- •«Санкт-Петербургский государственный университет технологии и дизайна»
- •Правила выполнения лабораторных работ
- •Выбор факторов для построения модели технологического процесса
- •Выбор управляемых переменных в задачах оптимизации
- •Определение «весомости» показателей или факторов на основе экспертной оценки
- •1.3. Оценка степени влияния факторов и получение регрессионных
- •Построение моделей технологических процессов на основе экспериментальных данных
- •Критерии приближения эмпирической зависимости
- •Применение метода наименьших квадратов для случая линейной зависимости
- •Алгоритм нахождения коэффициентов модели
- •Определение вида и коэффициентов нелинейной эмпирической зависимости на основе экспериментальных данных
- •Пример выполнения работы
- •Методы построения моделей технологических процессов
- •Модель расчета разрывной нагрузки пряжи
- •Определение эмпирических коэффициентов в модели расчета относительной разрывной нагрузки пряжи
- •Модель формирования плотности ворсового покрова в технологии электрофлокирования
- •Математическая модель упрочнения волокнистого холста в процессе прокалывания
- •Влияние заряда ворса на процесс получения флокированного материала
- •Моделирование процесса транспортировки материала
- •Моделирование процесса сушки текстильного материала с помощью ик-излучателей
Алгоритм нахождения коэффициентов модели
Рассмотрим одномерную модель, т. е. зависимость от одной переменной. Поиск коэффициентов возможен после того, как определен характер функциональной зависимости y = f(x). Вид зависимости обычно определяют либо на основе физических представлений о технологическом процессе, либо на основе результатов проведенных экспериментов. Она может относиться как к одному классу функций (например, полиноминальная зависимость), так и включать функции из разных классов. Важно то, что модель содержит один или несколько коэффициентов, величина которых неизвестна. При этом желательно иметь представление о возможном диапазоне их варьирования.
Для проведения численных расчетов необходимо иметь экспериментальные результаты yi(xi). Схему расчета приведем для классического варианта метода наименьших квадратов (5), описанного в предыдущем разделе.
Алгоритм поиска коэффициентов aj представляет собой следующую последовательность операций, которая может быть легко реализована на любом языке программирования.
Описание переменных и ввод исходных данных, включая диапазон изменения параметров aj, а также экспериментальные значения переменных xiи yi.
Вычисляем расчетную величину f(xi, aj) для начальных значений коэффициентов aj.
Вычисляем сумму квадратов отклонений расчетных и экспериментальных значений:
(8)
Если полученное значение S меньше ранее найденного значения, то значение коэффициентов сохраняют и переходят к следующему варианту комплекта коэффициентов. Переходим к п. 2.
Если полученное значение S больше ранее найденного значения, то переходят к следующему варианту комплекта коэффициентов. Переходим к п. 2.
Таким образом, после перебора всех вариантов коэффициентов в заданном диапазоне и с заданным шагом, сохраненными останутся значения параметров, обеспечивающие минимум суммы квадратов отклонений.
Применение метода наименьших квадратов для случая линейной зависимости
Наилучшими коэффициентами зависимости в данном методе считают те, которые обеспечивают минимум суммы квадратов отклонений расчетных и экспериментальных значений. Математически это выглядит следующим образом:
(9)
Нужную систему уравнений для определения коэффициентов получают исходя из известных математических методов поиска экстремума функции.
Решая эту систему определяют коэффициенты линейной зависимости.
Р
(10)
(11)
Таблица 5.
i |
xi |
yi |
xi2 |
xiyi |
1 |
2,5 |
2,75 |
6,25 |
6,88 |
2 |
4 |
6,19 |
16 |
24,76 |
3 |
5,5 |
10,21 |
30,25 |
56,14 |
4 |
7 |
13,00 |
49 |
91,00 |
5 |
8,5 |
16,78 |
72,25 |
142,7 |
6 |
10 |
20,37 |
100 |
203,7 |
7 |
11,5 |
23,27 |
132,25 |
267,6 |
8 |
13 |
27,05 |
169 |
351,7 |
Σ |
62 |
119,62 |
575 |
1144,3 |
Теперь легко вычислить значения коэффициентов:
a = (1144,3 - 62·119,62/8)/(575 – 622/8) = 2,2995 ,
b = 119,62/8 – 2,2995·62/8 = - 2,869 .
Полученная зависимость имеет вид:y3 = 2,2995x – 2,869 .
Проверка адекватности полученных коэффициентов
Для сравнения трех вариантов линейной зависимости, полученных разными методами, вычисляют сумму квадратов отклонений экспериментальных данных yi от рассчитанных по найденным формулам значений уpi в тех же точках.
Таблица 6.
i |
xi |
yi |
y1i |
y2i |
y3i |
(yi - y1i)2 |
(yi – y2i)2 |
(yi – y3i)2 |
1 |
2,5 |
2,75 |
2,5 |
2,8515 |
2,8798 |
0,063 |
0,010 |
0,016 |
2 |
4 |
6,19 |
5,98 |
6,309 |
6,329 |
0,044 |
0,014 |
0,019 |
3 |
5,5 |
10,21 |
9,46 |
9,7665 |
9,7783 |
0,558 |
0,194 |
0,184 |
4 |
7 |
13,00 |
12,94 |
13,224 |
13,228 |
0,004 |
0,050 |
0,052 |
5 |
8,5 |
16,78 |
16,42 |
16,6815 |
16,677 |
0,132 |
0,010 |
0,011 |
6 |
10 |
20,37 |
19,9 |
20,139 |
20,126 |
0,218 |
0,052 |
0,058 |
7 |
11,5 |
23,27 |
23,38 |
23,5965 |
23,575 |
0,013 |
0,109 |
0,095 |
8 |
13 |
27,05 |
26,86 |
27,054 |
27,025 |
0,036 |
0,000 |
0,001 |
|
|
|
|
|
Σ |
1,067 |
0,439 |
0,436 |
Здесь у1i значения, рассчитанные по формулам метода «натянутой нити» ; y2i по методу «средней» ; у3i по методу наименьших квадратов.
В последней строке таблицы представлены суммы квадратов отклонений расчетных и экспериментальных значений, которые позволяют выбрать зависимость, наиболее адекватно описывающую результаты эксперимента. В данном случае это последняя зависимость, полученная методом наименьших квадратов, поскольку указанная сумма для нее минимальна.
Применение программы Excel для поиска коэффициентов
модели
На основе экспериментальных данных определить коэффициенты линейной эмпирической зависимости на основе 3-х различных критериев приближения (близости в среднем, метода наименьших квадратов, среднего квадрата относительного отклонения).
Проверить адекватность полученных регрессионных зависимостей по минимуму суммы квадратов отклонений расчетных и экспериментальных значений.
Выбрать зависимость наилучшим образом описывающую результаты эксперимента.
Процесс поиска может быть проиллюстрирован в виде таблицы, заполняемой в Excel (табл. 7).
В столбцы для xiи yi заносят исходные данные. В столбце для F(xi) рассчитывают значения целевой функции на основе модели, для тех же значений переменной xi и начальных значений параметров А1 – А3. В последнем столбце вычисляют квадрат отклонения расчетных и экспериментальных значений и их сумму. Активировав ячейку для указанной суммы, включают опцию «поиск решения», задают диапазон изменения параметров и определяют их значения, обеспечивающие min для суммы квадратов отклонений.
Т а б л и ц а 7. Исходная таблица для расчета коэффициентов
номер строки |
xi |
yi |
F(xi) |
(yi - F(xi))2 |
1 |
|
|
|
|
2 |
|
|
|
|
… |
|
|
|
|
n |
|
|
|
|
|
|
|
|
Σ(yi - F(xi))2 |
|
A1 |
A2 |
A3 |
|
|
- |
- |
- |
|
Расчет эмпирических коэффициентов регрессионной зависимости на основе экспериментальных данных, полученных в результате эксперимента с факторным планированием.
Методика расчета коэффициентов регрессионной многофакторной модели для любого количества управляемых переменных (факторов) хорошо известен [1, 3, 10]. Здесь мы покажем возможность использования для этой цели методов приближения эмпирической зависимости и, в первую очередь, метода наименьших квадратов в сочетании с возможностями программы «Excel». Продемонстрируем данный способ на конкретном примере.
При разработке модели процесса получения нетканого материала на чесально-вязально-прошивных агрегатах [20] были использованы следующие факторы:
X1 – заправочная плотность прошива (число петель на 5 см);
X2 – число сложений прочеса;
X3 – масса броска самовеса, г.
По мнению специалистов эти факторы должны оказывать наибольшее влияние на целый спектр свойств такого нетканого материала. Для вычисления коэффициентов зависимостей были выбраны некоторые из них:
Y1 – разрывная нагрузка по длине, кгс;
Y2 – разрывная нагрузка по ширине, кгс;
Y3 – разрывное удлинение по ширине, %;
Y4 – поверхностная плотность, г/м2.
В эксперименте были выбраны следующие уровни варьирования факторов (табл. 8).
Т а б л и ц а 8. Уровни варьирования факторов
-
Фактор
Уровни варьирования
Интервалы
варьирования
-1,68
-1
0
+1
+1,68
X1
21
24
28
32
35
4,0
X2
18
20
24
28
30
4,0
X3
100
140
200
260
300
60
Обобщенный вид полиномиального регрессионного уравнения выглядит следующим образом:
.
(12)Результаты измерений всех выбранных критериев для различных комбинаций уровней факторов приведены в табл. 9. Здесь же показаны результаты расчетов коэффициентов регрессии. Данные табл. 9 скомпонованы следующим образом: столбцы с кодированными значениями факторов Xi, усредненные результаты измерения первого критерия Y1, расчитанные значения этого критерия (12), квадрат разности расчетного и экспериментального значений. Коэффициенты для каждого критерия представлены отдельно (табл. 10).
Т
26
а б л и ц а 9. Результаты расчета коэффициентов регрессионной моделиX1 |
X2 |
X3 |
Y1 |
Y1R |
(Y1- Y1R)2 |
Y2 |
Y2R |
(Y2- Y2R)2 |
Y3 |
Y3R |
(Y3- Y3R)2 |
Y4 |
Y4R |
(Y4- Y4R)2 |
1 |
1 |
1 |
17,9 |
19,710 |
3,276 |
19,7 |
22,644 |
8,669 |
57,8 |
49,481 |
69,200 |
371,3 |
369,178 |
4,503 |
1 |
1 |
-1 |
14,1 |
14,380 |
0,078 |
34,4 |
34,445 |
0,002 |
48,7 |
46,248 |
6,011 |
252,2 |
254,597 |
5,744 |
1 |
-1 |
1 |
14,6 |
15,753 |
1,328 |
36,8 |
39,214 |
5,829 |
46,8 |
44,339 |
6,055 |
277,3 |
288,241 |
119,714 |
1 |
-1 |
-1 |
11,9 |
13,422 |
2,318 |
29,2 |
29,566 |
0,134 |
47,1 |
42,656 |
19,746 |
203,7 |
206,760 |
9,364 |
-1 |
1 |
1 |
24,4 |
23,814 |
0,343 |
26,7 |
29,008 |
5,327 |
56,0 |
55,987 |
0,000 |
379,2 |
378,399 |
0,641 |
-1 |
1 |
-1 |
16,1 |
15,884 |
0,047 |
34,1 |
34,359 |
0,067 |
59,4 |
57,404 |
3,984 |
264,4 |
255,718 |
75,378 |
-1 |
-1 |
1 |
16,5 |
17,157 |
0,431 |
38,7 |
41,328 |
6,907 |
59,2 |
57,195 |
4,019 |
284,3 |
284,163 |
0,019 |
-1 |
-1 |
-1 |
13,1 |
12,226 |
0,763 |
25,5 |
25,229 |
0,073 |
56,3 |
60,162 |
14,915 |
190,2 |
194,581 |
19,197 |
-1,68 |
0 |
0 |
17,6 |
18,658 |
1,119 |
36,9 |
35,257 |
2,699 |
67,9 |
65,843 |
4,232 |
279,6 |
283,807 |
17,698 |
1,68 |
0 |
0 |
18,6 |
16,215 |
5,688 |
35,7 |
33,554 |
4,605 |
37,3 |
45,673 |
70,110 |
293,7 |
286,291 |
54,892 |
0 |
-1,68 |
0 |
13,3 |
12,288 |
1,024 |
36,9 |
35,130 |
3,132 |
47,8 |
48,657 |
0,734 |
230,3 |
220,528 |
95,485 |
0 |
1,68 |
0 |
19 |
18,685 |
0,099 |
30,9 |
28,881 |
4,078 |
45,2 |
50,659 |
29,804 |
333,3 |
339,870 |
43,161 |
0 |
0 |
-1,68 |
12,1 |
12,127 |
0,001 |
26,0 |
27,050 |
1,104 |
49,4 |
50,246 |
0,716 |
185,4 |
185,801 |
0,161 |
0 |
0 |
1,68 |
22,1 |
20,746 |
1,834 |
35,5 |
30,660 |
23,421 |
45,0 |
50,470 |
29,919 |
360,9 |
357,297 |
12,979 |
0 |
0 |
0 |
14,4 |
15,023 |
0,388 |
25,5 |
28,279 |
7,722 |
69,4 |
55,746 |
186,422 |
279,7 |
278,578 |
1,259 |
0 |
0 |
0 |
14,9 |
15,023 |
0,015 |
28,3 |
28,279 |
0,000 |
51,1 |
55,746 |
21,589 |
261,2 |
278,578 |
301,995 |
0 |
0 |
0 |
15,1 |
15,023 |
0,006 |
31,0 |
28,279 |
7,405 |
54,9 |
55,746 |
0,716 |
274,1 |
278,578 |
20,053 |
0 |
0 |
0 |
15,6 |
15,023 |
0,333 |
29,0 |
28,279 |
0,520 |
50,9 |
55,746 |
23,487 |
279,2 |
278,578 |
0,387 |
0 |
0 |
0 |
14,8 |
15,023 |
0,050 |
27,8 |
28,279 |
0,229 |
54,7 |
55,746 |
1,095 |
288,4 |
278,578 |
96,472 |
0 |
0 |
0 |
15,1 |
15,023 |
0,006 |
27,4 |
28,279 |
0,772 |
54,6 |
55,746 |
1,314 |
288,3 |
278,578 |
94,517 |
|
|
|
|
|
19,146 |
|
|
82,695 |
|
|
494,069 |
|
|
973,618 |
Расчет коэффициентов вели следующим образом: задавали произвольные исходные значения коэффициентов (например, Xi = Xij = 1), получали расчетное значение критерия YiR и вычисляли (Yi - YiR)2. Используя опцию «Поиск решения» вычисляли набор коэффициентов, обеспечивающих минимум суммы квадратов Σ(Yi - YiR)2. Результаты расчетов для всех критериев представлены в табл. 10.
Т а б л и ц а 10. Расчетные значения коэффициентов моделей
a0 |
a1 |
a2 |
a3 |
a12 |
a13 |
a23 |
a11 |
a22 |
a33 |
Для Y1 |
15,02 |
-0,73 |
1,90 |
2,565 |
-0,675 |
-0,65 |
0,75 |
0,855 |
0,164 |
0,501 |
|
|
|
|
|
|
|
|
|
|
|
|
a0 |
a1 |
a2 |
a3 |
a12 |
a13 |
a23 |
a11 |
a22 |
a33 |
Для Y2 |
28,28 |
-0,51 |
-1,9 |
1,074 |
-1,0625 |
-1,612 |
-5,36 |
2,171 |
1,32 |
0,204 |
|
|
|
|
|
|
|
|
|
|
|
|
a0 |
a1 |
a2 |
a3 |
a12 |
a13 |
a23 |
a11 |
a22 |
a33 |
Для Y3 |
55,75 |
-6 |
0,6 |
0,067 |
1,587 |
1,1625 |
0,387 |
0,00413 |
-2,157 |
-1,91 |
|
|
|
|
|
|
|
|
|
|
|
|
a0 |
a1 |
a2 |
a3 |
a12 |
a13 |
a23 |
a11 |
a22 |
a33 |
Для Y4 |
278,6 |
0,74 |
35,5 |
51,04 |
-3,325 |
-2,025 |
8,275 |
2,293 |
0,574 |
-2,49 |
|
Для сравнения приведем модели, полученные нами и те, которые были получены на основе факторного анализа [1, 10]. Следует лишь сразу отметить, что модели, приведенные в [20], учитывают только наиболее значимые коэффициенты.
Y1 = 15,02 – 0,73x1 + 1,9x2 + 2,565x3 – 0,675x1x2 – 0,65x1x3 + 0,75x2x3 + +0,855x12+ 0,164x22 + 0,501x32;
Y1 = 15,024 + 1,978x2 + 2,615x3 ;
Y2 = 28,28 – 0,51x1 - 1,9x2 + 1,074x3 – 1,0625x1x2 – 1,612x1x3 - 5,36x2x3 + +2,171x12+ 1,32x22 + 0,204x32;
Y2 = 28,207 – 4,737x2x3 + 2,369x12;
Y3 = 55,75 – 6,0x1 + 0,6x2 + 0,067x3+ 1,587x1x2+ 1,1625x1x3 + 0,387x2x3 + +0,00413x12- 2,157x22 - 1,91x32;
Y3 = 55,746 – 5,993x1- 2,174x22 - 1,908x32;
Y4 = 278,6 + 0,74x1 + 35,5x2 + 51,04x3 - 3,325x1x2 - 2,025x1x3 + 8,275x2x3 + +2,293x12+ 0,574x22 - 2,49x32;
Y4 = 279,2 + 34,7x2 + 51,0x3 + 7,693x2x3 .
Как мы видим, значения наиболее весомых коэффициентов близки и отличаются только из-за того, что в расчете по методу наименьших квадратов учтены все комбинации факторов.
Таким образом, мы получили те же регрессионные модели на основе тех же исходных экспериментальных данных. Отличие состоит в том, что при использовании для определения коэффициентов эмпирической зависимости метода наименьших квадратов не обязательно соблюдать все требования эксперимента с факторным планированием, а именно: в эксперименте с факторным планированием [1] исследователь «на основе известной информации о процессе определяет значение основного уровня факторов, интервал варьирования факторов и верхний и нижний уровни факторов». Соблюсти эти требования иногда сложно, особенно, если они касаются характеристик сырьевых компонентов. В методе наименьших квадратов не требуется строгого выполнения этого требования.
