Планы второго порядка, реализация В3-плана
Л. Л. Кротова и др. Научные исследования в деревообработке. Планы второго порядка. Реализация В3 плана. Учебное пособие по выполнению курсовой работы студентов специальности 250 200 всех форм обучения/Л. Л. Кротова, А. А. Филлиповч, В. Ю. Буданов. — Красноярск: СибГТУ, 2003.-36с. Если tрасч, > tтабл, то соответствующий коэффициент регрессии значим. Незначимые коэффициенты регрессии должны быть… Читать ещё >
Планы второго порядка, реализация В3-плана (реферат, курсовая, диплом, контрольная)
Федеральное агентство по образованию
ГОУ ВПО
СИБИРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ
Факультет: Механической технологии древесины Кафедра: Технологии композиционных материалов и древесиноведения
Планы второго порядка. Реализация В3-плана
Реферат
В данном курсовом проекте содержится разработка метода планирования второго порядка на примере В3-плана, получение и исследование математической модели объекта в виде полинома второго порядка, статистический анализ полученного уравнения и построение поверхностей отклика.
Пояснительная записка содержит: листов машинописного текста, 7 таблиц, рисунков, 1 библиографического наименования.
Реферат
1 Расчетная часть
1.1 Значение и анализ выходной величины
1.2 Статистический анализ полученных данных
1.2.1. Проверка на наличие грубых измерений
1.2.2 Проверка однородности дисперсий
1.2.3 Расчет дисперсии воспроизводимости
2 Построение математической модели
2.1 Расчет коэффициентов регрессии
2.2 Расчет дисперсий коэффициентов регрессии
2.3 Проверка значимости коэффициентов регрессии
2.4 Проверка модели на адекватность
2.5 Построение графической зависимости
Заключение
Список использованных источников
Важное место в повышении уровня исследований в деревообрабатывающей промышленности занимают вопросы математического планирования эксперимента.
Математическая теория эксперимента предполагает многофакторный, системный, вероятностно-статистический подход исследований процессов и явлений.
Научный подход к обработке результатов наблюдений составляет предмет изучения математической статистики. Математическая статистика — это наука о математических методах обработки, систематизации и использовании результатов наблюдений для научных и практических выводов.
Методы математической статистики в настоящее время проникли во все области научных исследований, от физики и химии до экономики и социологии. Это объясняется тем, что каждая наука нуждается в анализе и обработке добытых ею факторов.
Роль математической статистики в исследовании лесной и деревообрабатывающей промышленности особенно велика. Для предмета труда этой области промышленности — древесины — характерно большое разнообразие характеристик. Поэтому, проведение научных исследований в лесной и деревообрабатывающей промышленности всегда связано с большим числом наблюдений, результаты которых обрабатывают при помощи методов математической статистики.
Цель курсовой работы: получение и исследование математической модели объекта в виде полинома второго порядка, статистический анализ полученного уравнения и построение поверхностей отклика.1 Расчетная часть
1.1 Значение и анализ выходной величины.
Исследование зависимости посылки по мощности привода от некоторых технологических факторов.
В рассматриваемом частном случае реализации В3 — плана участвуют три основных фактора, каждый из которых имеет диапазон варьирования:
X1min11max
X2min22max (1.1)
X3min33max
Основной уровень или середину диапазона выравнивания находим из соотношения:
. (1.2)
Уровни варьирования переменных факторов занесем в таблицу 1.1
Таблица 1.1 — Переменные факторы и уровни их варьирования
Наименование факторов | Обозначения факторов | Уровни варьирования | |||
верхний +1 | основной | нижний — 1 | |||
1. Диаметр распиливаемых бревен, d, см | X1 | ||||
2. Толщина бруса, Н, мм | X2 | ||||
3. Количество сечений, m, шт | X3 | ||||
В результате проведенных опытов получены значения выходных величин и проведен первичный анализ.
Среднее значение выходной величины рассчитывается по формуле:
j=, (1.3)
где n — количество опытов.
Выборочные дисперсии по каждому опыту рассчитываются по следующей формуле:
Sj2=. (1.4)
Среднеквадратическое отклонение:
Sj=. (1.5)
Полученные данные занесем в таблицу 1.2
Таблица 1.2 — Значения выходных величин
Номер опыта | Заданные значения выходной величины | Анализ выходной величины | |||||||
Y1j | Y2j | Y3j | Y4j | Y5j | Yjj | Sjj2 | Sij | ||
15.6 | 17.7 | 14.5 | 15.3 | 16.02 | 1.697 | 1.30 269 | |||
29.4 | 38.5 | 37.4 | 33.8 | 29.2 | 33.66 | 18.868 | 4.343 731 | ||
14.9 | 11.2 | 14.9 | 12.8 | 11.7 | 13.1 | 3.035 | 1.742 125 | ||
28.7 | 26.6 | 27.9 | 29.6 | 27.36 | 4.743 | 2.177 843 | |||
38.5 | 28.7 | 31.7 | 33.38 | 13.427 | 3.664 287 | ||||
67.5 | 51.8 | 52.9 | 62.3 | 62.1 | 59.32 | 45.322 | 6.732 162 | ||
36.8 | 31.6 | 33.9 | 32.5 | 34.76 | 9.493 | 3.81 071 | |||
53.3 | 58.1 | 53.5 | 62.3 | 56.9 | 56.82 | 13.772 | 3.711 065 | ||
20.8 | 19.5 | 21.1 | 17.7 | 19.42 | 2.427 | 1.557 883 | |||
35.4 | 42.7 | 42.5 | 37.3 | 36.9 | 38.96 | 11.548 | 3.398 235 | ||
33.1 | 32.3 | 26.2 | 26.3 | 30.58 | 16.587 | 4.72 714 | |||
28.1 | 24.7 | 28.8 | 26.1 | 27.8 | 27.1 | 2.785 | 1.668 832 | ||
23.9 | 24.8 | 25.7 | 23.3 | 20.4 | 23.62 | 4.067 | 2.1 668 | ||
48.2 | 46.2 | 45.9 | 48.9 | 48.84 | 13.493 | 3.673 282 | |||
1.2 Статистический анализ полученных данных
1.2.1 Проверка на наличие грубых измерений
Наличие дублированных опытов можно оценить имеющиеся выборки по каждому опыту на предмет грубых измерений (табл. 1.3). Для этого сомнительный результат исключают из выборки.
По оставшимся данным вычисляют (табл. 1.4):
— среднее арифметическое:
(1.6)
где i=1…4; j=1…14.
— оценка дисперсии:
Sj2=. (1.7)
Таблица 1.3 — Проверка на наличие промахов
Номер опыта | Заданные значения выходной величины | Анализ выходной величины | |||||||
Y1j | Y2j | Y3j | Y4j | Y5j | Yjj | Sjj2 | Sij | ||
15.6 | 17.7 | 14.5 | 15.3 | 16.02 | 1.697 | 1.30 269 | |||
29.4 | 38.5 | 37.4 | 33.8 | 29.2 | 33.66 | 18.868 | 4.343 731 | ||
14.9 | 11.2 | 14.9 | 12.8 | 11.7 | 13.1 | 3.035 | 1.742 125 | ||
28.7 | 26.6 | 27.9 | 29.6 | 27.36 | 4.743 | 2.177 843 | |||
38.5 | 28.7 | 31.7 | 33.38 | 13.427 | 3.664 287 | ||||
67.5 | 51.8 | 52.9 | 62.3 | 62.1 | 59.32 | 45.322 | 6.732 162 | ||
36.8 | 31.6 | 33.9 | 32.5 | 34.76 | 9.493 | 3.81 071 | |||
53.3 | 58.1 | 53.5 | 62.3 | 56.9 | 56.82 | 13.772 | 3.711 065 | ||
20.8 | 19.5 | 21.1 | 17.7 | 19.42 | 2.427 | 1.557 883 | |||
35.4 | 42.7 | 42.5 | 37.3 | 36.9 | 38.96 | 11.548 | 3.398 235 | ||
33.1 | 35 | 32.3 | 26.2 | 26.3 | 30.58 | 16.587 | 4.72 714 | ||
28.1 | 24.7 | 28.8 | 26.1 | 27.8 | 27.1 | 2.785 | 1.668 832 | ||
23.9 | 24.8 | 25.7 | 23.3 | 20.4 | 23.62 | 4.067 | 2.1 668 | ||
48.2 | 46.2 | 45.9 | 55 | 48.9 | 48.84 | 13.493 | 3.673 282 | ||
Затем, определяется расчетное значение t — критерия Стьюдента для сомнительного результата
tрасч=. (1.8)
Таблица 1.4 — Результаты проверки наличия промахов
Номер опыта | Сомнительный элемент | Статистики для усеченной выборки | Расчетное значение критерия Стьюдента, tрасч | |||
Yjj | Sjj2 | Sjj | ||||
17.7 | 15.6 | 1.86 666 667 | 1.42 433 051 | 2.1 451 786 | ||
38.5 | 32.45 | 15.39 666 667 | 3.923 858 645 | 1.54 184 963 | ||
11.2 | 13.575 | 2.5425 | 1.594 521 872 | — 1.489 474 708 | ||
29.6 | 26.8 | 4.233 333 333 | 2.57 506 582 | 1.360 870 495 | ||
38.5 | 32.1 | 6.98 | 2.641 968 963 | 2.422 435 725 | ||
67.5 | 57.275 | 32.54 916 667 | 5.705 187 698 | 1.792 228 502 | ||
36.8 | 34.25 | 10.92 333 333 | 3.305 046 646 | 0.771 547 356 | ||
62.3 | 55.45 | 5.85 | 2.418 677 324 | 2.83 212 644 | ||
17.7 | 19.85 | 2.3 333 333 | 1.415 391 583 | — 1.519 014 261 | ||
42.7 | 38.025 | 9.569 166 667 | 3.93 406 968 | 1.51 127 868 | ||
29.475 | 13.97 583 333 | 3.738 426 585 | 1.477 894 476 | |||
24.7 | 27.7 | 1.313 333 333 | 1.146 007 563 | — 2.617 783 772 | ||
25.7 | 23.1 | 3.62 | 1.902 629 759 | 1.366 529 661 | ||
47.3 | 2.18 | 1.476 482 306 | 5.215 098 053 | |||
По выбранному уровню значимости (q=0,05) и числу степеней свободы (f=3) находим табличное значение критерия (tqf) [1. табл. Д1].
tтабл=3,18
tрасч.qf .
1.2.2 Проверка однородности дисперсий
Проверку однородности дисперсий при полученном виде дублирования проводят с помощью G — критерия Кохрена:
Gрасч=, (1.11)
где — сумма всех дисперсий;
S2max — наибольшая из всех найденных дисперсий.
Gрасч=13,98/112,22= 0,125
При q=0,05 и f=n-1=3, Gтабл=0,29 [1. табл. Ж1].
Так как Gрасч табл, то гипотеза об однородности дисперсии опытов принимается.
1.2.3 Расчет дисперсии воспроизводимости Дисперсия воспроизводимости определяется по формуле:
S2 , (1.12)
где Nчисло опытов.
S2{y}=112,22/14= 8,02
Число степеней свободы для данной процедуры:
fy=N (n-1) (1.13)
fy=3*14=42.
2 Построение математической модели
2.1 Расчет коэффициентов регрессии
По результатам В3-план построим математическую модель:
Y=b0+b1*x1+b2*x2+b3*x3+b11*x12+b22*x22+b33*x32+b12*x1*x2+b13*x1*x3+b23*x2*x3
Таблица 2.1 — Матрица для расчета коэффициентов регрессии
№ опыта | X0 | X1 | X2 | X3 | X11 | X22 | X33 | X12 | X13 | X23 | Yij | Yij | |
16.02 | 15.92 | ||||||||||||
— 1 | — 1 | — 1 | 33.66 | 33.60 | |||||||||
— 1 | — 1 | — 1 | 13.1 | 12.95 | |||||||||
— 1 | — 1 | — 1 | — 1 | 27.36 | 27.00 | ||||||||
— 1 | — 1 | — 1 | 33.38 | 33.74 | |||||||||
— 1 | — 1 | — 1 | — 1 | 59.32 | 59.47 | ||||||||
— 1 | — 1 | — 1 | — 1 | 34.76 | 34.82 | ||||||||
— 1 | — 1 | — 1 | 56.82 | 56.92 | |||||||||
19.42 | 19.25 | ||||||||||||
— 1 | 38.96 | 39.13 | |||||||||||
30.58 | 30.22 | ||||||||||||
— 1 | 27.1 | 27.46 | |||||||||||
23.62 | 24.29 | ||||||||||||
— 1 | 48.84 | 48.17 | |||||||||||
Используя матрицу базисных функций, табл. 2.1, коэффициенты регрессии определяем по следующим формулам:
— свободного члена:
b0=-; (2.1)
— линейных коэффициентов регрессии:
bi=; (2.2)
— квадратичных коэффициентов:
bii =; (2.3)
— коэффициентов при парных взаимодействиях:
biu=. (2.4)
2.2 Расчет дисперсий коэффициентов регрессии
Формулы для определения дисперсий: — дисперсия оценки свободного члена:
S2{b0}=; (2.5)
S2{b0}=3,26
— дисперсия оценки линейных коэффициентов регрессии:
S2{bi}=; (2.6)
S2{bi}=0,80
— дисперсия оценки квадратичных коэффициентов регрессии:
S2{bij}=; (2.7)
S2{bii}=3,26
— дисперсия оценки коэффициентов при парных взаимодействиях:
S2{biu}=. (2.8)
S2{biu}=1,00
2.3 Проверка значимости коэффициентов регрессии
Для оценки значимости регрессии используем t — критерий Стьюдента. По следующим формулам определяются расчетные значения t — критерия Стьюдента:
tрасчi=, (2.9)
где S{bi}= - среднеквадратическое отклонение соответствующих дисперсий коэффициентов регрессии;
tрасчii=, (2.10)
tрасчiu=. (2.11)
Таблица 2.2 — Проверка значимости коэффициентов регрессии
обозначение коэффициентов регрессии | значение коэффициентов регрессии | Расчетные значения t-критерия Стьюдента | |
b0 | 29.98 | ||
b1 | — 9.94 | — 12 | |
b2 | 1.38 | ||
b3 | — 11.94 | — 15 | |
b11 | — 0.79 | ||
b22 | — 1.14 | ||
b33 | 6.25 | ||
b12 | — 0.91 | — 1 | |
b13 | 2.01 | ||
b23 | 1.01 | ||
По t — критерию Стьюдента, по заданному уровню значимости (q=0,05) и числу степеней свободы (fy=42), связанному с дисперсией воспроизводимости, находим табличное значение t — критерия Стьюдента [1. табл. Д1]:
tтабл =2,02
Если tрасч, > tтабл, то соответствующий коэффициент регрессии значим. Незначимые коэффициенты регрессии должны быть исключены из математической модели. Однако, в данной расчетной части с целью сохранения единообразия расчетов процедура исключения не проводится.
Получена следующая математическая модель в нормализованных обозначениях факторов:
Y=101,65+42,425х1+2,9х2+15,5х3+8,4х11-2,98х22-2,46х33+2,22×1×2+6,28×1×3+1,11х2х3
2.4 Проверка модели на адекватность
Для проверки адекватности модели используют дисперсию адекватности S2aq, процедура расчета которой зависит от вида дублирования опытов. Так как в нашем случае дублирование равномерное, то дисперсия адекватности рассчитывается по формуле:
(2.12)
где faq=N-p=14−10=4,
где p — число оцениваемых коэффициентов;
S2aq= 0,39
Затем, по F — критерию Фишера для уровня значимости q=0,05 проверяется однородность S2aq дисперсии адекватности (с числом степеней свободы faq):
Fрасч= (2.13)
Fрасч= 0,39/8,02=0,049
По таблице значения F — критерия Фишера [1. табл. Е1]:
Fтабл=2,84. Так как Fтабл.>Fрасч, следовательно, найденную модель можно считать адекватной.
Таблица 2.3 — Математическая модель
Номер опыта | Факторы в натуральных обозначениях | Значение выходной величины | ||||
X1, d, см | X2, Н, мм | X3, m, шт | опытное | модельное | ||
15.9055 | 15.9220 | |||||
32.0175 | 33.6000 | |||||
13.7255 | 12.9480 | |||||
26.3175 | 26.9960 | |||||
33.0255 | 33.7440 | |||||
57.4575 | 59.4720 | |||||
34.8455 | 34.8200 | |||||
55.7575 | 56.9180 | |||||
19.3855 | 19.2460 | |||||
37.8975 | 39.1340 | |||||
29.1295 | 30.2220 | |||||
27.1895 | 27.4580 | |||||
24.0095 | 24.2940 | |||||
47.2895 | 48.1660 | |||||
Уравнение регрессии в натуральных обозначениях факторов следующее:
Y=193,2−0,53d+0,23H-35,65m-0,012d2-0,0005H2+1,56m2-0,0022dH+0,13dm+0,01Hm
Таблица 2.4 — Значения выходной величины.
X1X2 | ||||||
162.738 | 155.4855 | 147.85 | 139.83 | 131.426 | ||
162.85 | 155.378 | 147.522 | 139.282 | 130.658 | ||
162.338 | 154.6455 | 146.57 | 138.11 | 129.266 | ||
161.2 | 153.288 | 144.992 | 136.312 | 127.248 | ||
159.438 | 151.3055 | 142.79 | 133.89 | 124.606 | ||
Таблица 2.5 — Значения выходной величины.
X1X3 | ||||||
— 90.45 | — 99.202 | — 108.34 | — 117.86 | — 127.76 | ||
— 148.46 | — 157.732 | — 158.03 | — 177.43 | — 187.85 | ||
— 209.59 | — 219.382 | — 207.72 | — 240.12 | — 251.06 | ||
— 273.84 | — 284.152 | — 257.41 | — 305.93 | — 317.39 | ||
— 341.21 | — 352.042 | — 307.1 | — 374.86 | — 386.84 | ||
Таблица 2.6 — Значения выходной величины.
X2X3 | ||||||
81.1375 | 84.7 | 87.6375 | 89.95 | 91.6375 | ||
63.8975 | 67.71 | 70.8975 | 73.46 | 75.3975 | ||
49.7775 | 53.84 | 57.2775 | 60.09 | 62.2775 | ||
38.7775 | 43.09 | 46.7775 | 49.84 | 52.2775 | ||
30.8975 | 35.46 | 39.3975 | 42.71 | 45.3975 | ||
2.5 Построение графической зависимости
Рисунок 2.1 — Зависимость посылки по мощности привода от диаметра распиливаемых бревен и толщины бруса.
Рисунок 2.2 — Зависимость посылки по мощности привода от диаметра распиливаемых бревен и количества сечений.
Рисунок 2.3 — Зависимость посылки по мощности привода от толщины бруса и количества сечений.
Рисунок 2.4 — График зависимости посылки по мощности привода от некоторых технологических факторов.
Заключение
В ходе выполнения курсовой работы мы изучили методы планирования второго порядка на примере В3 плана, получили и исследовали математическую модель объекта в виде полинома второго порядка, провели статистический анализ полученного уравнения.
Анализируя полученную модель, получаем, что значимыми являются все три фактора.
Полученная модель позволяет предсказать значения выходной величины для любой точки внутри области варьирования факторов.
В результате расчета было получено, что различие между дисперсиями незначимо, следовательно, можно считать найденную модель объекта адекватной.
Список использованных источников
1. Л. Л. Кротова и др. Научные исследования в деревообработке. Планы второго порядка. Реализация В3 плана. Учебное пособие по выполнению курсовой работы студентов специальности 250 200 всех форм обучения/Л. Л. Кротова, А. А. Филлиповч, В. Ю. Буданов. — Красноярск: СибГТУ, 2003.-36с.