Центральное композиционное планирование — планирование эксперимента для поверхностей отклика
- Автор метода
- George E. P. Box and K. B. Wilson
- Год
- 1951
- Тип
- Response surface experimental design
- Семейство
- Engineering methods
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Центральное композиционное планирование (ЦКП) — это план поверхности отклика второго порядка, который позволяет исследователям эффективно построить полную квадратичную модель, связывающую несколько непрерывных входных факторов с одной или несколькими переменными отклика.
Введенное Боксом и Уилсоном в 1951 году, оно объединяет факторное (или дробно-факторное) ядро, аксиальные (звездные) точки и репликации в центральной точке в единый унифицированный план, что делает его наиболее широко используемым планом для оптимизации процессов в инженерии, химии и производстве.
Интуиция метода
Предположим, вы оптимизируете выход химической реакции, варьируя температуру и давление. Простой факторный план дает информацию об основных эффектах и взаимодействиях только на двух уровнях для каждого фактора, но упускает криволинейную поверхность, которая часто существует вблизи оптимума. ЦКП добавляет две дополнительные точки за пределами факторных углов вдоль каждой оси фактора — аксиальные или звездные точки — так что эксперимент распространяется достаточно далеко в каждом направлении, чтобы оценить кривизну. Несколько прогонов в центральной точке добавляются для измерения чистой экспериментальной ошибки и проверки того, что зависимость действительно криволинейна, а не линейна. Вместе эти три набора точек позволяют отобразить всю поверхность отклика с гораздо меньшим количеством прогонов, чем потребовал бы полный трех-уровневый факторный план.
История
Центральное композиционное планирование было представлено Джорджем Э. П. Боксом и К. Б. Уилсоном в их знаковой статье 1951 года в Journal of the Royal Statistical Society, которая одновременно представила концепцию методологии поверхности отклика. Бокс и Уилсон показали, что объединение факторного плана с аксиальными точками позволяет оценить кривизну поверхности отклика и определить оптимум с гораздо меньшим количеством экспериментов, чем требовали существующие методы. Этот план стал центральным для оптимизации промышленных процессов на протяжении 1950-х и 1960-х годов и был популяризирован учебником Бокса и Дрейпера «Empirical Model-Building and Response Surfaces» (1987). Сегодня ЦКП остается наиболее цитируемым и применяемым экспериментальным планом второго порядка в инженерии, химии и биологических науках.
Когда применять
Используйте ЦКП, когда вам нужно построить модель второго порядка (квадратичную) для отображения и оптимизации непрерывного отклика в области k количественных факторов (обычно k = 2–6). Это стандартный выбор в исследованиях по оптимизации процессов в химической инженерии, фармацевтической разработке, пищевой науке и производстве, когда ожидается кривизна в зависимости фактор-отклик или когда модель первого порядка уже показала значительный недостаток соответствия. ЦКП предпочтительнее плана Бокса-Бенкена, когда вы можете позволить себе (или нуждаетесь в) настройках факторов в крайних аксиальных точках за пределами факторного диапазона, и предпочтительнее полного факторного плана 3^k, когда важна экономия прогонов. НЕ используйте ЦКП с категориальными факторами, бинарными или счетными переменными отклика, или когда экспериментальная область геометрически ограничена таким образом, что аксиальные точки выходят за пределы допустимых рабочих диапазонов (в этом случае более подходящим является план Бокса-Бенкена или D-оптимальный план). Также избегайте ЦКП, если модель первого порядка со стратегией наискорейшего подъема еще не использовалась для перемещения плана в окрестности оптимума — подгонка квадратичной модели далеко от оптимума приводит к напрасной трате прогонов.
Ограничения и замечания
- Требует, чтобы все факторы были непрерывными и количественными; не может обрабатывать категориальные факторы без модификации.
- Аксиальные точки на расстоянии alpha > 1 выходят за пределы факторного куба, что может быть невыполнимо, когда уровни факторов физически ограничены.
- По мере увеличения k (k > 5) общее количество прогонов быстро возрастает, и требования к ресурсам становятся существенными.
- Квадратичная модель является локальным приближением; если истинная поверхность отклика имеет нелинейность более высокого порядка, модель ЦКП может по-прежнему показывать недостаток соответствия вблизи оптимума.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Эффективно оценивает все коэффициенты полного полинома второго порядка с меньшим количеством прогонов, чем факторный план 3^k.
- Ротатабельность: ЦКП с центральными точками на гранях или ротатабельный ЦКП обеспечивает равную дисперсию предсказания во всех точках, равноудаленных от центра плана, что дает равномерную точность предсказания.
- Репликации в центральной точке обеспечивают независимую оценку чистой ошибки, что позволяет провести достоверный тест на недостаток соответствия.
- Гибкость: может быть построен последовательно — сначала выполняется факторное ядро (как скрининговый план), затем дополняется аксиальными и центральными точками, если обнаружена кривизна.
- Хорошо поддерживается в стандартном статистическом программном обеспечении (JMP, Minitab, R rsm package, SAS PROC RSREG).
Применение
- Разработка фармацевтических процессов: оптимизация силы прессования таблеток, влажности грануляции и концентрации связующего для одновременного максимизации скорости растворения и твердости.
- Химическая инженерия: отображение выхода и селективности как функций температуры реакции, давления и загрузки катализатора для нахождения рабочих оптимумов.
- Пищевая наука: оптимизация условий выпечки или ферментации (время, температура, соотношение ингредиентов) для текстуры и сенсорного качества.
- Экологическая инженерия: моделирование эффективности удаления загрязняющих веществ как функции pH, времени контакта и дозы адсорбента в исследованиях очистки воды.
- Производство: оптимизация параметров обработки (скорость резания, подача, глубина резания) для минимизации шероховатости поверхности и износа инструмента.
- Материаловедение: подгонка прочности или проводимости как функции состава и условий обработки для руководства по составлению сплавов или полимеров.
Как это работает
Как это работает
Определите k непрерывных количественных факторов, подлежащих изучению, и установите их низкие и высокие факторные уровни (кодированные -1 и +1). Выберите аксиальное расстояние alpha — для ротатабельности alpha = (2^k)^(1/4); для ЦКП с центральными точками на гранях alpha = 1. Определите количество репликаций в центральной точке n0 (обычно 3–6) для оценки чистой ошибки и стабилизации дисперсии.
Соберите три компонента: (1) полный факторный план 2^k или подходящее дробное факторное ядро 2^(k-p), обеспечивающее 2^k (или меньше) угловых прогонов; (2) 2k аксиальных (звездных) точек, расположенных на расстоянии alpha от центра вдоль каждой оси фактора; и (3) n0 прогонов в центральной точке в начале координат. Общее количество прогонов N = 2^k + 2k + n0. Для k=2 факторов это обычно 13 прогонов; для k=3 — около 20 прогонов.
Формула
N = 2^k + 2k + n_0
Проведите N экспериментальных прогонов в случайном порядке, чтобы предотвратить систематическое смещение из-за временных тенденций или дрейфа оборудования. Запишите значение(я) отклика для каждого прогона. Если позволяют ресурсы, блокирование факторных и аксиальных частей в отдельные экспериментальные сессии сохраняет ротатабельность, контролируя при этом ежедневные вариации.
Используйте регрессию методом наименьших квадратов для подгонки полного полинома второго порядка: y = beta0 + sum(beta_i * x_i) + sum(beta_ii * x_i^2) + sum(beta_ij * x_i * x_j) + epsilon. Эта модель учитывает основные эффекты, чистые квадратичные (кривизны) эффекты и двухфакторные взаимодействия. Структура точек ЦКП гарантирует, что все коэффициенты второго порядка являются оцениваемыми.
Формула
y = \beta_0 + \sum_{i}\beta_i x_i + \sum_{i}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_ix_j + \varepsilonОцените адекватность модели с помощью дисперсионного анализа (ANOVA), коэффициента детерминации (R^2 и скорректированного R^2), графиков остатков и теста на недостаток соответствия (обеспечиваемого репликациями в центральной точке). Прежде чем делать выводы, убедитесь, что модель соответствует предположениям регрессии — нормальности и постоянству дисперсии остатков.
Используйте подобранную поверхность отклика для определения оптимума — максимума, минимума или седловой точки — с помощью канонического анализа, контурных графиков или численной оптимизации функции желательности. Проверьте предсказанный оптимум одним или несколькими подтверждающими прогонами при оптимальных настройках факторов, прежде чем приступать к операционным изменениям.
Частые ошибки
- Выполнение плана далеко от истинного оптимума — ЦКП является планом второго порядка, предназначенным для тонкой настройки вблизи оптимума, а не для широкого исследования; сначала используйте скрининговые планы и метод наискорейшего подъема.
- Игнорирование теста на недостаток соответствия — центральные точки предназначены именно для проверки того, подходит ли квадратичная модель; значительный сигнал недостатка соответствия означает, что модель неадекватна, а выводы оптимизации ненадежны.
- Несоблюдение случайного порядка прогонов — систематическое выполнение факторного блока с последующими аксиальными и центральными прогонами без рандомизации смешивает временные эффекты с факторными эффектами.
- Выбор alpha без проверки осуществимости — ротатабельный ЦКП (alpha = (2^k)^(1/4)) размещает аксиальные точки далеко за пределами факторного диапазона; всегда проверяйте, что полученные уровни факторов физически достижимы, прежде чем окончательно утверждать план.
- Чрезмерная интерпретация поверхности далеко от области планирования — подобранная квадратичная модель надежна только в пределах экспериментальной области; экстраполяция для поиска глобального оптимума за пределами этой области статистически необоснованна.
Часто задаваемые вопросы
В чем разница между ЦКП с центральными точками на гранях и ротатабельным ЦКП?
В ЦКП с центральными точками на гранях (alpha = 1) аксиальные точки лежат на гранях факторного куба, поэтому все настройки факторов остаются в диапазоне [-1, +1] — это полезно, когда аксиальные выходы невозможны. В ротатабельном ЦКП alpha = (2^k)^(1/4), что размещает аксиальные точки дальше; это дает равную дисперсию предсказания во всех точках, находящихся на одинаковом расстоянии от центра (ротатабельность), но требует уровней факторов за пределами факторного диапазона. Выбирайте ЦКП с центральными точками на гранях, когда физические ограничения препятствуют экстремальным настройкам; выбирайте ротатабельный ЦКП, когда приоритетом является равномерная точность предсказания по всей сфере планирования.
Сколько репликаций в центральной точке следует использовать?
Стандартная рекомендация — 3–6 репликаций в центральной точке. Три — это практический минимум для получения значимого теста на недостаток соответствия и стабильной оценки чистой ошибки. Использование 5–6 центральных точек улучшает стабильность оценки дисперсии и рекомендуется, когда ожидается высокий экспериментальный шум. Более шести центральных точек редко добавляют пропорциональную ценность и увеличивают общее количество прогонов.
Могу ли я использовать ЦКП, если у меня более шести факторов?
Да, но экономия прогонов ухудшается. Для k > 5 полное факторное ядро 2^k становится дорогим, поэтому на практике обычно заменяют его дробным факторным планом разрешения V, создавая дробный центральный композиционный план. Программное обеспечение, такое как JMP или Minitab, автоматизирует это построение. Для k > 6 D-оптимальный или I-оптимальный компьютерный план часто обеспечивает более эффективную по прогонам альтернативу любому классическому ЦКП.
Как ЦКП сравнивается с планом Бокса-Бенкена?
Оба являются планами поверхности отклика второго порядка для k >= 3 факторов. ЦКП включает угловые (факторные) точки плюс аксиальные точки плюс центральные точки; план Бокса-Бенкена использует только средние точки ребер и центральные точки, поэтому он никогда не требует комбинаций факторов в крайних углах пространства планирования. План Бокса-Бенкена предпочтителен, когда угловые настройки физически опасны или невозможны, и когда аксиальные точки alpha > 1 не могут быть достигнуты. ЦКП предпочтителен, когда угловые настройки возможны и когда желательна последовательная (дополнительная) стратегия, потому что факторный блок может выполнять двойную функцию в качестве более раннего скринингового эксперимента.
Какое программное обеспечение я могу использовать для настройки и анализа ЦКП?
Все основные статистические пакеты поддерживают ЦКП: Minitab (Response Surface > Central Composite), JMP (Custom Design или Response Surface platform), SAS PROC RSREG и R с пакетом rsm (функция ccd()). Пакет rsm свободно доступен и обеспечивает полную генерацию плана, подгонку модели и построение поверхности в одном рабочем процессе.
Похожие методы
Источники
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.
Открыть ссылку DOIСкопировано.Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119492443Скопировано.