Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

11.1 响应面方法导论

响应面方法(response surface methodology,RSM)是一组数学与统计技术,适用于对以下问题建模和分析:某个感兴趣的响应受多个变量影响,研究目标是优化该响应。例如,化学工程师希望找到使过程产率 yy 最大的温度 x1x_1 和压力 x2x_2 水平。产率是温度、压力水平的函数,即

y=f(x1,x2)+ϵy = f (x _ {1}, x _ {2}) + \epsilon

其中,ϵ\epsilon 表示响应 yy 中观测到的噪声或误差。若将响应的期望记为 E(y)=f(x1,x2)=ηE(y)=f(x_1,x_2)=\eta,则由下式表示的曲面

η=f(x1,x2)\eta = f (x _ {1}, x _ {2})

称为响应面。

通常用图形表示响应面,例如图 11.1 给出了 η\eta 随 x1,x2x_1,x_2 水平变化的曲面。前面尤其在因子设计各章中,已经见过这类图。为了更清楚地显示响应面的形状,常绘制图 11.2 那样的等高线图:在 x1,x2x_1,x_2 平面上画出响应值相同的曲线,每条曲线对应响应面的一个高度。前文也已说明等高线图的用途。

大多数 RSM 问题中,响应与自变量之间关系的形式未知。因此,第一步是为响应 yy 与自变量之间的真实函数关系寻找合适的近似。通常在自变量的某个区域内采用低阶多项式。若自变量的线性函数能够很好地描述响应,则采用一阶模型:

y=β0+β1x1+β2x2+⋯+βkxk+ϵ(11.1)y = \beta_ {0} + \beta_ {1} x _ {1} + \beta_ {2} x _ {2} + \dots + \beta_ {k} x _ {k} + \epsilon\tag{11.1}

若系统存在曲率,则必须使用更高阶的多项式,例如二阶模型:

y=β0+∑i=1kβixi+∑i=1kβiixi2+∑i<jβijxixj+ϵ(11.2)y = \beta_ {0} + \sum_ {i = 1} ^ {k} \beta_ {i} x _ {i} + \sum_ {i = 1} ^ {k} \beta_ {i i} x _ {i} ^ {2} + \sum_ {i < j} \beta_ {i j} x _ {i} x _ {j} + \epsilon\tag{11.2}

几乎所有 RSM 问题都会用到这两个模型中的一个或两个。当然,多项式模型不太可能在整个自变量空间内都很好地近似真实函数,但在较小的区域内通常表现良好。

用第 10 章讨论的最小二乘法估计近似多项式的参数,再根据拟合曲面进行响应面分析。若拟合曲面充分近似真实响应函数,则分析拟合曲面就近似于分析实际系统。采用适当的试验设计收集数据,可以更有效地估计模型参数。这类设计称为响应面设计,将在 11.4 节讨论。

教材原图
图 11.1 期望产率 η\eta 随温度 x1x_1 和压力 x2x_2 变化的三维响应面

图 11.2 响应面的等高线图

教材原图

RSM 是一种序贯程序。当响应面上的当前点远离最优点时,例如图 11.3 中的当前操作条件,系统的局部曲率通常较小,一阶模型较为合适。此时的目标是引导试验者沿改进路径快速、有效地接近最优点所在的区域。找到该区域后,可采用二阶模型等更精细的模型,并通过分析定位最优点。从图 11.3 可见,响应面分析可以看作“爬山”,山顶代表最大响应点;若目标是最小响应,则可以看作“下到谷底”。

RSM 的最终目标是确定系统的最优操作条件,或找出满足操作要求的因子空间区域。更详细的论述可参见 Khuri 和 Cornell(1996)、Myers、Montgomery 和 Anderson-Cook(2016),以及 Box 和 Draper(2007);Myers 等(2004)的综述也很有参考价值。

图 11.3 RSM 的序贯性质

教材原图