响应面方法.pptx

响应面设计与实验数据处理;响应面优化法;响应面即回归的正交试验设计，考虑了实验随机误差；可以在因素的试验范围内选择适当的试验点，用较少的试验建立一个精度高，统计性质好的回归方程，并能解决试验优化问题。 所获得的预测模型是连续的，与正交实验相比，其优势是：在实验条件寻优过程中，可以连续的对实验的各个水平进行分析，而正交实验只能对一个个孤立的试验点进行分析。 正交试验设计所得到的优方案只能限制在已定的水平上，而不是一定试验范围内的最优方案；回归分析可以对结果进行预测和优化，但只能被动的处理和分析。两者的优势结合起来，有合理的试验设计和较少的试验次数，建立有效的数学模型。 许多试验设计与优化方法，特别是在做回归分析过程中，都未能给出直观的图形，因而也不能凭直觉观察其最优化点，虽然能找出最优值，但难以直观地判别优化区域。 响应面分析是将体系的响应（如萃取化学中的萃取率）作为一个或多个因素（如萃取剂浓度、酸度等）的函数，运用图形技术将这种函数关系显示出来，以供我们凭借直觉的观察来选择试验设计中的最优化条件。;响应面设计模型种类;二因素响应面分析 ;;响应面分析过程;?;响应面分析实例 ;例1、有一个大麦氮磷肥配比试验，施氮肥量为每亩尿素0，3，6，9，12，15，18kg 7个水平，施磷肥量为每亩过磷酸钙0，7，14，21，28，35，42kg 7个水平，共49个处理组合，试验结果见表1，试作产量对于氮、磷施肥量的响应面分析。 ;对于表1的数据可以采用二元二次多项式拟合，那么产量可表示为：yij=b0+b1Ni+b2Pj+b3NiPj+b4Ni2+b5Pj2+ εij 其中Ni、Pj、εij 分别表示N、P施用量和误差，按此模型的方差分析见表2。 从表2结果看，b2和b3这两个偏回归系数不显著，应该将模型缩减，逐步去掉不显著的回归系数，结果见表3。得到的模型为：yij=b0+b1Ni+b2Pj+b4Ni2+b5Pj2+ εij ;该模型的回归变异占总变异的98%，因此可以较好地说明施用N、P对产量的影响。 二元二次多项式回归系数及其显著性检验见表4;图1 大麦产量对于氮、磷肥的响应面图 ;?;用于响应面设计和分析的软件;Design-Expert;打开design expert软件，进入主界面，然后点击file，点击new design选项卡创建一个新的试验设计工程文件。;RSM，找到理想过程，达到最佳性能，点击Response Surface选项卡，进入响应面试验设计。;1.1 Response Surface Methods（RSM） 响应曲面 Central Composite：中心组合设计 Box-Behnken：Box-Behnken 设计 One Factor 单因子设计 Miscellaneous 混杂设计 Optimal 最优设计 User-Definded用户自定义 Historical Data 历史数据 1.2 Factorial Designs 2-Level Factorial 2水平因子设计 Irregular Fraction 不规则因子设计 General factorial 普通因子设计 Optimal 最优设计 Plackett-burman Plackett-burman设计 Min-Run Res V Min-Run Res IV Taguchi OA 田口自动设计法 1.3 Mixture Design Simplex Lattice 单纯形格子设计 Simplex Centroid 单纯型重心设计 Screening 筛选设计 Optimal 最优设计 User-Defined 用户自定义 Historical Data 历史数据 1.4 Combined Designs Optimal 最优设计 User-Defined 用户自定义;Box Behnken（Design-Expert8.05b）;考察因素名称;BLOCK的含义;因变量个数，即本试验中改变自变