Научно ~ исследовательская работа студентов МУ ~ ХПИ ~ МТ

Работа добавлена на сайт samzan.net:

Министерство образования и науки Украины

Национальный технический университет

“Харьковский политехнический институт”

Специальность 7.090.206

 

Методические указания

для самостоятельной работы и практических занятий

по планированию промышленного эксперимента в рамках курса «Научно – исследовательская работа студентов»

МУ – ХПИ – МТ. ОМД – 2010

Харьков 2010

Методические указания для самостоятельной работы и практических занятий по курсу «Научно – исследовательская работа студентов»

по образовательной программе подготовки магистра – специалиста, . МУ – ХПИ – МТ. ОМД – 23.12.2007. Составил В.И. Кузьменко. – Харьков: НТУ “ХПИ”, 2010.

Составитель: В.И. Кузьменко.

Рецензент: В.Н. Левченко

Кафедра “Обработка металлов давлением”

СОДЕРЖАНИЕ

ВВЕДЕНИЕ…………………..……………………………………………………

1.  ОСНОВНЫЕ ПОЛОЖЕНИЯ………………………………………………
2.  ЦЕЛИ И ЗАДАЧИ ПРИМЕНЕНИЯ МЕТОДА……………………………

3. ПРАВИЛА ВЫБОРА КОНТРОЛИРУЕМЫХ ПАРАМЕТРОВ ПРИ РАЗРАБОТКЕ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ……………………………..

4. МЕТОД КРУТОГО ВОСХОЖДЕНИЯ

ПРИЛОЖЕНИЯ

Приложение 1

Приложение 2

Приложение 3

Приложение 4

Приложение 5

Приложение 6

Приложение 7

Приложение 8

Приложение 9

ВВЕДЕНИЕ

В современных условиях машиностроение играет решающую роль в развитии экономики страны (его продукция — десятки тыс. наименований машин, аппаратов, приборов, оборудования для всей отрасли). В отрасли сконцентрированы огромные ресурсы: как основные фонды всей промышленности, так и значительное число рабочих, при значительном  объеме валовой продукции. Это обуславливает значительный объём затрат на развитие и внедрение мероприятий по новой технике. Ежегодно в машиностроении разрабатываются десятки тысяч различных конструкций. Разработка конструкций важный, но лишь первый шаг в создании изделий. Реализация идей, заложенных в проекте, зависит от уровня технологии производства Поиск путей осуществления проекта — главная задача технологической подготовки производства. При этом перед коллективом каждого машиностроительного и приборостроительного предприятия стоят следующие задачи:

•  обеспечение выпуска качественной продукции, соответствующей утвержденным чертежам и техническим условиям;
•  выявление и предупреждение брака;
•  разработка и внедрение мероприятий, направленных на улучшение качества продукции.

Для решения этих взаимосвязанных задач следует повысить роль технического контроля при создании изделий. Если учесть, что в стране в течение года появляется большое количество. видов новой продукции, то можно представить масштабы трудовых затрат на разработку технологических процессов, в том числе технического контроля.

Известно, что 60% затрат на освоение новых изделий связано с проектированием и изготовлением технологической оснастки, а трудоемкость разработки процессов технического контроля составляет до 25% от общей трудоемкости разработки технологического процесса.

В настоящее время в эксплуатации находится огромное количество средств измерений. Затраты на измерения велики. Как подсказывает практика, необходимо внедрять более эффективные методы измерения и контроля качества продукции Повышение эффективности контроля заключается в увеличении его надежности и производительности труда при контрольных работах, а также при снижении их себестоимости. Большое значение при этом играет правильный выбор контролируемых параметров, особенно для контроля сложных технологических процессов сложных видов изделий.

В настоящей методике устанавливают правила, необходимые для обоснованного выбора контролируемых параметров при разработке и совершенствовании действующих технологических процессов в машиностроении и приборостроении на основе методов планирования эксперимента.

Внедрение статистических методов планирования эксперимента позволяет в значительной степени исключить интуитивный подход, заменить его научно обоснованной программой проведения экспериментального исследования, включающей объективную оценку результатов эксперимента на всех последовательных этапах исследования.

Основная задача исследования при планировании эксперимента – оптимизация, заключающаяся в нахождении совокупности варьируемых факторов, при которых выбранная целевая функция (параметр оптимизации) принимает экстремальное значение, решается оптимальным образом. При этом осуществляется минимальное число опытов, позволяющее произвести на каждом этапе надежную статистическую оценку.

Даже при неполном знании механизма изучаемого процесса направленным экспериментом можно получить математическую модель, включающую наиболее значимые факторы технологического процесса независимо от их физической природы. Такая модель может быть с успехом применена для нахождения необходимых режимов работы процесса и управления им.

Цель настоящей методики – применение на практике инженерами – технологами методов планирования экспериментов для получения линейной математической модели при определении контролируемых параметров сложных технологических процессов.

Задача выбора контролируемых параметров состоит в определении значимых факторов, определяющих ход технологического процесса, с целью последующего систематического контроля. При решении поставленной задачи необходимы следующие условия:

•  решения должны иметь определенные ограничения, так как они допускают оптимизацию только одного параметра детали, сборочной единицы или процесса;
•  процесс должен быть задан множеством факторов;
•  каждый фактор должен быть управляем;
•  результаты опытов должны воспроизводиться;
•  опыты равноценны, т. е. различием в стоимости можно пренебречь;
•  математическая модель заранее неизвестна.

По данной методике могут быть решены задачи с числом факторов от двух до тридцати одного. Для построения математических моделей применяют полный или дробный факторный план эксперимента, обладающий оптимальной матрицей планирования.

1. ОСНОВНЫЕ ПОЛОЖЕНИЯ

1.1.Настоящая методика устанавливает:

правила построения линейной и неполной квадратичной математической модели технологических процессов и проверки ее адекватности, т. e. пригодности;

правила выбора контролируемых параметров технологических процессов.

1.2.Настоящая методика обеспечивает объективный выбор контролируемых параметров технологических процессов в предположении справедливости линейной и неполной квадратичной модели процесса (отсутствие квадратичных эффектов) при определенных пределах изменения параметров, влияющих на показатель параметра оптимизации.

1.3.Методика определяет выбор контролируемых параметров, которые входят в общую оценку эффективности функционирования технологического процесса, в соответствии с техническими условиями, на заданный период времени, при существующих нормах эксплуатации.

1.4.Выбранные, в соответствии с настоящей методикой контролируемые параметры являются исходными данными для выбора методов и средств контроля.

1.5.Полученная совокупность контролируемых параметров вносится в соответствующую нормативно – техническую документацию и после этого технологический процесс контролируют по всем внесенным показателям.

1.6.Кроме контролируемых параметров, выбранных в соответствии с настоящей методикой, допускается, включать в нормативно-техническую документацию дополнительные параметры.

1.6.1.Выбор дополнительных параметров обусловливается более полной характеристикой технологического процесса.

1.6.2.Номенклатура дополнительных параметров определяется спецификой технологических процессов каждой отрасли.

1.7.Настоящей методикой можно пользоваться при разработке технологических процессов и оптимизации действующих технологических процессов серийного и массового производства.

1.8.Термины и определения понятий, применяемых в настоящей методике, приведены в приложении 1

2. ЦЕЛИ И ЗАДАЧИ ПРИМЕНЕНИЯ МЕТОДА

2.1. Цели применения метода

2.1.1.Основная цель метода — обеспечить объективный выбор контролируемых параметров технологического процесса.

2.3.2.Цель выбора контролируемых параметров — сократить до минимума контролируемые параметры при обеспечении высокого качества выпускаемой продукции. Это достигается за счет определения коэффициентов влияния факторов исследуемого процесса.

2.2. Задачи применения метода

2.2.1.Выбор контролируемых параметров определен как разработка метода определения коэффициентов влияния параметров на показатель параметра оптимизации.

2.2.2.Вычисление коэффициентов влияния процесса связано с построением линейной математической модели и проверкой ее адекватности. Эту задачу решают на основе теории планирования эксперимента.

2.2.3.Построение математической модели технологического процесса в зависимости от поставленной задачи, кроме выбора контролируемых параметров, может преследовать следующие цели:

•  по входу процесса: минимизировать расход материалов на единицу выпускаемой продукции при сохранении качества выпускаемой продукции, т. е. произвести замену дорогостоящих материалов на недорогостоящие или дефицитных на распространенные;
•  по процессу: при сохранении качества выпускаемой продукции сократить время обработки в целом или на отдельных операциях, перевести отдельные режимы в некритические зоны, повысить производительность труда, т. е. снизить трудовые затраты на единицу продукции и т. д.;
•  по показателю параметра оптимизации: улучшить частные показатели и общее количество готовой продукции, повысить однородность качества и надежности деталей, сборочных единиц;
•  по процессу управления: увеличить надежность и быстродействие управления; снизить ошибки контроля за счет внедрения новых методов и средств контроля.

3. ПРАВИЛА ВЫБОРА КОНТРОЛИРУЕМЫХ ПАРАМЕТРОВ

ПРИ РАЗРАБОТКЕ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

3.1. Выбор параметров оптимизации

3.1.1.За параметр оптимизации принимают показатель качества детали, сборочной единицы или технологического процесса по каждой операции отдельно.

Например, при термической обработке распределительного вала за параметр оптимизации принимают твердость поверхности термически обработанного вала.

3.1.2.Параметр оптимизации должен соответствовать следующим требованиям:

•  параметр должен измеряться при любом изменении (комбинации) режима технологического процесса, т, е. показатель параметра должен находиться опытным путем в виде некоторого числа принятых для данной величины единиц измерения;
•  параметр должен быть статистически эффективным, т. е. измеряться с наибольшей точностью, что позволяет сократить до минимума дублирование опытов;
•  параметр должен быть информационным, т. е. всесторонне характеризовать технологический процесс;
•  параметр должен иметь физический смысл, т. е. должна быть возможность достижения полезных результатов определенного свойства детали, сборочной единицы в соответствующих условиях процесса;
•  параметр должен быть однозначным, т. е. должно максимизироваться либо минимизироваться только одно свойство детали, сборочной единицы или процесса.

3.1.3.Параметры оптимизации в зависимости от типа контролируемых параметров и признаков качества деталей, сборочных единиц или технологического процесса могут  выражаться следующими величинами:

•  пространства и времени (длина, время, площадь, объем, линейная скорость, угловая скорость, линейное ускорение и т. д.);
•  механическими (масса, плотность, сила, момент силы (пары сил), работа, энергия, мощность, давление, удельный вес, динамическая вязкость, кинематическая вязкость и т. д.);
•  электрическими и магнитными (количество электричества, электрический заряд, плотность электрического тока, линейная плотность электрического тока, объемная плотность электрического заряда, удельное электрическое сопротивление, напряженность магнитного поля, магнитный поток и т. д.);
•  тепловыми (температура, количество теплоты, тепловой поток, теплоемкость и энтропия, удельные теплоемкость и энтропия, поверхностная плотность теплового потока, коэффициенты теплообмена и т. д.);
•  акустическими (звуковое давление, объемная скорость, акустическое сопротивление, интенсивность звука и т. д.);
•  световыми величинами энергетической фотометрии (световой поток, световая энергия, светимость, освещение, яркость и т. д.);
•  радиоактивности и ионизирующих излучений (поглощенная доза излучения, мощность поглощенной дозы излучения, интенсивность излучения и т. д.);
•  качественными (внешний вид детали, сборочной единицы и т, д.).

3.1.4.Любой параметр должен быть ограничен пределами допусков, в которых проводится оптимизация.

3.1.5.Параметры оптимизации обозначают символом Y, в действительности соответствующие определенному показателю детали, сборочной единицы или технологического процесса, узаконенных единиц измерений.

3.2. Выбор фактов процесса, влияющих на показатель параметра оптимизации

3.2.1. За фактор принимают контролируемую переменную объекта, т. е. величину, характеризующую то или иное свойство процесса или режим работы какого-либо устройства, установки и являющуюся основным показателем этого устройства. Эта величина, числовое значение которой измеряется в пределах (границах) изменения, должна влиять на параметр оптимизации.

3.2.2.При определении величин количественных оценок во внимание должны приниматься только те факторы, которые имеют четкий метрологический смысл.

3.2.3.Состав факторов технологического процесса определяется разработчиком или действующим технологическим процессом.

3.2.4.Факторы технологического процесса обозначают символом X.

3.2.5.Границы изменения факторов объекта определяют так, чтобы обеспечить условия физической реализации переменных факторов, т. е. нормальный ход технологического процесса с ожидаемым показателем параметра оптимизации. Связь параметра оптимизации Y с технологическими факторами процесса Х1, Х2, ..., Хк в общем виде можно записать:

Y = f(X1, Х2, . . . , Хк).

3.2.6.Факторы технологического процесса должны соответствовать следующим требованиям:

•  они должны быть управляемыми, т. е. позволять экспериментатору установить требуемое значение фактора и поддерживать его постоянным в течение опыта;
•  для любой пары факторов должно выполняться условие совместимости, т. е. такое условие, при котором возможное взаимное влияние факторов не должно вызывать нарушение технологического процесса или качества конечного продукта;
•  факторы должны быть независимыми, т. е. должна быть возможность установления фактором на любом уровне независимо от уровней других факторов;
•  факторы должны быть однозначны, т. е. не являться функцией других факторов;
•  факторы должны непосредственно воздействовать на параметр оптимизации;
•  факторы должны быть определены по процессу выполнения, т. е. должна быть определена последовательность действий (операций), при помощи которых устанавливаются действительные значения уровней факторов;
•  точность установления граничных значений факторов должна быть максимально, высокой, т. е. отклонение действительного значения фактора от заданного номинального значения не должно превышать погрешности прибора.

3.2.7.Факторы технологического процесса так же, как и параметры оптимизации могут быть пространства и времени, механические, электрические, магнитные, тепловые, акустические, световые величины энергетической фотометрии, радиоактивности и ионизирующих излучений, качественные.

3.2.8. После выбора управляемых факторов технологического процесса и параметра оптимизации детали или сборочной единицы проводят подготовку к проведению полного факторного эксперимента (см. подраздел п. 3.3) или дробного факторного эксперимента (см. подраздел п. 3.4).

3.3. Полный факторный эксперимент (ПФЭ), равный 2k

3.3.1.Полный факторный эксперимент целесообразно проводить в том случае, если он по времени непродолжителен и требует небольших затрат.

3.3.2.В эксперимент включают Х1, Х2, . . . , Хк т.е. К — факторов, для каждого из которых следует установить только два уровня: верхний и нижний. Например: фактор Х1 — температура заливки металла в форму равна (1600 – 1750)°С, фактор Х2  — выдержка отливки в форме в течение (15 – 20) мин и т. д. У фактора Х1 нижний уровень равен 1600°С, верхний уровень – 1750°С, т. е. всего два уровня для каждого фактора.

3.3.3.Поскольку факторы процесса неоднородны и имеют различные единицы измерения, а числа, выражающие величины факторов, имеют различные порядки, их следует привести к единой системе счисления путем перехода от действительных значений факторов к их кодированным значениям по формулам:

(1)

где: Xiocн — основной уровень (определенный для каждого фактора),

X imax — верхний уровень (определенный для каждого фактора),

Ximin —нижний уровень (определенный для каждого фактора),

2 — число уровней,

i — номер фактора;

, (2)

где: — интервал варьирования (определенный для каждого фактора),

(3)

где: Х1 — кодированное значение фактора, вычисляемое по формуле.

3.3.4. Рассчитанные значения действительных значений факторов процесса, вычисленные по формулам (1 – 3), записывают в табл. 1

Таблица 1 Исследуемые факторы в действительных значениях

Уровни	Факторы процесса в единицах измерения
	t, °С	мин
Верхний Нижний Основной Интервал варьирования	1750 1600 1675 75	20 15 17,5 2,5
Кодовые обозначения	X1	X2	X3	….	Xk

3.3.5.Вводят условное обозначение верхнего, нижнего и основного уровней фактора соответственно +1, —1, 0. При построении планов матриц планирования эксперимента цифры (единицы) следует опускать и писать только их знаки «+» или «-».

3.3.6.Затем строят план матрицы планирования эксперимента. Построение плана матрицы сводится к стандартной форме записи условий проведения экспериментов в виде таблицы, в строках которой записывают данные опытов, в столбцах — факторы (в кодах «+» и «-») с реализацией всех возможных сочетаний упорядоченных комбинаций факторов.

В первом столбце таблицы следует менять знаки поочередно во втором столбце чередовать их через два, в третьем – через четыре, в четвертом – через восемь и т. д. по степеням двойки. Все точки плана для реализации всех возможных сочетаний уровней факторов определяют по формуле

N = 2k, (4)

где N — общее число различных точек в плане;

2 — число уровней;

k — общее число факторов.

Например, имеется два фактора Х1, Х2 тогда, придавая каждому фактору два значения (верхний «+» и нижний «-»), получим всевозможные сочетания уровней для двух факторов неполного плана матрицы планирования 22 (табл. 2). В этом случае больше четырех комбинаций сделать невозможно. Для записи плана матриц в одну строчку вводят специальные обозначения: строку, состоящую из одних минусов, всегда обозначают (0), в остальных строчках вводят обозначения цифрами натурального ряда с апострофом ('), только тех факторов, которые находятся на верхнем уровне «+», например, фактору Х1 соответствует цифра (1') фактору Х2 - цифра (2') и т. д. в порядке чисел натурального ряда. План матрицы задается перечислением строк. Некоторые планы матриц планирования эксперимента в кодовых обозначениях строк приведены в приложении 2. Таблица примет следующий вид

Таблица 2.Неполный план матрицы планирования 22

Номер точки плана	Факторы	Кодовые обозначения строк
	Х1	Х2
1 2 3 4	- + - +	- - + +	(0) (1’) (2’) (1’2’)

Для составления плана матрицы для трех факторов матрицу планирования (см. табл. 2) повторяют дважды: один раз при значениях X3 находящихся на нижнем уровне, второй раз — при значениях X3 находящихся на верхнем уровне. Чтобы получить кодовую запись плана матрицы, следует кодовые обозначения строк умножить один раз на единицу, второй — на 3 (табл. 3).

Таблица 3 Неполный план матрицы планирования 23

Номер точки плана	Факторы	Кодовые обозначения строк
	Х1	Х2	Х3
1	-	-	-	(0)
2	+	-	-	(1’)
3	-	+	-	(2’)
4	+	+	-	(1’2’)
5	-	-	+	(3’)
6	+	-	+	(1’3’)
7	-	+	+	(2’3’)
8	+	+	+	(1’2’3’)

Если же будет рассмотрен четвертый фактор Л'4, то аналогичным образом будет повторено планирование для трех переменных (табл. 3): один раз – для фактора Х4, находящегося на нижнем уровне, второй раз – для фактора Х4, находящегося на верхнем уровне.

Аналогично получается план матрицы планирования для пяти, десяти и т. д. факторов, т. е. для любого числа факторов.

Табл. 3 представляет план матрицы планирования эксперимента, реализовав который, можно подсчитать коэффициенты факторов процесса (или параметров модели) b1 → X1, b2 → X2, b3 → X3 однако этих коэффициентов недостаточно, чтобы получить уравнение регрессии вида

Y = b0+b1Х1 + b2Х2+b3Х3+ b1,2X1X2+b1,3X1X3+b1,2,3X1X2X3.

3.3.7. Чтобы получить любой полный план матрицы планирования эксперимента для подсчета всех коэффициентов, необходимо (например, для

неполного плана 23) добавить в табл. 3 еще одни столбец – фиктивную переменную Х0 для оценки свободного члена b0. Значение X0 всегда одинаково во всех строках и равно +1.

3.3.8. Для оценки коэффициентов взаимодействия факторов в табл. 3 вводят столбцы со всевозможными комбинациями произведений факторов: X1X2; X1X3; Х2Х3; Х1Х2Х3, которые позволяют оценить эффекты взаимодействия факторов. Поскольку переменные Х1, X2, Х3 принимают значения «+1» и «-1», то произведения переменных примут те же значения «+1» и «-1». Тогда с учетом требований, указанных в пп. 3.3.7 и 3.3.8, табл. 3 примет следующий вид:

Таблица 4 Полный план матрицы планирования 23

Номер точки плана	Значения факторов в кодовых обозначениях	Комбинации произведений факторов в кодовых обозначениях	Действительное значение показателя параметра оптимизации по реализации эксперимента
	X0	X1	X2	X3	X1X2	X1X3	X2X3	X1X2X3	Y1	Y2
1	+	-	-	-	+	+	+	-	Y1	Y2,1	Y1
2	+	+	-	-	-	-	+	+	Y2	Y2,2	Y2
3	+	-	+	-	-	+	-	+	Y3	Y2,3	Y3
4	+	+	+	-	+	-	-	-	Y4	Y2,4	Y4
5	+	-	-	+	+	-	-	+	Y5	Y2,5	Y5
6	+	+	-	+	-	+	-	-	Y6	Y2,6	Y6
7	+	-	+	+	-	-	+	-	Y7	Y2,7	Y7
8	+	+	+	+	+	+	+	+	Y8	Y2,8	Y8

Примечание. В рамке, обведенной полужирными лилиями, показан план эксперимента, остальные данные необходимы для подсчета коэффициентов. Пользуясь такой матрицей планирования, можно приступать к эксперименту, при этом следует иметь в виду, что значения «+» и «-» факторов соответствуют верхнему и нижнему уровню в действительных значениях факторов процесса, например, см. табл. 1. Если параллельных опытов два, то фиксируется среднее значение Y,

3.4. Дробный факторный эксперимент (ДФЭ), равный 2k-p

3.4.1 . Дробный факторный эксперимент следует проводить при числе факторов процесса или операции от двух и более при условии, если полный эксперимент по экономическим соображениям проводить невыгодно.

3.4.2.От действительных значений факторов к кодированным переменным переходят так же, как при ПФЭ 2k.

3.4.3.Дробные факторные эксперименты следует условно обозначать 2k-p , где р – число линейных эффектов, приравненных к эффектам взаимодействия. При р = 1 получают 1/2 ПФЭ, при р – 2 получают 1/4 ПФЭ, при р = 3 получают 1/8 ПФЭ и т. д. по степени двойки.

3.4.4. При построении любых планов матриц планирования
ДФЭ произведения комбинаций факторов можно приравнять к но-
вым факторам, если известно, что между факторами отсутствует
эффект взаимодействия. Тогда значения нового фактора, в услови-
ях опытов, определяют по знакам, указанным в этом столбце. При
этом сокращается число опытов например, факторы операции то-
карной обработки не взаимодействуют с факторами операции
шлифовки и т. п.

Если в ПФЭ (табл. 4) один из эффектов взаимодействия (X1X2, X1X3, Х2Х3, X1X2X3) заменить четвертым фактором Х4 то получим половину 24-1 от ПФЭ. Если два эффекта взаимодействия заменить факторами Х4 и Х5, то получим 1/4 25-2 от ПФЭ 25.

Можно получить 1/8 от ПФЭ 26, заменив три эффекта взаимодействия факторами Х4, Х5, X6.

Если заменить четыре эффекта взаимодействия факторами Х4, X5, X6 и X7, то получим 1/16  27-4 от ПФЭ.

1.  В качестве подходящего ДФЭ следует брать ближайший полный факторный эксперимент, число опытов в котором больше, чем число факторов в исследуемом процессе, операции.
2.  Часть от полного факторного эксперимента, т. е. дробного факторного эксперимента должна состоять из данных в строках плана матрицы планирования с четным или нечетным числом цифр, например, матрица планирования 23-1 (табл. 5) может быть представлена двумя частями при Х3=Х1Х2 и при X3=X1X2.

Т а блица 5.Две части плана матрицы планирования 23~1

Матрица I	Матрица II
Номер точкн плана	X0	X1	X2	(X3)=X1X2	Кодовые обозначения строк	Номер точки плана	X0	X1	X2	(X3=X1X2	Кодовые обозначения строк
1	+	-	-	+	(3’)	1	+	-	-	-	(0’)
2	+	+	-	-	(1’)	2	+	+	-	+	(1’ 3’)
3	+	-	+	-	(2’)	3	+	-	+	+	(2’ 3’)
4	+	+	+	+	(1’ 2’ 3’)	4	+	+	+	-	(1’ 2’)

В табл. 5 в первой части плана матрицы (кодовые обозначения) в строках (3'), (1’), (2'), (1’ 2' 3') нечетные числа, а во второй части плана матрицы (кодовые обозначения) в строках (1’ 3'), (2' 3'), (1’ 2') четные числа, считая строку (0) четной.

П р и м е ч а н и е. В рамках, обведенных полужирными линиями, приведены планы эксперимента, т. е. эксперимент можно ставить по данным любой части табл. 5.

3.5. Разрешающая способность дробных экспериментов

1.  При отсутствии априорной информации об эффектах взаимодейсгвия следует брать часть от ПФЭ с наибольшей разрешающей способностью. Если сушествует информация об эффектах взаимодействия, то ими следует пользоваться при выборе ДФЭ. Раздельные оценки несмешанных линейных эффектов и различных взаимодействии ДФЭ определяют ею разрешающею способность.
2.  Затем следует определить генерирующие соотношения, которые для любой матрицы планирования показывают, какое из взаимодействий принято незначимым и заменено новым фактором, например, X3=-Х1X2 (табл. 5).
3.  После этого находят определяющий контраст, т. е. соотношения произведений факторов, задающие элементы столбца, состоящего только из плюсов или минусов для любой матрицы, планирования, например, определить определяющий контраст у двух частей матрин планирования 23-1 (табл. 6).

Таблица 6.Две части плана матрицы планирования 23—1.

Матрица I	Матрица II
Номер точкн плана	X0	X1	X2	X1X2X3	Номер точки плана	X0	X1	X2	X1X2X3
1	+	-	-	+	1	+	-	-	-
2	+	+	-	+	2	+	+	-	+
3	+	-	+	+	3	+	-	+	+
4	+	+	+	+	4	+	+	+	-

Произведение данных, приведенных в трех столбцах (матрица* I), вычисляют по соотношению 1=X1X2X3, а для матрицы II — по соотношению 1=Х1Х2Х3. В столбцах находят одинаковые знаки: в первом случае их элементы равны +1, во втором - -1.

Условное (кодовое) обозначение произведений столбцов, в которых имеются только «+» или «—» (кроме столбца Х0), следует называть определяющим i очтрастом и обозначать 1. Контраст помогает определить совместные оценки факторов.

3.5.4. Затем определяют совместные оценки факторов, т. е. всегда для любой матрицы планирования надо последовательно перемножить графы независимых переменных Х1, Х2, Х3 и т. д. на определяющий контраст и учесть, что X2i =1 или 12=1. В примере, приведенном в табл. 6, совместные оценки задаются соотношениями:

Для матрицы I                       Для матрицы II

X1 = Х2Х3 X1 = -Х2Х3

Х2 = Х1Х3 Х2 = -Х1Х3

Х3 = Х1Х2 Х3 = -Х1Х2

Это значит, что коэффициенты факторов или параметров двух частей плана матрицы планирования будут совместными оценками:

1.  Для оценки разрешающей способности ДФЭ большой дробности (1/4, 1/8, 1/16 и т. д.) необходимо пользоваться обобщенным определяющим контрастом.
2.  Строят матрицу планирования ДФЭ большой дробности, -например, 1/16 ПФЭ 27 — в виде 27-4, т. е. получится 23 ПФЭ.

Для этого необходимо:

построить матрицу планирования 23 (см. пп. 3.3.6, 3.3.8 в результате получается табл. 7);

комбинации произведений факторов Х1Х2, Х1Х3, Х2Х4, которые позволяют оценить двойные взаимодействия факторов, предположить незначимыми или равными нулю;

приравнять комбинации произведений факторов новым факторам Х4 = Х1Х2, X5=X1X3, X6=X2X3, X7 = X1X2X3.

Таблица 7.План матрицы планирования 27

Номер точки плана	Значения факторов в кодовых обозначениях	Действительное значение показателя параметра оптимизации по реализации эксперимента
	X0	X1	X2	X3	X4=X1X2	X5=X1X3	X6=X2X3	X7 = X1X2X3	Y1	Y2	Y
1	+	-	-	-	+	+	+	-	Y1	Y2’1	Y1
2	+	+	-	-	-	-	+	+	Y2	Y2’2	Y2
3	+	-	+	-	-	+	-	+	Y3	Y2’3	Y3
4	+	+	+	-	+	-	-	-	Y4	Y2’4	Y4
5	+	-	-	+	+	-	-	+	Y5	Y2’5	Y5
6	+	+	-	+	-	+	-	-	Y6	Y2’6	Y6
7	+	-	+	+	-	-	+	-	Y7	Y2’7	Y7
8	+	+	+	+	+	+	+	+	Y8	Y2’8	Y8

В табл. 7 число опытов больше, чем число факторов, в исследуемом процессе. План экспериментов заключен в рамку. Пользуясь таким планированием и проведя эксперимент, можно вычислить коэффициенты факторов или параметров уравнения регрессии (модели)

Y=b0+b1X1+b2X3+b3X3+b4X4+b5X5+b6X6+b7X7

3.5.7. Затем определяют генерирующие соотношения матрицы планирования 27-4 (табл. 7), которые показывают, какое взаимодействие принято незначимым, т. е. X4=X1X2; X5=X1X3; Х6=Х2Х3; X7 =Х1X2X3.

3.5.8. Находят определяющий контраст, т. е. соотношения, задающие элементы, указанные в столбце Х0. Определяющими контрастами для плана 21-4 являются соотношения:

1) 1 = Х1Х2Х4;      2) 1=Х1Х3Х5;

3) 1=Х2Х3Х6;       4) 1=X1X2X3X7.

Если попарно перемножить эти определяющие контрасты 1X2; 1X3; 1X4; 2X3; 2X4; 3X4, то получим элементы первого столбца 1 = Х2Х3Х4Х5; 1 = Х1Х3Х4Х6;  1 = Х3Х4Х7; 1 = Х1Х2Х5Х6; 1 = Х2Х5Х7; 1 = Х1Х6Х7.

Если перемножить определяющие контрасты по три: 1X2X3. 1X2X4; 1X3X4, то получим соотношения 1 =Х4Х5Х6 = Х1Х4Х7=  X3X5X6X7.

3.5.9. Определяют обобщающий определяющий контраст, т. е.
произведения высшего порядка определяющих контрастов, чтобы
полностью охарактеризовать разрешающую способность ДФЭ.
Обобщающий определяющий контраст записывают в следующем
виде:

1=Х1Х2Х4=Х1Х3Х5=Х2Х3Х6=Х1Х2Х3Х7=Х2Х3Х4Х5=X1Х3Х4Х6=Х3Х4Х7—X1X2X5X6=Х2Х5Х7=Х1Х6Х7=Х4Х5Х6=Х1Х4Х5Х7=Х2Х4Х6Х7=Х3Х5Х6Х7.

Умножая определяющие контрасты по четыре, получают обобщающий определяющий контраст

1 =Х1Х2Х3Х4Х5Х6Х7.

3.5.10. Охарактеризовывают разрешающую способность ДФЭ умножением обобщающего определяющего контраста последовательно на X1, Х2, Х3, ... , и т. д.

3 5.11. Если всеми эффектами взаимодействия, начиная с тройных, пренебречь, то коэффициенты параметров регрессии будут совместными оценками:

Таким образом, все линейные эффекты оказались смешанными с несколькими парными взаимодействиями, поэтому разрешающая способность ДФЭ низкая

3.5.12. Для планов матриц планирования экспериментов рекомендуется выбирать дробные факторные планы с возможно большей разрешающей способностью, т. е. ДФЭ, у которых линейные эффекты, смешанные с эффектами взаимодействия, должны быть близки к нулю.

3.6.Проверка свойств планов матриц планирования ПФЭ==2k и ДФЭ=2k-p

3.6.1.После построения плана матрицы планирования необходимо проверить ее свойства:

симметричность относительно центра эксперимента — алгебраическая сумма элементов столбца каждого фактора должна быть равна нулю, кроме столбца, отвечающего свободному члену, b0, т. е.

, (5)

где v — номер точки опыта;

i — номер фактора;

N — число различных точек плана матрицы;

нормировку — сумма квадратов элементов каждого столбца равна числу точек плана матрицы, т. е.

; (6)

ортогональность — сумма построчных произведений плана матрицы любых двух столбцов равна нулю, т. е.

(7)

где j— комбинация факторов в v-й точке, i≠j.

Ортогональность матрицы позволяет оценить все коэффициенты регрессии независимо друг от друга, т. е. величина любого коэффициента не зависит от того, какие величины имеют другие коэффициенты.

3.6.2.Если план матрицы планирования отвечает свойствам, указанным в п. 3.6.1, то он соответствует свойству ротатабельности, т. е. математическая модель, полученная в результате эксперимента, способна предсказать значение показателя параметра оптимизации с одинаковой точностью в любых направлениях на равных расстояниях от центра эксперимента или плана матрицы.

3.7.Проведение эксперимента ПФЭ или ДФЭ

3.7.1. Для записи априорных сведений о факторах процесса, записи верхних, нижних и основных уровней факторов, интервалов варьирования, плана матрицы планирования, результатов эксперимента, промежуточных и конечных результатов расчета, для поверки воспроизводимости эксперимента, значимости коэффициентов, проверки адекватного описания процесса подготавливают к заполнению журналы планирования эксперимента (формы 1 и 2 приложения 3).

3.7.2.Перед реализацией плана эксперимента на объекте опыты, предусмотренные в плане матрицы планирования, следует ран-домизировать, т. е. проводить в случайной последовательности. Порядок проведения опытов в случайной последовательности следует выбирать по таблице равномерно распределенных случайных чисел (приложение 4). Например, если требуется провести восемь опытов, то из случайного места таблицы необходимо последовательно выписать числа, лежащие в интервале от 1 до 8, при этом надо отбросить уже выписанные числа, превышающие восемь. Так, например, начиная с числа 09 (второй столбец таблицы приложения 4), получаем следующую последовательность реализации опытов:

•  номер точки в плане матрицы — 1, 2, 3, 4, 5, 6, 7, 8
•  порядок реализации опытов — 1, 6, 5, 8, 2, 7, 4, 3

Порядок реализации опытов записывают в графу 12 ( в форме 1 — графа 12, в форме 2 — графа 11) форм 1 и 2 приложения 3 (значения m1).

Аналогично определяют поочередно порядок реализации опытов во второй и третьей сериях. Эти сведения так же записывают в соответствующие графы форм 1 и 2 приложения 3 (значения m2, m3).

3.7.3.По каждой точке плана матрицы планирования устанавливают действительные значения факторов, верхний или нижний уровень, в порядке реализации опытов первой серии эксперимента. Требуемые фактические значения факторов следует поддерживать постоянными в течение опыта.

3.7.4.Получают действительные значения ожидаемого показателя параметра оптимизации по всем точкам плана матрицы планирования. Эти значения замеряют одним и тем же прибором и данные замеров записывают в графу 30 и 32 соответственно форм 1 и 2 приложения 3 (значения Y1, v ).

3.7.5.Нужные значения факторов устанавливают по каждой точке плана матрицы планирования поочередно второй и третьей серии эксперимента (см. пп. 3.7.3, 3.7.4) и полученные результаты замеров ожидаемого показателя параметра оптимизации записывают в графы 31, 32 и 33, 34 соответственно форм 1 и 2 приложения 3 (значения Y2,v ; Y3,v).

3.7.6.Объем выборки, т. е. количество единиц штучной продукции, составляющих выборку, в каждой точке плана эксперимента (1, 2, . . . , n) должен быть постоянным. В графах 30, 31, 32 и 32, 33, 34 форм 1 и 2 соответственно приложения 3 (значения Y1,v ; Y2,v ; Y3,v ) записывают среднее значение объема выборки, если в опыте взято несколько измерений детали или сборочной единицы.

3.7.7.Среднее значение показателя параметра оптимизации определяют по реализации параллельных наблюдений по формуле

, (8)

где — среднее арифметическое по m опытам в точке с номером

v;

v — строчка плана матрицы планирования или номер опыта;

Yv,j — действительное значение показателя параметра оптимизации;

m — число параллельных наблюдений в каждой точке. Результаты среднего значения  записывают в графы 33 и 37, соответственно форм 1 и 2 приложения 3 (значение ).

3.8. Обработка результатов эксперимента

3.8.1. Для оценки отклонения показателя параметра оптимизации от среднего значения следует вычислить дисперсию воспроизводимости по данным m параллельных наблюдений плана матрицы планирования в каждой точке по формуле

, (9)

где — дисперсия в v-й точке;

j — порядковый номер параллельного опыта в данной

точке плана матрицы;

 — среднее арифметическое значение показателя параметра оптимизации в т параллельных опытах в точке v;

Yv,j— значение параметра оптимизации в v-й точке;

m—1 — число параллельных наблюдений в точках плана матрицы.

Значения , вычисленные для всех точек плана матрицы, записывают в графу 34 формы 1 (приложение 3).

3.8.2.Дисперсии в графе 34 формы 1 приложения 3, суммируют по текущим номерам точек или строк плана матрицы и записывают в графу 49 формы 1 приложения 3.

3.8.3.Находят максимальную дисперсию в графе 34 формы 1 и записывают в графу 50 формы 1 приложения 3.

3.8.4.Затем проверяют однородность дисперсий.

Для проверки гипотезы однородности дисперсий следует пользоваться критерием Кохрена, который основан на законе распределения отношения максимальной дисперсии к сумме всех дисперсий, т. е.

, (10)

где G — критерий Кохрена;

— максимальная дисперсия в v-й точке;

— сумма всех дисперсий.

3.8.5.Проверяют гипотезу о воспроизводимости измерений, заключающуюся в определении того факта, при котором выборочные дисперсии для каждой точки плана матрицы однородны.

Для этого следует задать уровень значимости q=5%, определить число степеней свободы V1,в max=m-1 и V2,в=N, найти табличное значение критерия Кохрена gkp в табл. 1 приложения 5 при соответствующих степенях свободы. Если расчетное значение G, определенное по формуле (10), окажется меньше найденного в табл. 1 приложения 5, то гипотеза об однородности дисперсий и воспроизводимости результатов принимается. Если проверка дала отрицательный результат, то следует увеличить число параллельных опытов.

Примечание. Следует выбирать уровень значимости по всем критериям (Кохрена, Стьюдента, Фишера), одинаковым при решении поставленном задачи. Здесь и далее по тексту для примера установлен уровень значимости, равный 5%.

3.8.6.Находят разность между расчетным значением эксперимента G, определенным по формуле (10), и Gкp , найденным в табл. 1 приложения 5. Этот результат записывают в графу 56 формы 1 приложения 3.

3.8.7.Для контроля расчетов проверки однородности дисперсии в форму 1 приложения 3 записывают следующие значения: G — в графу 51, q в процентах — в графу 52, V1,в — в графу 53, V 2,в— в графу 54, Gкp —в графу 55. В графу 57 записывают вывод: дисперсии однородны или неоднородны.

3.8.8.Если дисперсии однородны, то их следует усреднить, т. е. найти дисперсию параметра оптимизации по формуле

, (11)

где S2 {Y} — средняя арифметическая дисперсий всех различных точек плана

матрицы или дисперсия параметра оптимизации;

v — дисперсия в v-й точке;

— сумма всех дисперсий;

N — общее число различных точек в плане матрицы планирования.

Вычисленное значение S2 {Y} записывают в графу 39 формы

1 приложения 3.

3.9. Построение математической модели процесса

39.1. Как указывалось выше, пользуясь методом ПФЭ или

ДФЭ, можно получить описание изучаемого процесса в виде =

, где выборочные коэффициенты параметров модели процесса b0,b1,b2 и т. д. являются лишь оценками для теоретических коэффициентов β0, β1, β2, β3, и т. д., а

 — оценка математического ожидания показателя параметра оптимизации процесса.

3.9.2.Определение параметров модели процесса или коэффициентов регрессии

Коэффициенты регрессии определяют (одинаково, независимо от проведения ПФЭ или ДФЭ) умножением данных на данные Хi,v в кодовых обозначениях с последующим делением полученного произведения на общее число точек в плане матрицы, т. е. по формуле

, (12)

где bi —коэффициенты регрессии О, 1, 2, . . . , k;

Xi,v - номер (фактора в кодовых обозначениях) столбца в

плане матрицы О, 1, 2, . . . , k;

— среднее арифметическое по т опытам в точке с номером v;

N — общее число различных точек в плане матрицы. Вычисленные значения bi записывают в графу 38 формы 1 приложения 3.

3.9.3.Нахождение дисперсии ошибки определения коэффициента регрессии

При равном числе параллельных опытов (тv) во всех точках плана матрицы дисперсию ошибки определения коэффициента регрессии определяют по формуле

, (13)

где S2 {bi} -— дисперсия ошибки определения коэффициента;

S2 {Y} — дисперсия показателя параметра оптимизации;

N —общее число различных точек в плане матрицы;

m — число параллельных наблюдений в каждой точке.

Вычисленное значение S2 {bi}записывают в графу 43 формы 1 приложения 3. Значение S2 {bi} для всех коэффициентов одинаковое.

3.9.4.Среднеквадратическое отклонение дисперсии ошибки определения коэффициента регрессии bi определяют по формуле

, (14)

Вычисленное значение  записывают в графу 44 формы 1 приложения 3.

Найденное значение  для всех коэффициентов одинаковое.

3.9.5.Значимость коэффициентов регрессии определяют по t — критерию Стьюдента. Для каждого коэффициента вычисляют значения ti — критерия по формуле

, (15)

где ti — критерий Стьюдента;

 — рассчитанные коэффициенты регрессии;

— cреднеквадратичное отклонение дисперсий коэффициента регрессии.

Полученные значения ti записывают в графу 42 формы 1 приложения 3.

3.9.6.Затем проверяют гипотезу о значимости коэффициента bi. Для этого следует задать уровень значимости q=5% и определить число степеней свободы V3H =N(m—1). найти критическое значение tкp в табл. 3 приложения 5 для определенного числа степеней свободы. Если расчетное значение ti, определенное по формуле (15), окажется больше значения tкр , найденного в табл. 3 приложения 5, то гипотеза отвергается и коэффициент bi признается значимым. В противном случае bi считается статистически незначимым, т. е. βi=0.

Если какой-либо коэффициент окажется статистически незначимым, то он может быть отброшен без пересчета остальных коэффициентов.

3.9.7.Находят разность между расчетными значениями эксперимента ti определенными по формуле (15), и tкp, найденным в табл. 3 приложения 5. Результат записывают в графу 46 формы 1 приложения 3.

3.9.8.Для контроля расчетов проверки значимости коэффициентов регрессии в форму 1 приложения 3 записывают следующие значения: q = 5% — в графу 40, Vзн — в графу 41, tкp — в графу 42. В графу 47 записывают вывод: коэффициенты значимые или незначимые.

3.9 9. В графу 48 формы 1 приложения 3 следует записывать предполагаемую модель технологического процесса или операции со всеми коэффициентами (значимыми и незначимыми).

3.9.10. Статистическая незначимость коэффициента bi может быть обусловлена следующими причинами:

а) основной уровень режима фактора Xiосн близок к точке частного экстремума, т. е. ;

б) интервал варьирования фактора ΔXi выбран малым;

в) данная переменная (произведение переменных) не имеет

статистической связи с показателем параметра оптимизации ;

г) велика ошибка эксперимента вследствие наличия неуправляемых и неконтролируемых факторов. Если имеют место причины, указанные в подпунктах а и b, то значение фактора следует стабилизировать на определенном уровне (не выходя за пределы варьирования). Если имеет место причина, указанная в подпункте б, то следует увеличить интервал варьирования на величину, равную 0,05÷0,3 от интервала варьирования фактора, т. е. область варьирования должна составлять 10—60% от размаха варьирования фактора. Если имеет место причина, указанная в подпункте г, то следует принять меры к уменьшению ошибки эксперимента.

3.9.11. В математическую модель технологического процесса включают только значимые коэффициенты.

Получают уравнение регрессии в виде

, где — математическое ожидание показателя параметра оптимизации;

— коэффициенты параметров модели;

Хi— факторы процесса.

3.10. Проверка адекватности модели

3.10.1.По уравнению регрессии определяют величину для каждой точки плана матрицы, т. е. для каждой строчки, с учетом знака фактора в плане матрицы найти алгебраическую сумму коэффициентов уравнения.

Вычисленное значениезаписывают в графу 35 формы 1 приложения 3.

3.10.2.Находят разность между средним значением (графа 33 формы 1 приложения 3) показателя параметра оптимизации процесса для каждой точки плана матрицы, полученным экспериментально, и значением  (графа 35 формы 1 приложения 3), подсчитанным по уравнению регрессии. Эту разность возводят в

квадрат. Полученные результаты (Yv—)2 записывают в графу 36, формы 1 приложения 3 и суммируют. Результат суммирования

(Yv—)2 записывают в графу 58 формы 1 приложения 3.

3.10.3.Оценку дисперсии адекватности модели определяют по формуле.

, (16)

где  — оценка дисперсии адекватности модели;

m — число параллельных наблюдений в точках плана матрицы;

N — общее число различных точек в плане матрицы;

l — число значимых коэффициентов (включая b0);

 — среднее арифметическое по т опытам в точке с номером и;

— математическое ожидание параметра оптимизации, подсчитанное по уравнению регрессии.

Примечание. Формула справедлива лишь при равном числе параллельных опытов во всех точках плана матрицы.

Найденное значение  записывают в графу 59 формы 1 приложения 3.

3.10.4.Адекватность модели проверяют по формуле

, (17)

где - F—критерий Фишера;

— оценка дисперсии адекватности;

— дисперсия параметра оптимизации. Полученное значение критерия F записывают в графу 60 формы 1 приложения 3.

3.10.5. Для проверки гипотезы адекватности модели следует задать уровень значимости q = 5%, определить число степеней свободы Vi,ad=N-l и V2,ad=N(m–1), найти табличное значение критерия Фишера FKP для определенного числа степеней свободы в табл. 4 приложения 5. Если расчетное значение критерия F, определенное по формуле (17), окажется меньше значения Fкp, определенного в табл. 4 приложения 5, то гипотеза адекватности модели принимается.

Примечание. Проверка адекватности модели возможна лишь при V1,ad>0, т. е. число оцениваемых коэффициентов l не должно быть равно числу точек N в плане матрицы.

3.10.6.Находят разность между расчетным значением эксперимента критерием F, определенным по формуле (17), и Fкp , найденным в табл. 4 приложения 5. Результат записывают в графу 65 формы 1 приложения 3.

3.10.7.Для контроля расчетов проверки адекватности модели в форму 1 приложения 3 записывают следующие значения: 5% — в графу 61, V1,ad — в графу 62, V2,ad – в графу 63, Fкp — в графу 64. В графу 66 записывают вывод: уравнение адекватно или неадекватно.

3.10.8.В графу 67 формы 1 приложения 3 следует записывать уравнение регрессии (линейная модель), т. е. математическую модель технологического процесса, включая только значимые коэффициенты.

3.10.9. Если гипотеза адекватности отвергается, то возможны следующие приемы получения адекватной модели:

увеличение интервалов варьирования факторов (см. п. 3.9.10), этот прием может привести к цели, если решается задача оптимизации;

выделение (если возможно) фактора, порождающего неадекватность, и реализация для оставшихся k—1 факторов новых планов, при этом выделенный фактор зафиксирован на определенном уровне;

преобразование контролируемых переменных (факторов), т. е. переход к новым факторам, статистически связанным со старыми.

3.11. Выбор контролируемых параметров по реальной модели технологического процесса или операции

3.11.1.При выборе контролируемых параметров возможны три варианта:

все коэффициенты регрессии значимы;

часть коэффициентов регрессии значима, часть незначима;

все коэффициенты регрессии незначимы.

3.11.2.Поскольку выбор контролируемых параметров технологического процесса осуществляется на основании требований к конечному продукту при учете вклада каждого выделенного фактора, то следует оценить коэффициенты влияния (чувствительности) в действительных значениях по формуле

, (18)

где Ai — коэффициент чувствительности параметра процесса в

действительных значениях;

bi — рассчитанные коэффициенты регрессии;

ΔXi— интервал варьирования фактора.

Вычисление коэффициента чувствительности в безразмерном масштабе производят по формуле

, (19)

где ai — коэффициент чувствительности в безразмерном масштабе;

xioch— основной уровень фактора процесса. Коэффициент влияния Ai — мера чувствительности процесса к изменению интервала варьирования факторов служит для определения допусков факторов.

3.11.3.Если для коэффициентов влияния необходимо определить допуски, то в процессе функционирования реального технологического процесса соответствующие приращения можно определить, вводя искусственно, если они незначительно изменят выход процесса и не вызовут появление бракованной продукции.

3.11.4.Если все коэффициенты регрессии значимы, то все факторы (параметры) технологического процесса следует контролировать.

3.11.5.Если часть коэффициентов значима, а часть незначима, то следует контролировать только факторы (параметры) технологического процесса при значимых коэффициентах.

3.11.6.Если все коэффициенты регрессии незначимы, то следует увеличить интервалы варьирования (см. п. 3.9.10) факторов (параметров) и провести дополнительный эксперимент. После этого поступают так же, как указано в пп. 3.11.4 или 3.11.5.

3.11.7.Выбранные контролируемые параметры вносят в соответствующую нормативно-техническую документацию с учетом следующих свойств коэффициентов:

•  чем больше абсолютная величина коэффициента фактора (параметра) технологического процесса, тем большее влияние оказывает фактор (параметр) на показатель параметра оптимизации;
•  если коэффициент регрессии отрицателен, то для увеличения показателя параметра оптимизации надо уменьшить значение фактора (параметра) технологического процесса, если положителен — увеличивать;
•  при минимизации показателя параметра оптимизации можно изменить знаки коэффициентов, кроме b0, на обратные и далее поступать так же как указано в предыдущем случае;
•  если эффект взаимодействия факторов (параметров) технологического процесса имеет отрицательный знак, то для увеличения показателя параметра оптимизации факторы (параметры) должны одновременно изменяться в разных направлениях, например, X1=+1, X2=-1, или X1=-1, X2=+1.

Пример разработки процесса и выбора контролируемых параметров приведен в приложении 6.

4. МЕТОД КРУТОГО ВОСХОЖДЕНИЯ

4.1.Проведение эксперимента ПФЭ или ДФЭ

4.1.1.Обрабатывают результаты эксперимента и, в частности, вычисляют оценки факторов, т. е. коэффициенты регрессии.

4.1.2.Определяют значимые факторы, определяющие показатель параметра оптимизации процесса.

4.1.3.Строят модель технологического процесса или операции.

4.1.4.Проверяют адекватность модели.

4.2.Крутое восхождение

4.2.1.Крутое восхождение следует применять при оптимизации и прогнозировании процесса или операции.

4.2.2.Подготовить журнал проведения эксперимента методом крутого восхождения (см. форму 3 приложения 3).

4.2.3.Крутое восхождение следует начинать от основных уровней значимых факторов, т. е. Хосн1, Хосн2.....Xоснk.

4.2.4.При крутом восхождении факторы изменяют пропорционально величинам коэффициентов регрессии и с учетом их знаков плюс или минус.

1.  Вычисляют произведения bi Xi однозначно по каждому фактору, т. е. следует умножить коэффициент регрессии на интервал варьирования фактора. Результаты вычислений записывают в графу 11 формы 3 приложения 3.
2.  Находят фактор, для которого произведение bi Xi является наибольшим по абсолютной величине. Следует именовать этот фактор базовым, т. е. max (btXt) =b6X6.
3.  Выбирают сдвиг в направлении крутого восхождения по базовому фактору от основного уровня, который может быть равен АХб или части этого интервала, т. е. µXб (0<µ<l) или ц =0,1; 0,2; 0,3; 0,4 и т. д. до 1.
4.  Определяют величину первого шага эксперимента λ, для этого необходимо величину сдвига разделить на коэффициент базового фактора, т. е.

.

4.2.9. Вычисляют шаги первой точки крутого восхождения экс-
перимента по формуле Xhλ(biXi)+Xiосн, где i = 1,2,...,k — факторы процесса или операции:

Xiосн — основной уровень фактора процесса или операции т. е. интервал варьирования умножить на коэффициент фактора и величину Я , а полученное произведение сложить с основным уровнем фактора. При необходимости численное значение величины шага Хih округляют.

Результаты вычислений записывают в графу 12, формы 3 приложения 3.

1.  Далее следует последовательно прибавлять к предыдущей точке шаг соответствующего фактора λ (biXi). Количество шагов определяют полным или дробным экспериментом. Результаты вычислений записывают в графы 20—34 формы 3 приложения 3.
2.  Проводят ПФЭ или ДФЭ, устанавливая действительные значения факторов процесса или операции в каждой точке плана матрицы в соответствии с условиями шагов факторов. Незначимые факторы устанавливают на любом удобном уровне в интервале ±1. Если нет специальных соображений, то выбирают средний уровень фактора. Если же по экономическим соображениям, например, выгодно поддерживать нижний уровень фактора, то выбирают его.

4.2.12. Обрабатывают результаты эксперимента.

4.3. Принятие решений после крутого восхождения

4.3.1. При эффективном крутом восхождении возможны два исхода:

•  оптимум достигнут;
•  оптимум не достигнут.

1.  Если оптимум не достигнут, то необходимо построить линейный план нового цикла. Из реализованных опытов следует выбрать наилучший по результатам показателя параметра оптимизации процесса или операции и принять его за базовый- чтобы продолжить цикл крутого восхождения.
2.  Если оптимум достигнут, то необходимо прекратить цикл крутого восхождения.
3.  При неэффективном крутом восхождении возможна ситуация, когда все коэффициенты регрессии получились незначимыми (модель неадекватна), но оптимум не достигнут Тогда следует поставить опыт в центре плана эксперимента, для грубой оценки квадратичных членов уравнения регрессии.
4.  Если сумма квадратичных членов уравнения регрессии значима, то это свидетельствует о близости оптимума.
5.  Если, многократно реализовав шаговую процедуру, получен наилучший результат, который, однако, хуже требуемого, то это значит, что достигнут предел возможностей данной операции или процесса и предъявленным требованиям операция или процесс не могут удовлетворять. Требуется модернизация процесса, операции или их замена.
6.  Если модель неадекватна, то возможны следующие ситуации:

•  интервалы варьирования выбраны неудачно: исходную модель строили по части полного факторного эксперимента;
•  исходную модель строили от полного факторного эксперимента 2k-p, где р>1.

1.  Увеличивают вдвое интервал варьирования у незначимых факторов и проводят дополнительный эксперимент.
2.  Если модель строилась по части полного факторного эксперимента, то следует достроить часть эксперимента до полного факторного эксперимента, провести эксперимент по новому плану матрицы, получить раздельные оценки для всех коэффициентов и совершить новое крутое восхождение.

4.3.10. Если модель строилась по части полного факторного эксперимента 2к-р, то следует применить метод «перевала», т. е.построить план матрицы второй серии опытов, изменив все знаки на обратные. Это дает возможность освободить линейные эффекты от совместных оценок с парными взаимодействиями. Положение не изменится, если значимыми являются взаимодействия более высокого порядка.

4.4. Реализация «мысленных опытов»

1.  Если опыты очень дороги или известна математическая модель, то следует оценивать показатель параметра оптимизации в «мысленных опытах».
2.  При реализации «мысленных опытов» по плану матрицы эксперимента существует две возможные ситуации:

одновременно могут ставиться все мысленные опыты через один, через два в плане матрицы эксперимента и т. д.;

реализуются два крайних «мысленных опыта» плана матрицы эксперимента, а затем «прощупывается» пространство внутри этого интервала. Минимальное число опытов — три, так как оптимум необходимо «захватить в вилку».

4.4.3. Для оценки показателя параметра оптимизации при «мысленных опытах» следует действительные значения факторов перевести в кодированные по формуле

где  — кодовое обозначение действительного значения фактора;

— действительное значение i-гo фактора на основном уровне;

— интервал варьирования i-го фактора.

1.  Умножают кодовые значения факторов на коэффициенты уравнения регрессии.
2.  По уравнению регрессии (включая только значимые факторы) определяют величину в,л для каждой точки плана матрицы, т. е. для каждой строчки, с учетом знака фактора находят алгебраическую сумму коэффициентов уравнения.

4.4.6.  В «мысленных опытах» исследователь часто выходит далеко за ту область, для которой находилось линейное приближение, что приводит к большому расхождению между наблюдениями и вычисленными значениями показателя параметра оптимизации. Это обстоятельство не должно вызывать недоумение – линейным приближением в этих случаях пользуются не для предсказания выхода процесса, а для определения направления движения.

4.4.7. После получения выхода процесса принимают решение, как указано в пп. 4.3., 4.4 и 3.11.

ПРИЛОЖЕНИЕ 6

Задания на тему «Планирование эксперимента вида 22»

1. Исследовать пластичность (, %) сплава АМг3 в зависимости от температуры (t, С) и скорости деформации (, м/с).	3 1 4 2
x1=t:x10=525С; ∆x1=50С x2=:x20=1,25 м/с; ∆x1=0,10 м/с Y==φ(t, )=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 10,8 12,4 11,8 Y2 15,9 17,9 16,7 Y3 14,8 15,8 15,3 Y4 19,6 18,2 18,7
2. Исследовать зависимость сопротивления деформации (s, МПа) стали 15 от температуры (t, С) и степени деформации ().	1 2 3 4
x1=t:x10=1000С; ∆x1=100С x2=:x20=0,20; ∆x1=0,10 Y=s=φ(t, )=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 19,2 19,9 19,7 Y2 21,6 21,7 20,8 Y3 10,2 9,2 9,9 Y4 10,6 12,8 11,9
3. Исследовать зависимость ударной вязкости KCV листовой стали от содержания углерода (С, %) и толщины листа (s, мм).	1 2 3 4
x1=s:x10=3,0 мм; ∆x1=1,0 мм x2=С:x20=0,18%; ∆x1=0,04% Y=KCV=φ(s, С)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 100 104 106,4 Y2 89 85 92,4 Y3 80 83,7 82 Y4 71 68 73,5

4. Исследовать зависимость пластичности (s, МПа) стали 35 от содержания серы (S, %) и содержания марганца (Mn, %).	2 4 1 3
x1=S:x10=0,2%; ∆x1=0,1% x2=Mn:x20=0,5%; ∆x1=0,25% Y=s=φ(S, Mn)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 18,9 18,0 18,3 Y2 21,9 22,2 21,5 Y3 15,9 16,3 16,7 Y4 19,8 19,4 19,0
5. Исследовать зависимость стойкости молотового штампа (N, тыс. шт. деталей) от твёрдости (НВ) и массы поковки (М, кг).	1 2 3 4
x1=НВ:x10=405 НВ; ∆x1=15 НВ x2= М:x20=2 кг; ∆x1=1 кг Y=N=φ(НВ, M)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 6,8 7,3 7,9 Y2 10,8 11,5 12,2 Y3 4,7 5,2 5,8 Y4 7,5 8,1 8,7
6. Исследовать зависимость стойкости вырубного штампа (N, тыс. шт. деталей) от твёрдости пуансона (HRCэ) и твёрдости вырубаемого материала (НВ).	1 2 3 4
x1= HRCэ:x10=55 HRCэ; ∆x1=5 HRCэ x2=НВ:x20=150 НВ; ∆x1=10 НВ Y=N=φ(HRC, НВ)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 36,4 38,7 40,1 Y2 47,3 48,4 46,3 Y3 34,2 32,1 35,0 Y4 42,7 40,8 43,8

7. Исследовать зависимость (0,2, МПа) сплава АК от содержания кремния    (Si, %) и температуры (t, С).	1 2 3 4
x1=t:x10=295С; ∆x1=25С x2=Si:x20=6%; ∆x1=2% Y=0,2=φ(t, Si)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 24,5 25,4 25,7 Y2 30,2 28,0 30,1 Y3 39,5 37,9 40,3 Y4 40,3 41,4 45,5
8. Исследовать зависимость стойкости пуансонов для ХВ (N, тыс. шт. деталей) от твёрдости (HRCэ) и ширины калибрующего пояска (h, мм).	1 2 3 4
x1= HRCэ:x10=60 HRCэ; ∆x1=2 HRCэ x2=h:x20=3 мм; ∆x1=1 мм Y =N=φ(HRCэ, h)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 17 18 19 Y2 23 20 21 Y3 16 15 17 Y4 20 19 21
9. Исследовать зависимость коэффициента трения () от скорости деформирования (vд, м/с) и нормального давления на поверхность инструмента      (N, МПа).	1 4 2 3
x1=vд:x10=0,6 м/с; ∆x1=0,2 м/с x2=N:x20=2000 МПа; ∆x1=200 МПа Y==φ(vд, N)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 0,092 0,085 0,093 Y2 0,065 0,073 0,072 Y3 0,077 0,085 0,078 Y4 0,085 0,110 0,105

10. Исследовать зависимость твёрдости заготовок, полученных ХВ (НВ) от температуры (t, С) и степени деформации (, %).	1 2 3 4
x1=:x10=50%; ∆x1=30% x2=t:x20=730С; ∆x1=20С Y=НВ=φ(, t)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 133 137 135 Y2 131 133 135 Y3 142 143 147 Y4 142 137 138
11. Исследовать зависимость твёрдости заготовок, полученных осадкой (НВ) от степени деформации (, %) и температуры (t, С) последующего отжига.	2 1 3 4
x1=:x10=50%; ∆x1=20% x2=t:x20=730С; ∆x1=20С Y=НВ=φ(, t)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 142 143 147 Y2 121 124 127 Y3 120 123 123 Y4 137 138 140
12. Исследовать пластичность (, %) сплава АМг3 в зависимости от температуры (t, С) и скорости деформации (, м/с).	1 2 3 4
x1=t:x10=325С; ∆x1=25С x2=:x20=1,15 м/с; ∆x1=0,05 м/с Y==φ(t, )=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 10,8 12,4 11,8 Y2 14,8 15,8 15,3 Y3 15,9 17,9 16,7 Y4 19,6 18,2 18,7

13. Исследовать зависимость коэффициента трения () от скорости деформирования (vд, м/с) и нормального давления на поверхности контакта заготовка -инструмент (N, МПа).	1 2 4 3
x1=vд:x10=0,6 м/с; ∆x1=0,5 м/с x2=N:x20=1500 МПа; ∆x1=500 МПа Y==φ(vд, N)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 0,115 0,120 0,110 Y2 0,090 0,088 0,094 Y3 0,060 0,065 0,063 Y4 0,070 0,070 0,068
14. Исследовать зависимость стойкости пуансонов для ГВ (N, тыс. шт. деталей) от температуры заготовки (t, С) и твёрдости пуансонов (HRCэ).	1 2 4 3
x1=t:x10=1150С; ∆x1=50С x2= HRCэ:x20=52 HRCэ; ∆x1=2 HRCэ Y=N=φ(t, HRCэ)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 5,8 6,0 6,3 Y2 7,8 8,0 8,2 Y3 6,7 7,0 7,4 Y4 5,2 5,0 5,4
15. Исследовать зависимость стойкости матриц для ГВ (N, тыс. шт. деталей) от температуры заготовки (t, С) и твёрдости пуансонов (HRCэ).	4 3 1 2
x1=t:x10=1150С; ∆x1=50С x2= HRCэ:x20=52 HRCэ; ∆x1=2 HRCэ Y=N=φ(t, HRCэ)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 1,8 2,0 2,2 Y2 2,3 2,4 2,6 Y3 2,7 3,0 3,2 Y4 2,5 2,6 2,7

16. Исследовать зависимость сопротивления деформации (s, МПа) углеродистой стали от температуры (t, С) и степени деформации ().	4 2 3 1
x1=t:x10=1000С; ∆x1=100С x2=:x20=0,20; ∆x1=0,10 Y=s=φ(t, )=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 8,0 7,2 7,8 Y2 17,2 17,3 16,5 Y3 11,0 11,2 10,9 Y4 9,2 9,6 10,2
17. Исследовать зависимость стойкости отрезного штампа (N, тыс. шт. деталей) от твёрдости пуансона (HRCэ) и твёрдости отрезаемого материала (НВ).	3 4 2 1
x1= HRCэ:x10=58 HRCэ; ∆x1=3 HRCэ x2=НВ:x20=160 НВ; ∆x1=10 НВ Y=N=φ(HRCэ, НВ)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 45,5 46,0 46,7 Y2 51,0 52,0 52,2 Y3 36,5 37,0 37,8 Y4 33,7 34,0 34,5
18. Исследовать зависимость твёрдости заготовок, полученных ХВ (НВ) от температуры (t, С) и степени деформации ().	4 3 1 2
x1=:x10=0,5; ∆x1=0,3 x2=t:x20=730С; ∆x1=30С Y=НВ=φ(, t)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 150 154 157 Y2 140 142 145 Y3 135 138 139 Y4 141 143 144

19. Исследовать зависимость коэффициента трения () от скорости деформирования (vд, м/с) и нормального давления на поверхности контакта заготовка -инструмент (N, МПа).	3 4 2 1
x1=vд:x10=0,6 м/с; ∆x1=0,5 м/с x2=N:x20=1500 МПа; ∆x1=500 МПа Y==φ(vд, N)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 0,060 0,065 0,063 Y2 0,070 0,072 0,067 Y3 0,115 0,120 0,118 Y4 0,040 0,088 0,094
20. Исследовать зависимость стойкости молотового штампа (N, тыс. шт. деталей) от твёрдости (НВ) и массы поковки (М, кг).	3 4 2 1
x1=НВ:x10=405 НВ; ∆x1=15 НВ x2= М:x20=2 кг; ∆x1=1 кг Y=N=φ(НВ, M)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 6,8 7,3 7,4 Y2 4,7 5,2 5,8 Y3 7,5 8,1 8,7 Y4 10,8 11,5 12,2
21. Исследовать зависимость ударной вязкости KCV листовой стали от содержания углерода (С, %) и толщины листа (s, мм).	3 4 2 1
x1=s:x10=3,0 мм; ∆x1=1,0 мм x2=С:x20=0,18 %; ∆x1=0,04 % Y=KCV=φ(s, С)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 71 68 73,5 Y2 80 86,7 82 Y3 100 104 106,4 Y4 89 85 92,4

22. Исследовать пластичность (, %) сплава АМг3 в зависимости от температуры (t, С) и скорости деформации (, м/с).	3 4 2 1
x1=t:x10=325С; ∆x1=25С x2=:x20=1,15 м/с; ∆x1=0,05 м/с Y==φ(t, )=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 14,8 15,8 15,3 Y2 10,8 12,4 11,8 Y3 15,9 17,9 16,7 Y4 19,6 18,2 18,7
23. Исследовать зависимость стойкости пуансонов для ХВ (N, тыс. шт. деталей) от твёрдости (HRCэ) и ширины калибрующего пояска (h, мм).	1 2 3 4
x1= HRCэ:x10=62 HRCэ; ∆x1=3 HRCэ x2=h:x20=4 мм; ∆x1=2 мм Y =N=φ(HRCэ, h)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 16,5 15,4 16,7 Y2 23,2 19,8 21,1 Y3 18,4 19,4 19,0 Y4 23,2 25,6 23,8
24. Исследовать зависимость пластичности (s, МПа) стали 18 от содержания фосфора (Р, %) и содержания хрома (Сr, %).	3 4 2 1
x1=Р:x10=0,02%; ∆x1=0,015% x2=Сr:x20=0,5%; ∆x1=0,25% Y=s=φ(Р, Сr)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 18,7 17,6 18,3 Y2 22,9 23,2 22,5 Y3 19,7 19,6 19,1 Y4 15,4 16,0 15,7

ПРИЛОЖЕНИЕ 7

Пример планирования эксперимента вида 22

Исследовать зависимость пластичности (s, МПа) стали 35 от содержания серы (S, %) и содержания марганца (Mn, %).	2 4 1 3
x1=S:x10=0,2%; ∆x1=0,1% x2=Mn:x20=0,5%; ∆x1=0,25% Y=s=φ(S, Mn)=φ(x1, x2)	№ точки плана Номер опыта 1 2 3 Y1 18,9 18,0 18,3 Y2 21,9 22,2 21,5 Y3 15,9 16,3 16,7 Y4 19,8 19,4 19,0

Среднее значение показателя параметра оптимизации определяют по реализации параллельных наблюдений по формуле:

,

где - среднее арифметическое по m опытам в точке с номером v;

 v - строчка плана матрицы планирования или номер опыта;

 Yv,j - действительное значение показателя параметра оптимизации;

 m   - число параллельных наблюдений в каждой точке.

Полученные результаты заносим в соответствующие графы.

2. Для оценки отклонения показателя параметра оптимизации от среднего значения следует вычислить дисперсию воспроизводимости по данным m параллельных наблюдений плана матрицы планирования в каждой точке по формуле:

,

где - дисперсия в v-й точке;

 j - порядковый номер параллельного опыта в данной точке плана матрицы;

  - среднее арифметическое значение показателя параметра оптимизации в т параллельных опытах в точке v;

 Yv,j- значение параметра оптимизации в v-й точке;

 m-1 - число параллельных наблюдений в точках плана матрицы.

Значения, вычисленные для всех точек плана матрицы заносим в соответствующие графы.

Дисперсии суммируют по текущим номерам точек или строк плана матрицы и записываем в соответствующую графу.

Находим максимальную дисперсию и записываем её в графу напротив значения . В данном случае она равна 0,21.

3. Затем проверяют однородность дисперсий. Для проверки гипотезы однородности дисперсий следует пользоваться критерием Кохрена, который основан на законе распределения отношения максимальной дисперсии к сумме всех дисперсий, т. е.

,

где G - критерий Кохрена;

 - максимальная дисперсия в v-й точке;

 - сумма всех дисперсий.

После проверяют гипотезу о воспроизводимости измерений, заключающуюся в определении того факта, при котором выборочные дисперсии для каждой точки плана матрицы однородны.

Для этого следует задать уровень значимости q=5%, определить число степеней свободы V1,в max=m-1 и V2,в=N, найти табличное значение критерия Кохрена gkp  при соответствующих степенях свободы. Если расчетное значение G, окажется меньше найденного в таблице, то гипотеза об однородности дисперсий и воспроизводимости результатов принимается. Если проверка дала отрицательный результат, то следует увеличить число параллельных опытов.

Примечание. Следует выбирать уровень значимости по всем критериям (Кохрена, Стьюдента, Фишера), одинаковым при решении поставленном задачи. Здесь и далее по тексту для примера установлен уровень значимости, равный 5%.

Находим разность между расчетным значением эксперимента G и Gкp , найденным по таблице. Этот результат записываем в соответствующую графу.

Для контроля расчетов проверки однородности дисперсии в форму записываем следующие значения: G, q в процентах, V1,в, V 2,в, Gкp. В последнюю графу записываем вывод: дисперсии однородны или неоднородны.

Если дисперсии однородны, то их следует усреднить, т. е. найти дисперсию параметра оптимизации по формуле

,

где S2{Y} - средняя арифметическая дисперсий всех различных точек плана матрицы или дисперсия параметра оптимизации;

v- дисперсия в v-й точке;

- сумма всех дисперсий;

N- общее число различных точек в плане матрицы планирования.

Вычисленное значение S2{Y} записываем в соответствующую графу.

Построение математической модели процесса.

Коэффициенты регрессии определяют умножением данных  на данные Хi,v в кодовых обозначениях с последующим делением полученного произведения на общее число точек в плане матрицы, т. е. по формуле

,

где bi -коэффициенты регрессии 0, 1, 2, . . . , k;

 Xi,v -  номер (фактора в кодовых обозначениях) столбца в плане матрицы О, 1, 2, . . . , k;

- среднее арифметическое по т опытам в точке с номером v;

N- общее число различных точек в плане матрицы.

Вычисленные значения bi записываем в форму.

При равном числе параллельных опытов (тv) во всех точках плана матрицы дисперсию ошибки определения коэффициента регрессии определяют по формуле:

,

где S2{bi} - дисперсия ошибки определения коэффициента;

 S2  {Y} - дисперсия показателя параметра оптимизации;

N - общее число различных точек в плане матрицы;

 m - число параллельных наблюдений в каждой точке.

Вычисленное значение S2{bi} записываем в соответствующую графу. Значение S2{bi} для всех коэффициентов одинаковое.

Среднеквадратическое отклонение дисперсии ошибки определения коэффициента уравнения регрессии bi определяют по формуле:

,

Вычисленное значение  записываем в форму.

Найденное значение  для всех коэффициентов одинаковое.

Значимость коэффициентов регрессии определяют по t - критерию Стьюдента. Для каждого коэффициента вычисляют значения ti - критерия по формуле

,

где ti - критерий Стьюдента;

 - рассчитанные коэффициенты регрессии;

 - cсреднеквадратичное отклонение дисперсий коэффициента регрессии.

Полученные значения ti записываем в соответствующие графы формы.

Затем проверяют гипотезу о значимости коэффициента bi. Для этого следует задать уровень значимости q=5% и определить число степеней свободы V3H =N(m—1). найти критическое значение tкp в табл. 3 приложения 5 для определенного числа степеней свободы. Если расчетное значение ti, определенное по формуле, окажется больше значения tкр, найденного в таблице, то гипотеза отвергается и коэффициент bi признаётся значимым. В противном случае bi считается статистически незначимым, т. е. βi=0.

Если какой-либо коэффициент окажется статистически незначимым, то он может быть отброшен без пересчета остальных коэффициентов.

Находим разность между расчётными значениями эксперимента ti  и tкp. Результат записываем в соответствующие графы формы.

Для контроля расчетов проверки значимости коэффициентов регрессии в форму записываем следующие значения: q = 5%, Vзн, tкp. В нижнюю графу записываем вывод: коэффициенты значимые или незначимые.

Статистическая незначимость коэффициента bi может быть обусловлена следующими причинами:

а) основной уровень режима фактора Xiосн близок к точке частного экстремума, т. е. ;

б) интервал варьирования фактора ΔXi выбран малым;

в) данная переменная (произведение переменных) не имеет статистической связи с показателем параметра оптимизации ;

г) велика ошибка эксперимента вследствие наличия неуправляемых и неконтролируемых факторов.

Если имеют место причины, указанные в подпунктах а и b, то значение фактора следует стабилизировать на определенном уровне (не выходя за пределы варьирования), если имеет место причина, указанная в подпункте б, то следует увеличить интервал варьирования на величину, равную 0,05÷0,3 от интервала варьирования фактора, т. е. область варьирования должна составлять 10—60% от размаха варьирования фактора. Если имеет место причина, указанная в подпункте г, то следует принять меры к уменьшению ошибки эксперимента.

В математическую модель технологического процесса включают только значимые коэффициенты. Получают уравнение регрессии в виде

где - математическое ожидание показателя параметра оптимизации;

- коэффициенты параметров модели;

 Хi- факторы процесса.

Проверка адекватности модели

По уравнению регрессии определяют величину для каждой точки плана матрицы, т. е. для каждой строчки, с учетом знака фактора в плане матрицы найти алгебраическую сумму коэффициентов уравнения.

Вычисленное значениезаписываем в соответствующие графы.

Находят разность между средним значением  показателя параметра оптимизации процесса для каждой точки плана матрицы, полученным экспериментально, и значением , подсчитанным по уравнению регрессии. Эту разность возводят в квадрат. Полученные результаты (Yv-)2 записываем в соответствующие графы и суммируют. Результат суммирования (Yv-)2 записываем в соответствующую графу.

Оценку дисперсии адекватности модели определяют по формуле.

,

где  - оценка дисперсии адекватности модели;

 m - число параллельных наблюдений в точках плана матрицы;

N - общее число различных точек в плане матрицы;

 l - число значимых коэффициентов (включая b0);

  - среднее арифметическое по т опытам в точке с номером и;

- математическое ожидание параметра оптимизации, подсчитанное по уравнению регрессии.

Примечание. Формула справедлива лишь при равном числе параллельных опытов во всех точках плана матрицы.

Найденное значение  записываем в графу соответствующую графу.

Адекватность модели проверяют по формуле

,

где F - критерий Фишера;

  - оценка дисперсии адекватности;

  - дисперсия параметра оптимизации.

Полученное значение критерия F записываем в соответствующую графу.

Для проверки гипотезы адекватности модели следует задать уровень значимости q = 5%, определить число степеней свободы Vi,ad=N-l и V2,ad=N(m—1), найти табличное значение критерия Фишера FKP. Если расчетное значение критерия F, определенное по формуле, окажется меньше значения Fкp , определенного по таблице, то гипотеза адекватности модели принимается.

Примечание. Проверка адекватности модели возможна лишь при V1,ad>0, т. е. число оцениваемых коэффициентов l не должно быть равно числу точек N в плане матрицы.

Находим разность между расчетным значением эксперимента критерием F и Fкp. Результат записываем в соответствующую графу.

Для контроля расчётов проверки адекватности модели в форму записываем следующие значения: qad = 5%, V1,ad, V2,ad , Fкp. В нижнюю графу записываем вывод: уравнение адекватно или неадекватно.

В нижнею графу формы следует записывать уравнение регрессии (линейная модель), т. е. математическую модель технологического процесса, включая только значимые коэффициенты.

Если гипотеза адекватности отвергается, то возможны следующие приемы получения адекватной модели:

- увеличение интервалов варьирования факторов, этот прием может привести к цели, если решается задача оптимизации;

- выделение (если возможно) фактора, порождающего неадекватность, и реализация для оставшихся k-1 факторов новых планов, при этом выделенный фактор зафиксирован на определенном уровне;

- преобразование контролируемых переменных (факторов), т. е. переход к новым факторам, статистически связанным со старыми.

При выборе контролируемых параметров возможны три варианта:

- все коэффициенты регрессии значимы;

- часть коэффициентов регрессии значима, часть незначима;

- все коэффициенты регрессии незначимы.

Поскольку выбор контролируемых параметров технологического процесса осуществляется на основании требований к конечному продукту при учете вклада каждого выделенного фактора, то следует оценить коэффициенты влияния (чувствительности) в действительных значениях по формуле:

,

где Ai - коэффициент чувствительности параметра процесса в действительных значениях;

 bi — рассчитанные коэффициенты регрессии;

 ΔXi— интервал варьирования фактора.

Вычисление коэффициента чувствительности в безразмерном масштабе производят по формуле:

,

где ai - коэффициент чувствительности в безразмерном масштабе;

 xioch— основной уровень фактора процесса.

Коэффициент влияния Ai - мера чувствительности процесса к изменению интервала варьирования факторов служит для определения допусков факторов.

Если для коэффициентов влияния необходимо определить допуски, то в процессе функционирования реального технологического процесса соответствующие приращения можно определить, вводя искусственно, если они незначительно изменят выход процесса и не вызовут появление бракованной продукции.

Если все коэффициенты регрессии значимы, то все факторы (параметры) технологического процесса следует контролировать.

Если часть коэффициентов значима, а часть незначима, то следует контролировать только факторы (параметры) технологического процесса при значимых коэффициентах.

Если все коэффициенты регрессии незначимы, то следует увеличить интервалы варьирования факторов (параметров) и провести дополнительный эксперимент.

Выбранные контролируемые параметры вносят в соответствующую нормативно-техническую документацию с  учетом следующих свойств коэффициентов:

- чем больше абсолютная величина коэффициента фактора (параметра) технологического процесса, тем большее влияние оказывает фактор (параметр) на показатель параметра оптимизации;

- если коэффициент регрессии отрицателен, то для увеличения показателя параметра оптимизации надо уменьшить значение фактора (параметра) технологического процесса, если положителен - увеличивать;

- при минимизации показателя параметра оптимизации можно изменить знаки коэффициентов, кроме b0, на обратные и далее поступать так же как указано в предыдущем случае;

- если эффект взаимодействия факторов (параметров) технологического процесса имеет отрицательный знак, то для увеличения показателя параметра оптимизации факторы (параметры) должны одновременно изменяться в разных направлениях, например, X1=+1, X2=-1, или X1=-1, X2=+1.

ПРИЛОЖЕНИЕ 8

Бланк журнала эксперимента

Журнал планирования эксперимента

Обозначение, наименование детали (сборочное единицы)

Обозначение, наименование документа

№ опер.

Контролируемые переменные

План эксперимента

Априорные сведения

Оценка коэффициентов уравнения

Верхний уровень

b0β0 b2β2 b1β1 b1,2β1,2

Нижний уровень

Основной уровень

Интервал варьирования

Матрица планирования 22 в кодовых обозначениях переменных

Результаты эксперимента и дисперсии отклонений параметра оптимизации от среднего значения

Результаты расчёта для проверки адекватности модели

Особые указания

Номер точки плана v

Порядок реализации опытов

Геометрические параметры (факторы) процессов

m1

m2

m3

x0

x1

x2

x1∙x2

Y1

Y2

Y3

1

2

3

4

Коэффициенты    Проверка значимости коэффициентов q, % Vзн N(m-1)= ti tкр ti- tкр   Вывод

Проверка однородности дисперсий

Проверка адекватности модели

Резервная графа

G

F

q, %

, %

Вывод

Вывод

Уравнение регрессии (неполная квадратичная модель)

Уравнение регрессии (линейная модель)

Y=b0+ b1x1+ b2x2+ b1,2x1 x2

=

=

ПРИЛОЖЕНИЕ 9

Бланк журнала эксперимента и графическая модель (пример)

Журнал планирования эксперимента	Обозначение, наименование детали (сборочное единицы)	Обозначение, наименование документа	№ опер.
Контролируемые переменные	S, %	Mn, %		План эксперимента	Априорные сведения	Оценка коэффициентов уравнения
Верхний уровень	0,3	0,75				b0β0 b2β2 b1β1 b1,2β1,2
Нижний уровень	0,1	0,25
Основной уровень	0,2	0,5
Интервал варьирования	0,1	0,25
Матрица планирования 22 в кодовых обозначениях переменных	Результаты эксперимента и дисперсии отклонений параметра оптимизации от среднего значения	Результаты расчёта для проверки адекватности модели	Особые указания
Номер точки плана v	Порядок реализации опытов	Геометрические параметры (факторы) процессов
	m1	m2	m3	x0	x1	x2	x1∙x2	Y1	Y2	Y3
1	2	4	3	+	-	-	+	18,9	18,0	18,3	18,4	0,21	18,5	0,01
2	4	3	2	+	-	+	-	21,9	22,2	21,5	21,9	0,12	21,8	0,01
3	3	1	1	+	+		-	15,9	16,3	16,7	16,3	0,16	16,2	0,01
4	1	2	4	+	+	+	+	19,8	19,4	19,0	19,4	0,16	19,5	0,01
Коэффициенты    19 1,15 1,65 0,1 Проверка значимости коэффициентов 0,163 0,0135 0,0135 0,0135 0,0135 0,0135 q, % 5 0,116 0,116 0,116 0,116 0,116 Vзн N(m-1)=8 ti - 163,3 9,91 14,2 0,86 tкр 2,306 ti- tкр - 161,5 7,6 11,9 -1,14   Вывод значим значим значим не значим	Проверка однородности дисперсий	Проверка адекватности модели	Резервная графа
		0,65		0,04
		0,21		0,12
	G	0,323	F	0,74
	q, %	5	, %	5
		3-1=2		1
		N=4		8
		0,7679		5,32
		-0,464		-4,58
	Вывод	Дисперсии однородны	Вывод	Модель адекватна
Уравнение регрессии (неполная квадратичная модель)	Уравнение регрессии (линейная модель)
Y=b0+ b1x1+ b2x2+ b1,2x1 x2	=19-1,15х1+1,65 х2
	=19-1,15()+1,65();        =19,6-0,115+0,41