
- تمام عوامل باید پیوسته و کمی باشند؛ بدون اصلاح نمیتواند عوامل دستهای را مدیریت کند.
- نقاط محوری در فاصله آلفا > ۱ فراتر از مکعب فاکتوریل امتداد مییابند، که ممکن است زمانی که سطوح عامل محدودیت فیزیکی دارند، امکانپذیر نباشد.
- با افزایش k (k > ۵)، تعداد کل اجراها به سرعت افزایش مییابد و تقاضای منابع قابل توجه میشود.
- مدل درجه دوم یک تقریب محلی است؛ اگر سطح پاسخ واقعی دارای غیرخطی بودن مرتبه بالاتر باشد، مدل CCD ممکن است همچنان در نزدیکی بهینه عدم برازش را نشان دهد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- به طور مؤثر تمام ضرایب یک چندجملهای کامل مرتبه دوم را با اجرای کمتر از طرح فاکتوریل ۳^k تخمین میزند.
- قابلیت چرخش: CCD با مرکز چهره یا قابل چرخش، واریانس پیشبینی برابر را در تمام نقاطی که از مرکز طرح فاصله یکسانی دارند، فراهم میکند و دقت پیشبینی یکنواختی را ارائه میدهد.
- تکرارهای نقطه مرکزی، تخمین مستقلی از خطای خالص را فراهم میکنند و امکان آزمون عدم برازش معتبر را فراهم میسازند.
- انعطافپذیر: میتواند به صورت متوالی ساخته شود - ابتدا هسته فاکتوریل را اجرا کنید (به عنوان یک طرح غربالگری)، سپس در صورت تشخیص انحنا، با نقاط محوری و مرکزی آن را تکمیل کنید.
- در نرمافزارهای آماری استاندارد (JMP، Minitab، بسته rsm در R، SAS) به خوبی پشتیبانی میشود.
کاربردها
- توسعه فرآیند داروسازی: بهینهسازی نیروی فشردهسازی قرص، رطوبت گرانولاسیون و غلظت بایندر برای به حداکثر رساندن همزمان نرخ انحلال و سختی.
- مهندسی شیمی: ترسیم بازده و گزینشپذیری به عنوان تابعی از دما، فشار و بارگذاری کاتالیزور واکنش برای یافتن بهینههای عملیاتی.
- علوم غذایی: بهینهسازی شرایط پخت یا تخمیر (زمان، دما، نسبت مواد تشکیل دهنده) برای کیفیت بافت و حسی.
- مهندسی محیط زیست: مدلسازی کارایی حذف آلاینده به عنوان تابعی از pH، زمان تماس و دوز جاذب در مطالعات تصفیه آب.
- تولید: بهینهسازی پارامترهای ماشینکاری (سرعت برش، نرخ تغذیه، عمق برش) برای به حداقل رساندن زبری سطح و سایش ابزار.
- علم مواد: برازش استحکام یا رسانایی به عنوان تابعی از ترکیب و شرایط پردازش برای هدایت فرمولاسیون آلیاژ یا پلیمر.
چگونه کار میکند
چگونه کار میکند
عوامل کمی پیوسته k مورد مطالعه را شناسایی کرده و سطوح فاکتوریل پایین و بالای آنها (کدگذاری شده -۱ و +۱) را تعیین کنید. فاصله محوری آلفا را انتخاب کنید - برای قابلیت چرخش آلفا = (۲^k)^(۱/۴)؛ برای CCD با مرکز چهره آلفا = ۱. تعداد تکرارهای نقطه مرکزی n0 (معمولاً ۳–۶) را برای تخمین خطای خالص و تثبیت واریانس تعیین کنید.
سه جزء را مونتاژ کنید: (۱) یک هسته فاکتوریل کامل ۲^k یا یک هسته فاکتوریل کسری مناسب ۲^(k-p) که ۲^k (یا کمتر) اجرای گوشه را فراهم میکند؛ (۲) ۲k نقطه محوری (ستارهای) در فاصله آلفا از مرکز در امتداد هر محور عامل قرار گرفتهاند؛ و (۳) n0 اجرای نقطه مرکزی در مبدأ. تعداد کل اجراها N = ۲^k + ۲k + n0 است. برای k=۲ عامل این معمولاً ۱۳ اجرا است؛ برای k=۳، حدود ۲۰ اجرا.
فرمول
N = 2^k + 2k + n_0
اجراهای آزمایشی N را به ترتیب تصادفی انجام دهید تا از سوگیری سیستماتیک ناشی از روند زمانی یا انحراف تجهیزات جلوگیری شود. مقدار (های) پاسخ را برای هر اجرا ثبت کنید. در صورت امکان، بلوکبندی بخشهای فاکتوریل و محوری در جلسات آزمایشی جداگانه، قابلیت چرخش را حفظ کرده و در عین حال تغییرات روز به روز را کنترل میکند.
از رگرسیون حداقل مربعات برای برازش چندجملهای کامل مرتبه دوم استفاده کنید: y = بتا۰ + جمع(بتا_i * x_i) + جمع(بتا_ii * x_i^2) + جمع(بتا_ij * x_i * x_j) + اپسیلون. این مدل اثرات اصلی، اثرات درجه دوم خالص (انحنا) و تعاملات دو عاملی را در بر میگیرد. ساختار نقطه CCD تضمین میکند که تمام ضرایب مرتبه دوم قابل تخمین هستند.
فرمول
y = \beta_0 + \sum_{i}\beta_i x_i + \sum_{i}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_ix_j + \varepsilonکفایت مدل را از طریق تحلیل واریانس (ANOVA)، ضریب تعیین (R^2 و R^2 تعدیل شده)، نمودارهای باقیمانده و آزمون عدم برازش (که توسط تکرارهای نقطه مرکزی فعال میشود) ارزیابی کنید. تأیید کنید که مدل مفروضات رگرسیون - نرمال بودن و واریانس ثابت باقیماندهها - را قبل از نتیجهگیری برآورده میکند.
از سطح پاسخ برازش شده برای تعیین بهینه - حداکثر، حداقل یا نقطه زینی - از طریق تحلیل کانونی، نمودارهای کانتور یا بهینهسازی عددی تابع مطلوبیت استفاده کنید. بهینه پیشبینی شده را با یک یا چند اجرای تأیید در تنظیمات عامل بهینه قبل از تعهد به تغییرات عملیاتی، تأیید کنید.
دامهای رایج
- اجرای طرح دور از بهینه واقعی - CCD یک طرح مرتبه دوم است که برای تنظیم دقیق در نزدیکی بهینه در نظر گرفته شده است، نه برای کاوش گسترده؛ ابتدا از طرحهای غربالگری و صعودیترین شیب استفاده کنید.
- نادیده گرفتن آزمون عدم برازش - نقاط مرکزی دقیقاً برای آزمایش اینکه آیا مدل درجه دوم برازش میشود، وجود دارند؛ سیگنال عدم برازش قابل توجه به این معنی است که مدل ناکافی است و نتایج بهینهسازی قابل اعتماد نیستند.
- عدم تصادفیسازی ترتیب اجرا - اجرای سیستماتیک بلوک فاکتوریل و سپس اجرای نقاط محوری و مرکزی بدون تصادفیسازی، اثرات زمانی را با اثرات عامل مخلوط میکند.
- انتخاب آلفا بدون بررسی امکانسنجی - یک CCD قابل چرخش (آلفا = (۲^k)^(۱/۴)) نقاط محوری را به خوبی فراتر از محدوده فاکتوریل قرار میدهد؛ همیشه قبل از نهایی کردن طرح، بررسی کنید که سطوح عامل حاصل قابل دستیابی فیزیکی باشند.
- تفسیر بیش از حد سطح دور از ناحیه طرح - درجه دوم برازش شده فقط در داخل ناحیه آزمایشی قابل اعتماد است؛ برونیابی برای یافتن یک بهینه جهانی خارج از آن ناحیه از نظر آماری غیرقابل توجیه است.
پرسشهای متداول
تفاوت بین CCD با مرکز چهره و CCD قابل چرخش چیست؟
در یک CCD با مرکز چهره (آلفا = ۱) نقاط محوری روی وجوه مکعب فاکتوریل قرار میگیرند، بنابراین تمام تنظیمات عامل در محدوده [-۱, +۱] باقی میمانند - زمانی که انحرافات محوری امکانپذیر نیستند مفید است. در یک CCD قابل چرخش آلفا = (۲^k)^(۱/۴)، نقاط محوری را دورتر قرار میدهد؛ این امر واریانس پیشبینی برابر را در تمام نقاطی که فاصله یکسانی از مرکز دارند (قابلیت چرخش) میدهد اما به سطوح عاملی فراتر از محدوده فاکتوریل نیاز دارد. زمانی که محدودیتهای فیزیکی از تنظیمات شدید جلوگیری میکنند، مرکز چهره را انتخاب کنید؛ زمانی که اولویت دقت پیشبینی یکنواخت در سراسر کره طرح است، قابل چرخش را انتخاب کنید.
چند تکرار نقطه مرکزی باید استفاده کنم؟
توصیه استاندارد ۳–۶ تکرار نقطه مرکزی است. سه حداقل عملی برای به دست آوردن یک آزمون عدم برازش معنیدار و یک تخمین پایدار از خطای خالص است. استفاده از ۵–۶ نقطه مرکزی، پایداری تخمین واریانس را بهبود میبخشد و زمانی که انتظار میرود نویز آزمایشی بالا باشد، توصیه میشود. بیش از شش نقطه مرکزی به ندرت ارزش متناسبی اضافه میکنند و تعداد کل اجراها را افزایش میدهند.
آیا میتوانم از CCD زمانی که بیش از شش عامل دارم استفاده کنم؟
بله، اما صرفهجویی در اجرا کاهش مییابد. برای k > ۵، فاکتوریل کامل ۲^k گران میشود، بنابراین متخصصان معمولاً یک فاکتوریل کسری با وضوح V را جایگزین میکنند و یک طراحی ترکیبی مرکزی کسری ایجاد میکنند. نرمافزارهایی مانند JMP یا Minitab این ساختار را خودکار میکنند. برای k > ۶، یک طرح بهینه D یا بهینه I که توسط کامپیوتر تولید شده است، اغلب جایگزین کارآمدتری از نظر اجرا نسبت به هر CCD کلاسیک ارائه میدهد.
CCD چگونه با طرح باکس-بنهکن مقایسه میشود؟
هر دو طرح سطح پاسخ مرتبه دوم برای k >= ۳ عامل هستند. CCD شامل نقاط گوشه (فاکتوریل) به علاوه نقاط محوری به علاوه نقاط مرکزی است؛ باکس-بنهکن فقط از نقاط میانی لبه و نقاط مرکزی استفاده میکند، بنابراین هرگز به ترکیبات عامل در گوشههای شدید فضای طرح نیاز ندارد. باکس-بنهکن زمانی ترجیح داده میشود که تنظیمات گوشه خطرناک یا غیرممکن فیزیکی باشند و زمانی که نقاط محوری آلفا > ۱ قابل دستیابی نباشند. CCD زمانی ترجیح داده میشود که تنظیمات گوشه امکانپذیر باشند و زمانی که استراتژی متوالی (تکمیلی) مورد نظر است، زیرا بلوک فاکتوریل میتواند وظیفه مضاعف به عنوان یک آزمایش غربالگری قبلی را انجام دهد.
از چه نرمافزاری میتوانم برای راهاندازی و تجزیه و تحلیل CCD استفاده کنم؟
تمام بستههای آماری اصلی از CCD پشتیبانی میکنند: Minitab (Response Surface > Central Composite)، JMP (Custom Design یا پلتفرم Response Surface)، SAS PROC RSREG، و R با بسته rsm (تابع ccd()). بسته rsm به صورت رایگان در دسترس است و تولید کامل طرح، برازش مدل و ترسیم سطح را در یک گردش کار ارائه میدهد.
روشهای مرتبط
منابع
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.
باز کردن مرجع DOIکپی شد.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
شابک: 978-1119492443کپی شد.