《minitab正交分析报告响应分析报告》由会员分享，可在线阅读，更多相关《minitab正交分析报告响应分析报告（34页珍藏版）》请在金锄头文库上搜索。
1、wordMinitab实验之试验设计实验目的： 本实验主要引导学生利用Minitab统计软件进展试验设计分析，包括全因子设计、局部因子设计、响应曲面设计、混料设计、田口设计以与响应优化，并能够对结果做出解释。实验仪器：Minitab软件、计算机实验原理：“全因子试验设计的定义是：所有因子的所有水平的所有组合都至少要进展一次试验的设计。由于包含了所有的组合，全因子试验所需试验的总次数会比拟多，但它的优点是可以估计出所有的主效应和所有的各阶交互效应。所以在因子个数不太多，而且确实需要考察较多的交互作用时，常常选用全因子设计。一般情况下，当因子水平超过2时，由于试验次数随着因子个数的增长而呈现指数速
2、度增长，因而通常只作2水平的全因子试验。进展2水平全因子设计时，全因子试验的总试验次数将随着因子个数的增加而急剧增加，例如，6个因子就需要64次试验。但是仔细分析所获得的结果可以看出，建立的6因子回归方程包括如下一些项：常数项、主效应项有6项、二阶交互作用项15项、三阶交互项20项，6阶交互项1项，除了常数项、主效应项和二阶交互项以外，共有42项是3阶以与3阶以上的交互作用项，而这些项实际上已无具体的意义了。局部因子试验就是在这种思想下诞生的，它可以使用在因子个数较多，但只需要分析各因子和2阶交互效应是否显著，并不需要考虑高阶的交互效应，这使得试验次数大大减少。在实际工作中，常常要研究响应变量
3、Y是如何依赖于自变量，进而能找到自变量的设置使得响应变量得到最优值望大、望小或望目。如果自变量的个数较少通常不超过3个，如此响应曲面方法response surface methodology，RSM是最好的方法之一，本方法特别适合于响应变量望大或望小的情形。通常的做法是：先用2水平因子试验的数据，拟合一个线性回归方程可以包含交叉乘积项，如果发现有弯曲的趋势，如此希望拟合一个含二次项的回归方程。其一般模型是以两个自变量为例：这些项比因子设计的模型增加了各自的变量的平方项。由于要估计这些项的回归系数，原来因子设计所安排的一些设计点就不够用了，需要再增补一些试验点。这种先后分两阶段完成全部试验的策
4、略就是“序贯试验的策略。适用于这种策略的方法有很多种，其中最常用的就是中心复合设计central posite design，CCD。稳健参数设计robust parameter design也称健壮设计、鲁棒设计，简称参数设计是工程实际问题中很有价值的统计方法。它通过选择可控因子的水平组合来减少一个系统对噪声变化的敏感性，从而达到减小此系统性能波动的目的。过程的输入变量有两类：可控因子和参数因子。可控因子是指一旦选定就保持不变的变量，它包括产品或生产过程设计中的设计参数，而噪声因子是在正常条件下难以控制的变量。在做参数设计时，就是把可控因子的设计当做研究的主要对象，与此同时让噪声因子按照设定
5、的计划从而系统改变其水平的方法来表示正常条件下的变化，最终按照我们预定的望大、望小或望目地目标选出最优设置。田口玄一博士在参数设计方法方面贡献非常突出，他在设计中引进信噪比的概念，并以此作为评价参数组合优劣的一种测度，因此很多文献和软件都把稳健参数设计方法称为田口方法Taguchi design。在实际工作中，常常需要研究一些配方配比试验问题。这种问题常出现在橡胶、化工、制药、冶金等课题中。例如不锈钢由铁、镍、铜和铬4种元素组成；闪光剂由镁、硝酸钠、硝酸锶与固定剂组成；复合燃料、复合塑料、混纺纤维、混泥土、粘结剂、药品、饲料等都是由多种成分按相应比例而不是其绝对数值；而且显然所有分量之和总是为
6、1的。对于这种分量之和总是为1的试验设计，称为混料设计mixture design。实验内容和步骤：实验之一：全因子试验设计:例：改良热处理工艺提高钢板断裂强度问题。合金钢板经热处理后将提高其断裂其抗断裂性能，但工艺参数的选择是个复杂的问题。我们希望考虑可能影响断裂强度的4个因子，确认哪些因子影响确实是显著的，进而确定出最优工艺条件。这几个因子与其试验水平如下：A：加热温度，低水平：820，高水平：860摄氏度B：加热时间，低水平：2，高水平：3分钟C：转换时间，低水平：1.4，高水平：1.6分钟D：保温时间，低水平：50，高水平：60分钟由于要细致考虑各因子与其交互作用，决定采用全因子试验，
7、并在中心点处进展3次试验，一共19次试验。步骤1：全因子设计的计划创建选择统计=DOE=因子=创建因子设计，单击打开创建因子设计对话框。, 选择两水平因子默认生成元，在因子数中选择4，单击“设计选项，弹出“设计选项对话框。选择“全因子试验次数为16的那行，并在“每个区组的中心点数中选择3，其他项保持默认本例中没有分区组，各试验点皆不需要完全复制。单击确定。单击“因子选项打开，分别填写四个因子的名称与相应的低水平和高水平的设置。单击确定。“选项选项可以使用折叠设计这是一种减少混杂的方法、指定局部用于设计生成、使设计随机化以与在工作表中存储设计等；“结果选项用于控制会话窗口中显示的输出。本例中这两
8、项保持默认。单击确定，计算机会自动对于试验顺序进展随机化，然后形成如下表格。在表的最后一列，写上响应变量名强度，这就完成了全部试验的计划阶段的工作。步骤2：拟合选定模型按照上图的试验计划进展试验，将结果填入上表的最后一列，如此可以得到试验的结果数据数据文件：DOE_热处理全因，如下：拟合选定模型的主要任务是根据整个试验的目的，选定一个数学模型。通常首先可以选定“全模型，就是在模型中包含全部因子的主效应与全部因子的二阶交互效应。在经过细致的分析之后，如果发现某些主效应和二阶交互效应不显著，如此在下次选定模型的时候，应该将不显著的主效应和二阶交互效应删除。选择统计=DOE=因子=分析因子设计，打开
9、分析因子设计对话框。点击“项选项后，在“模型中包含项的阶数中选择2表示模型中只包含2阶交互作用和主效应项，三阶以上交互作用不考虑，对默认的“在模型中包括中心点保持不选。单击确定。在“图形选项中，“效应图中选择“正态和“Pareto，“图中的标准差中选择“正规，“残差图中选择“四合一，在“残差与变量图中将“加热温度、“加热时间、“转换时间和“保温时间选入，单击确定。在“存储选项中，在“拟合值与残差中选定“拟合值和“残差，在“模型信息中选定“设计矩阵。单击确定。结果如下：拟合因子: 强度与加热温度, 加热时间, 转换时间, 保温时间强度的估计效应和系数已编码单位系数标项效应系数准误 T PR-Sq
10、 = 92.49% R-Sq预测 = 53.68% R-Sq调整 = 83.11%强度的方差分析已编码单位来源自由度 Seq SS Adj SS Adj MS F P强度的估计系数使用未编码单位的数据项系数结果分析：分析要点一：分析评估回归的显著性。包含三点：1看方差分析表中的总效果。方差分析表中，主效应对应的概率P值为0.000小于显著性水平0.05，拒绝原假设，认为回归总效果是显著的。2看方差分析表中的失拟现象。方差分析表中，失拟项的P值为0.709，无法拒绝原假设，认为回归方程并没有因为漏掉高阶交互作用项而产生失拟现象。3看方差分析表中的弯曲项。方差分析表中，弯曲项对应的概率P值0.63
11、3，明确无法拒绝原假设，说明本模型中没有弯曲现象。分析要点二：分析评估回归的总效果1两个确定系数R-Sq与R-Sq调整，计算结果显示，这两个值分别为92.49%和83.11%，二者的差距比拟大，说明模型还有待改良的余地。2对于预测结果的整体估计。计算结果显示R-Sq和R-Sq预测分别为92.49%和53.68%，二者差距比拟大；残差误差的SSE为288.14，PRESS 为 1778.45，两者差距也比拟大；说明在本例中，如果使用现在的模型，如此有较多的点与模型差距较大，模型应该进一步改良。分析要点三：分析评估各项效应的显著性。计算结果显示，4个主效应中，加热温度、加热时间和保温时间是显著的，
12、只有转换时间不显著；6个2因子水平交互效应中，只有加热时间*保温时间是显著的。说明本例中还有不显著的自变量和2因子交互作用，改良模型时应该将这些主效应和交互作用删除。对于各项效应的显著性，计算机还输出了一些辅助图形来帮助我们判断和理解有关结论。Pareto图是将各效应的t检验的t值的绝对值作为纵坐标，按照绝对值的大小排列起来，根据选定的显著性水平，给出t值的临界值，绝对值超过临界值的效应将被选中，说明这些效应是显著的。从图中可以看到，加热温度、加热时间、保温时间以与加热时间*保温时间是显著的。正态效应图，但凡因子效应离直线不远者，就明确这些效应是不显著的；反之，如此是显著的。从图中可以看到，加
13、热温度、加热时间、保温时间以与加热时间*保温时间是显著的。步骤3：残差诊断 残差诊断的主要目的是基于残差的状况来诊断模型是否与数据拟合得比拟好。如果数据和模型拟合得比拟好，如此残差应该是正常的。残差分析包括四个步骤： 1在“四合一图的右下角图中，观察残差对于以观测值顺序为横轴的散点图，重点考察此散点图中，各点是否随机地在水平轴上下无规如此的波动着。2在“四合一图的右上角图中，观察残差对于以响应变量拟合预测值为横轴的散点图，重点考察此散点图中，残差是否保持等方差性，即是否有“漏斗型或“喇叭型。3在“四合一图的左上角正态概率图或右下角的直方图中，观察残差的正态检验图，看残差是否服从正态分布。4观察
14、残差对于以各自变量为横轴的散点图，重点观察此散点图中是否有弯曲趋势。从上面这些图可以看到，这些图形都显示残差是正常的。步骤4：判断模型是否需要改良 这一步需要综合前面的分析：包括残差诊断和显著性分析。从上面的分析我们得知，在模型中包含不显著项，应该予以删除，所以需要建立新的模型。选择统计=DOE=因子=分析因子设计，打开分析因子设计对话框。主要是修改“项选项中的设置，在选取的项中将加热温度、加热时间和保温时间保存，其他项皆删去，操作中的其余各项都保持不变。单节确定。结果如下：拟合因子: 强度与加热温度, 加热时间, 保温时间强度的估计效应和系数已编码单位系数标项效应系数准误 T PR-Sq = 89.94% R-Sq预测 = 81.13% R-Sq调整 = 86.07%强度的方差分析已编码单位来源自由度 Seq SS Adj SS Adj MS F P强度的估计系数使用未编码单位的数据项系数结果分析：从方差分析表中可以看到，主效应和2阶交互作用对应的概率都小于显著性水平0.05，应该拒绝原假设，认为本，本模型总的来说是有效的；失拟值和弯曲对应的概率分别为0.157和0.573，都大于显著性水平，不应拒绝原假设，说明本模型删除了很多项之后，并没有造成失拟的现象。再看删减后的模型是否比原来的有所改良。从上述表中，可以看到，由于模型的项数减少了6项，R
