Central Composite Design — Eksperymentalny projekt powierzchni odpowiedzi
- Autor metody
- George E. P. Box and K. B. Wilson
- Rok
- 1951
- Typ
- Response surface experimental design
- Rodzina
- Engineering methods
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Central Composite Design (CCD) to projekt powierzchni odpowiedzi drugiego rzędu, który umożliwia badaczom efektywne dopasowanie pełnego modelu kwadratowego, łączącego wiele ciągłych czynników wejściowych z jedną lub większą liczbą zmiennych odpowiedzi.
Wprowadzony przez Boxa i Wilsona w 1951 roku, łączy on rdzeń czynnikowy (lub ułamkowy czynnikowy), punkty osiowe (gwiazdowe) i replikacje punktu centralnego w jeden ujednolicony projekt, co czyni go najczęściej stosowanym projektem do optymalizacji procesów w inżynierii, chemii i produkcji.
Intuicja stojąca za metodą
Załóżmy, że optymalizujesz wydajność reakcji chemicznej, zmieniając temperaturę i ciśnienie. Prosty projekt czynnikowy informuje o głównych efektach i interakcjach tylko na dwóch poziomach dla każdego czynnika, ale pomija zakrzywioną powierzchnię, która często występuje w pobliżu optimum. CCD dodaje dwa dodatkowe punkty poza narożnikami czynnikowymi wzdłuż każdej osi czynnika — punkty osiowe lub gwiazdowe — dzięki czemu eksperyment sięga wystarczająco daleko w każdym kierunku, aby oszacować krzywiznę. Dodaje się kilka przebiegów w punkcie centralnym, aby zmierzyć czysty błąd eksperymentalny i sprawdzić, czy zależność jest rzeczywiście zakrzywiona, a nie liniowa. Razem te trzy zestawy punktów pozwalają na mapowanie całej powierzchni odpowiedzi przy znacznie mniejszej liczbie przebiegów niż wymagałby pełny projekt czynnikowy trójpoziomowy.
Historia
Central Composite Design został wprowadzony przez George'a E. P. Boxa i K. B. Wilsona w ich przełomowej pracy z 1951 roku w Journal of the Royal Statistical Society, która jednocześnie wprowadziła koncepcję metodologii powierzchni odpowiedzi. Box i Wilson pokazali, że połączenie projektu czynnikowego z punktami osiowymi pozwala na oszacowanie krzywizny powierzchni odpowiedzi i zlokalizowanie optimum przy znacznie mniejszej liczbie eksperymentów niż wymagały tego istniejące metody. Projekt ten stał się kluczowy dla optymalizacji procesów przemysłowych w latach 50. i 60. XX wieku i został spopularyzowany przez podręcznik Boxa i Drapera Empirical Model-Building and Response Surfaces (1987). Dziś CCD pozostaje najczęściej cytowanym i stosowanym eksperymentalnym projektem drugiego rzędu w inżynierii, chemii i naukach przyrodniczych.
Kiedy stosować
Użyj CCD, gdy musisz dopasować model drugiego rzędu (kwadratowy), aby mapować i optymalizować ciągłą odpowiedź w obszarze k czynników ilościowych (zazwyczaj k = 2–6). Jest to standardowy wybór w badaniach optymalizacji procesów w inżynierii chemicznej, rozwoju farmaceutycznego, nauce o żywności i produkcji, gdy spodziewasz się krzywizny w zależności czynnik-odpowiedź lub gdy model pierwszego rzędu wykazał już znaczący brak dopasowania. CCD jest preferowany w stosunku do projektu Boxa-Behnkena, gdy możesz sobie pozwolić (lub potrzebujesz) na ustawienia czynników w ekstremalnych punktach osiowych poza zakresem czynnikowym, oraz w stosunku do pełnego projektu czynnikowego 3^k, gdy liczy się ekonomia przebiegów. NIE używaj CCD z czynnikami kategorialnymi, binarnymi lub zmiennymi odpowiedzi zliczającymi, ani gdy obszar eksperymentalny jest geometrycznie ograniczony w taki sposób, że punkty osiowe wypadają poza wykonalne zakresy operacyjne (w takim przypadku bardziej odpowiedni jest projekt Boxa-Behnkena lub D-optymalny). Unikaj również CCD, jeśli model pierwszego rzędu ze strategią najszybszego wzrostu nie został jeszcze użyty do przeniesienia projektu w pobliże optimum — dopasowanie kwadratu daleko od optimum marnuje przebiegi.
Ograniczenia i uwagi
- Wymaga, aby wszystkie czynniki były ciągłe i ilościowe; nie może obsługiwać czynników kategorialnych bez modyfikacji.
- Punkty osiowe w odległości alfa > 1 wykraczają poza sześcian czynnikowy, co może być niewykonalne, gdy poziomy czynników są fizycznie ograniczone.
- W miarę wzrostu k (k > 5) całkowita liczba przebiegów szybko rośnie, a zapotrzebowanie na zasoby staje się znaczne.
- Model kwadratowy jest lokalnym przybliżeniem; jeśli prawdziwa powierzchnia odpowiedzi ma nieliniowość wyższego rzędu, model CCD może nadal wykazywać brak dopasowania w pobliżu optimum.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Efektywnie szacuje wszystkie współczynniki pełnego wielomianu drugiego rzędu przy mniejszej liczbie przebiegów niż projekt czynnikowy 3^k.
- Rotacyjność: CCD z centrowaniem na ścianach lub rotacyjny zapewnia równą wariancję predykcji we wszystkich punktach równoodległych od centrum projektu, co daje jednolitą precyzję predykcyjną.
- Replikacje punktu centralnego dostarczają niezależnego oszacowania czystego błędu, umożliwiając prawidłowy test braku dopasowania.
- Elastyczny: może być budowany sekwencyjnie — najpierw uruchom rdzeń czynnikowy (jako projekt przesiewowy), a następnie uzupełnij o punkty osiowe i centralne, jeśli zostanie wykryta krzywizna.
- Dobrze wspierany w standardowym oprogramowaniu statystycznym (JMP, Minitab, pakiet R rsm, SAS PROC RSREG).
Zastosowania
- Rozwój procesów farmaceutycznych: optymalizacja siły prasowania tabletek, wilgotności granulacji i stężenia spoiwa w celu jednoczesnego maksymalizowania szybkości rozpuszczania i twardości.
- Inżynieria chemiczna: mapowanie wydajności i selektywności jako funkcji temperatury reakcji, ciśnienia i obciążenia katalizatora w celu znalezienia optymalnych warunków pracy.
- Nauka o żywności: optymalizacja warunków pieczenia lub fermentacji (czas, temperatura, proporcje składników) dla tekstury i jakości sensorycznej.
- Inżynieria środowiska: modelowanie efektywności usuwania zanieczyszczeń jako funkcji pH, czasu kontaktu i dawki adsorbentu w badaniach uzdatniania wody.
- Produkcja: optymalizacja parametrów obróbki (prędkość skrawania, posuw, głębokość skrawania) w celu minimalizacji chropowatości powierzchni i zużycia narzędzia.
- Nauka o materiałach: dopasowanie wytrzymałości lub przewodnictwa jako funkcji składu i warunków przetwarzania w celu ukierunkowania formulacji stopów lub polimerów.
Jak to działa
Jak to działa
Zidentyfikuj k ciągłych czynników ilościowych, które mają być badane, i ustaw ich niskie i wysokie poziomy czynnikowe (kodowane -1 i +1). Wybierz odległość osiową alfa — dla rotacyjności alfa = (2^k)^(1/4); dla CCD z centrowaniem na ścianach alfa = 1. Określ liczbę replikacji punktu centralnego n0 (zazwyczaj 3–6), aby oszacować czysty błąd i ustabilizować wariancję.
Zestaw trzy komponenty: (1) pełny projekt czynnikowy 2^k lub odpowiedni ułamkowy projekt czynnikowy 2^(k-p) dostarczający 2^k (lub mniej) przebiegów narożnych; (2) 2k punktów osiowych (gwiazdowych) umieszczonych w odległości alfa od centrum wzdłuż każdej osi czynnika; oraz (3) n0 przebiegów w punkcie centralnym w początku układu współrzędnych. Całkowita liczba przebiegów wynosi N = 2^k + 2k + n0. Dla k=2 czynników jest to zazwyczaj 13 przebiegów; dla k=3, około 20 przebiegów.
Wzór
N = 2^k + 2k + n_0
Przeprowadź N przebiegów eksperymentalnych w losowej kolejności, aby zapobiec systematycznym błędom wynikającym z trendów czasowych lub dryfu sprzętu. Zapisz wartość (wartości) odpowiedzi dla każdego przebiegu. Jeśli pozwalają na to zasoby, blokowanie części czynnikowej i osiowej w oddzielne sesje eksperymentalne zachowuje rotacyjność, jednocześnie kontrolując zmienność z dnia na dzień.
Użyj regresji metodą najmniejszych kwadratów, aby dopasować pełny wielomian drugiego rzędu: y = beta0 + sum(beta_i * x_i) + sum(beta_ii * x_i^2) + sum(beta_ij * x_i * x_j) + epsilon. Model ten uwzględnia główne efekty, czyste efekty kwadratowe (krzywizny) i interakcje dwuczynnikowe. Struktura punktów CCD zapewnia, że wszystkie współczynniki drugiego rzędu są estymowalne.
Wzór
y = \beta_0 + \sum_{i}\beta_i x_i + \sum_{i}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_ix_j + \varepsilonOceń adekwatność modelu za pomocą analizy wariancji (ANOVA), współczynnika determinacji (R^2 i skorygowany R^2), wykresów reszt i testu braku dopasowania (umożliwionego przez replikacje punktu centralnego). Przed wyciągnięciem wniosków potwierdź, że model spełnia założenia regresji — normalność i stałą wariancję reszt.
Użyj dopasowanej powierzchni odpowiedzi, aby zlokalizować optimum — maksimum, minimum lub punkt siodłowy — za pomocą analizy kanonicznej, wykresów konturowych lub numerycznej optymalizacji funkcji pożądania. Zweryfikuj przewidywane optimum za pomocą jednego lub więcej przebiegów potwierdzających przy optymalnych ustawieniach czynników, zanim wprowadzisz zmiany operacyjne.
Częste pułapki
- Przeprowadzanie projektu daleko od prawdziwego optimum — CCD to projekt drugiego rzędu przeznaczony do precyzyjnego dostrajania w pobliżu optimum, a nie do szerokiej eksploracji; najpierw użyj projektów przesiewowych i najszybszego wzrostu.
- Ignorowanie testu braku dopasowania — punkty centralne są tam właśnie po to, aby sprawdzić, czy model kwadratowy pasuje; znaczący sygnał braku dopasowania oznacza, że model jest nieadekwatny, a wnioski optymalizacyjne są niewiarygodne.
- Brak randomizacji kolejności przebiegów — systematyczne wykonanie bloku czynnikowego, a następnie przebiegów osiowych i centralnych bez randomizacji, powoduje pomieszanie efektów czasowych z efektami czynników.
- Wybór alfa bez sprawdzania wykonalności — rotacyjny CCD (alfa = (2^k)^(1/4)) umieszcza punkty osiowe znacznie poza zakresem czynnikowym; zawsze sprawdź, czy wynikowe poziomy czynników są fizycznie osiągalne przed sfinalizowaniem projektu.
- Nadmierna interpretacja powierzchni daleko od obszaru projektu — dopasowany kwadrat jest wiarygodny tylko w obszarze eksperymentalnym; ekstrapolacja w celu znalezienia globalnego optimum poza tym obszarem jest statystycznie nieuzasadniona.
Najczęściej zadawane pytania
Jaka jest różnica między CCD z centrowaniem na ścianach a rotacyjnym CCD?
W CCD z centrowaniem na ścianach (alfa = 1) punkty osiowe leżą na ścianach sześcianu czynnikowego, więc wszystkie ustawienia czynników pozostają w zakresie [-1, +1] — przydatne, gdy wycieczki osiowe nie są wykonalne. W rotacyjnym CCD alfa = (2^k)^(1/4), umieszczając punkty osiowe dalej; daje to równą wariancję predykcji we wszystkich punktach w tej samej odległości od centrum (rotacyjność), ale wymaga poziomów czynników poza zakresem czynnikowym. Wybierz centrowanie na ścianach, gdy ograniczenia fizyczne uniemożliwiają ekstremalne ustawienia; wybierz rotacyjny, gdy priorytetem jest jednolita precyzja predykcyjna w całej sferze projektu.
Ile replikacji punktu centralnego powinienem użyć?
Standardowa rekomendacja to 3–6 replikacji punktu centralnego. Trzy to praktyczne minimum, aby uzyskać znaczący test braku dopasowania i stabilne oszacowanie czystego błędu. Użycie 5–6 punktów centralnych poprawia stabilność oszacowania wariancji i jest wskazane, gdy spodziewany jest wysoki poziom szumu eksperymentalnego. Więcej niż sześć punktów centralnych rzadko dodaje proporcjonalną wartość i zwiększa całkowitą liczbę przebiegów.
Czy mogę używać CCD, gdy mam więcej niż sześć czynników?
Tak, ale ekonomia przebiegów pogarsza się. Dla k > 5 pełny rdzeń czynnikowy 2^k staje się kosztowny, więc praktycy zazwyczaj zastępują go ułamkowym projektem czynnikowym rozdzielczości V, tworząc ułamkowy centralny projekt kompozytowy. Oprogramowanie takie jak JMP lub Minitab automatyzuje tę konstrukcję. Dla k > 6 komputerowo generowany projekt D-optymalny lub I-optymalny często stanowi bardziej efektywną alternatywę dla klasycznego CCD.
Jak CCD wypada w porównaniu z projektem Boxa-Behnkena?
Oba są projektami powierzchni odpowiedzi drugiego rzędu dla k >= 3 czynników. CCD obejmuje punkty narożne (czynnikowe) plus punkty osiowe plus punkty centralne; Box-Behnken wykorzystuje tylko punkty środkowe krawędzi i punkty centralne, więc nigdy nie wymaga kombinacji czynników w ekstremalnych narożnikach przestrzeni projektowej. Box-Behnken jest preferowany, gdy ustawienia narożne są fizycznie niebezpieczne lub niewykonalne i gdy punkty osiowe alfa > 1 nie mogą być osiągnięte. CCD jest preferowany, gdy ustawienia narożne są wykonalne i gdy pożądana jest strategia sekwencyjna (rozszerzania), ponieważ blok czynnikowy może pełnić podwójną rolę jako wcześniejszy eksperyment przesiewowy.
Jakiego oprogramowania mogę użyć do konfiguracji i analizy CCD?
Wszystkie główne pakiety statystyczne obsługują CCD: Minitab (Response Surface > Central Composite), JMP (Custom Design lub platforma Response Surface), SAS PROC RSREG oraz R z pakietem rsm (funkcja ccd()). Pakiet rsm jest dostępny bezpłatnie i zapewnia pełne generowanie projektu, dopasowanie modelu i wykreślanie powierzchni w jednym przepływie pracy.
Pokrewne metody
Źródła
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.
Otwórz odnośnik DOISkopiowano.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119492443Skopiowano.