Материал: 1155

В зависимости от источника информации, используемого при построении математической модели, различают физические (аналитические)истатистические(эмпирические)модели.

Физические модели представляют в виде сложных систем уравнений (алгебраических, дифференциальных, интегральных или дифференци- ально-интегральных), позволяющих очень точно описать процессы, протекающие в объекте, и допускающих экстраполяцию в точки факторного пространства, в которых невозможно непосредственное наблюдениеэтихпроцессов.

Статистические модели получают в результате статистической обработки экспериментальной информации, собранной об исследуемом объекте. Эти модели имеют относительно простую структуру и часто представляются в виде полиномов. Область их применения ограничивается ближайшей окрестностью рабочих точек, в которых проводятся эксперименты. Во многих случаях построение таких моделей можно выполнитьприсравнительнонебольшихзатратахвремениисредств.

Принято также различать стационарные и динамические модели. Первые из них представляют неизменяющиеся во времени соотношения, вторые описывают переходные процессы, т.е. нестационарные состояния.

1.3. Основные этапы проведения экспериментальных исследований

В общем случае планирование и организация эксперимента включают в себя следующие последовательно выполняемые этапы:

постановка задачи (определение цели эксперимента, выявление исходной ситуации, оценка допустимых затрат времени и средств, установление типа задачи);

сбор априорной информации об исследуемом объекте (изучение литературы, опрос специалистов и т.п.);

выбор способа решения и стратегии его реализации (установление типа модели, выявление возможных влияющих факторов, выявление параметров, выбор целевых функций);

проверка выбранного способа решения задачи (предварительные эксперименты с целью проверки экспериментальной установки и методики, а также предварительной оценки качества модели);

13

реализация выбранного способа решения задачи (уточнение типа экспериментальной установки, определение значения целевой функции и факторов, объемов выборки, кратности повторения опытов

ит. д.; завершается этап проведением экспериментов);

анализ и интерпретация результатов, их представление (получение оценок интересующих экспериментатора величин и определение степени достоверности этих оценок, выражение результатов анализа в терминах и понятиях той области науки или техники, в интересах которой был проведен эксперимент).

1.4.Классификация задач эксперимента

Можно выделить несколько типичных задач, решаемых экспериментатором. Это:

оценка определенных характеристик изучаемого объекта, проявляющих себя статистически, а также проверка некоторых гипотез, касающихся этих характеристик. Такая задача относится к измери-

тельным процессам;

выявление воздействия на выходную величину тех или иных факторов; результатом этого эксперимента должно быть одно из утверждений: «да» или «нет», например, влияет ли добавка некоторого компонента на прочность бетона и т.п. Соответствующая экспериментальная процедура называется дисперсионным анализом;

установление функции отклика, т.е. статистически достоверной зависимости, связывающей отклик с факторами; другими словами, построение математической модели изучаемого объекта. Это задача

регрессионногоанализа;

определение степени взаимной статистической связи двух величин, например, затрат на изучение технической информации и количество изобретений и т.п. Определение степени подобной связи является предметомкорреляционногоанализа;

нахождение оптимальных условий протекания процесса, т.е. определение значений факторов, при которых отклик является максимальным (или минимальным). Эта задача решается в ходе выполнения экс-

тремальногоэксперимента.

14

1.5. Параметры оптимизации

Выбор параметров оптимизации (критериев оптимизации) является одним из главных этапов работы на стадии предварительного изучения объектаисследования.

Под параметром оптимизации понимают характеристику цели, заданную количественно. Параметр оптимизации является откликом на воздействие факторов, которые определяют поведение исследуемой системы. Каждый реальный объект может характеризоваться несколькими или одним параметром оптимизации.

Параметр оптимизации необходимо выбирать с учетом комплекса требований.Ондолжен:

быть количественным, т.е. иметьчисловую оценку;

обладать однозначностью в статистическом смысле. Заданному набору значений факторов должно соответствовать одно значение параметра оптимизации, при этом обратное утверждение неверно: одному и тому же значению параметра могут соответствовать разные наборы значенийфакторов;

быть универсальным и всесторонне отражать характеристики объекта, процесса, явления. Универсальными обычно являются экономические и технико-экономические параметры (себестоимость, надежностьидр.);

быть эффективным как с точки зрения достижения цели, так и в статистическом смысле. Если, например, за параметр оптимизации принять себестоимость восстановления детали, то он не будет характеризовать надежность ее работы. Поэтому в качестве параметра оптимизации целесообразно выбирать себестоимость при допустимой износостойкости или износостойкость при допустимой себестоимости. Статистически эффективным параметром оптимизации является тот, который имеетнаименьшие ошибкиизмерений;

иметь ясный физический смысл. Это требование не только определяет цель исследования, но и облегчает интерпретацию полученных результатов эксперимента.

Задачи с одним выходным параметром имеют очевидные преимущества. Но на практике чаще всего приходится учитывать несколько выходных параметров. Иногда их число довольно велико. Так, например, при производстве резиновых и пластмассовых изделий приходится учитывать физико-механические, технологические, экономические, ху-

15

дожественно-эстетические и другие параметры. Математические модели можно построить для каждого из параметров, но одновременно оптимизироватьнесколькофункций невозможно.

Обычно оптимизируется одна функция, наиболее важная с точки зрения исследования, из множества выходных параметров выбирается один в качестве параметра оптимизации, а остальные служат ограничениями. Используя корреляционный анализ, исследуется также возможность уменьшения числа выходных параметров. Кроме того, для выбора единого параметра оптимизации применяются математические преобразования,переходотнесколькихпараметровоптимизациикобобщенному.

Пусть исследуемый объект характеризуют n частных откликов yu u 1,2, ,n , каждый из этих откликов имеет свой физический смысл и, чаще всего, разную размерность и измеряется в N опытах. Тогда yui – это значение u-го отклика в i-м опыте i 1,2, ,N . Чтобы объединить отклики, необходимо ввести для каждого из них некоторую безразмерную шкалу, которая должна быть однотипной для всех объединяемых откликов. Если каждому yui присвоить только два значения: 0 – неудовлетворительный результат, 1 - удовлетворительный результат, то таким образом можно стандартизовать шкалу частных откликов. Обобщенный отклик в этом случае также должен принимать одно из этих двух возможных значений, причем так, чтобы значение 1 имело место, если все частные отклики в этом опыте приняли значение 1, и 0, если хотя бы один из откликов обратился в 0. Тогда для построения обобщенного отклика удобновоспользоватьсяформулой

где Yi – обобщенный откликв i-м опыте;П – произведение частных от-

кликов y1i,y2i, ,yni .

Если для каждого из частных откликов известен «идеал» yu0 –

наилучшее значение u-го отклика, тогда модуль разности yui yu0 мож-

но рассматривать как некоторую меру близости к идеалу. Чтобы перейти к безразмерным значениям, достаточно модуль разности разделитьна желаемое значение yui yu0 / yu0 . При совпадении с идеалом всех част-

ных откликов в некотором опыте Yi равно нулю. Это и есть то значение, к которому необходимо стремиться.

Недостатком такой оценки является то, что все частные отклики входят в обобщенный отклик на равных правах. На практике же раз-

16

личные показатели бывают далеко неравноправны. Устранить этот недостаток можно введением некоторого веса au .

n

причем au 1 и au 0. Чтобы проранжировать отклики по степени

u 1

важности и найти соответствующие веса, можно воспользоваться экспертными оценками.

Вместо шкалы с двумя классами 0 и 1, можно, используя отношения предпочтения, получить более содержательную шкалу желательности. Шкала желательности относится к психофизическим шкалам. Ее назначение – установление соответствия между физическими и психологическими параметрами. Под физическими параметрами понимаются всевозможные отклики, характеризующие функционирование исследуемого объекта, а под психологическими параметрами понимаются субъективные оценки экспериментатора желательности того или иного значения отклика.

Чтобы получить шкалу желательности, можно воспользоваться готовыми таблицами соответствия между отношениями предпочтения в эмпирической и числовой системах (табл. 1.1).

Таблица 1.1

Стандартные отметки на шкале желательности

В табл. 1.1 представлены числа, соответствующие некоторым точкам кривой (рис. 1.2), которая задается уравнением d exp exp y , где exp – принятое обозначение экспоненты. На оси ординат нанесены значения желательности, изменяющиеся от 0 до 1. По оси абсцисс указаны значения отклика, записанные в условном масштабе. Кривую желательности обычно используют как номограмму. Границы допустимых значений для частных откликов могут быть односторонними в виде yui ymin и двусторонними в виде

17