CN106021865A - 一种基于d-最优设计的逐批投入试验设计方法 - Google Patents
一种基于d-最优设计的逐批投入试验设计方法 Download PDFInfo
- Publication number
- CN106021865A CN106021865A CN201610304963.XA CN201610304963A CN106021865A CN 106021865 A CN106021865 A CN 106021865A CN 201610304963 A CN201610304963 A CN 201610304963A CN 106021865 A CN106021865 A CN 106021865A
- Authority
- CN
- China
- Prior art keywords
- test
- design
- batch
- optimum
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于D‑最优设计的逐批投入试验设计方法,步骤如下:一:确定基本试验信息;二:采用D‑最优设计方法给出最小试验次数nmin的D‑最优设计方案三:确定逐批投入设计批次节点,直到达到试验资源允许的最大试验次数nmax为止;四:进行逐批试验方案设计;五:基于G‑效率确定最优试验次数;六:进行试验及模型验证;根据试验方案,逐批投入试验,进行模型检验;七:回归拟合求得关系模型y中未知参数,确定最佳因子水平组合。本发明解决了试验区域不规则、因子维数较高、试验次数有限等情况下的试验设计问题,在保证试验设计效率的基础上,缓解了设计工程中一些不确定性带来的影响,容易实现,方便工程技术人员使用,具有良好的应用价值。
Description
技术领域
本发明涉及一种基于D-最优设计的逐批投入试验设计方法,可以有效解决传统试验设计试验次数与设计最优性之间的约束限制,并且保证逐批开展试验具有很好的设计最优性质,适用于产品设计、生产制造、质量控制以及工艺优化等相关技术领域。
背景技术
一个合理的试验设计方案可以在有限的时间、成本等资源条件下,充分揭示各个影响因子对目标响应的影响,在有限的试验次数下获得最优的目标响应结果,为提高产品质量寻求最优的工艺参数组合等。
广义上说,所有的试验设计本身都是资源受限的设计,试验设计的目的就是在尽量节约资源的情况下,获取尽量多的系统或者过程的信息,优化设计和工艺。虽然D-最优试验设计(即以最大化试验点行列式(Determinant)为准则的设计方法)可以根据实际需求确定试验次数,在给定试验次数的基础上设计试验,相比于正交设计等经典方法,更为灵活。但是,在实际工程中,由于时间经费等试验资源,或者实际试验时间的不确定性,具体试验次数在试验前往往不能确定,更常见的是只能给出大概的试验次数范围。再者,在试验进行过程中,经常会出现试验资源还可以继续支撑更多的试验,或者试验资源不足以完成之前固定的试验设计方案,这会导致试验资源不能充分利用,或者不能按照事先确定的最优试验设计方案进行试验,从而使得模型估计和预测效果不佳。此时,在初始试验基础上添加或筛减试验,将直接破坏试验方案的最优性,导致试验点并不是全局范围内具有最优性质的试验设计点集;而若重新设计、安排试验,前期的试验结果则不能充分利用;若在试验结束后发现初始设定的输入偏差较大,则需要在对相关信息进行修正后,重新实施整套试验,容易造成时间、物力、人力等各方面资源的极大浪费。
因此,针对传统的D-最优试验设计,试验次数不能根据实际需求灵活调整,一旦试验开始,试验次数不能改变,否则会影响设计最优性的问题,研究提出一种基于D-最优设计的逐批投入试验设计方法,可以在已有试验设计方案的基础上,继续添加试验点,并且仍维持设计的最优性,从而科学地收集和分析数据,获得更优的参数组合,优化设计和工艺,具有重要的理论意义和迫切的现实需求。
为此,本发明给出了一种基于D-最优设计的逐批投入试验设计方法。
发明内容
(1)本发明的目的:
本发明针对传统的D-最优试验设计,试验次数不能根据实际需求灵活调整,一旦试验开始,试验次数不能改变,否则会影响设计最优性的问题,提供一种基于D-最优设计的逐批投入试验设计方法,可以保证在试验次数变动的情况下,保证试验方案具有较好的最优性质,建立贴近产品加工或生产过程实际的数学模型,进行准确的数据分析和预测,从而确定最佳的因子水平组合,优化设计和工艺,具有重要的理论意义和迫切的现实需求。
(2)技术方案:
本发明给出了一种基于D-最优设计的逐批投入试验设计方法。
本发明基于D-最优设计,给出了一种基于D-最优设计的逐批投入试验设计方法。首先,利用两步寻优D-最优试验设计算法,给出试验资源允许的最小次数的试验设计方案χ1;然后,在方案χ1的基础上,添加试验点构成方案χ2,即方案χ1为方案χ2的一个子集,同时,保证新的试验设计方案仍为最优试验设计。以此类推,直到给出试验条件允许的最大试验次数的设计方案。
逐批投入试验设计更为灵活,且更贴近实际工程需求。试验初期,使用一个试验资源允许次数的方案进行试验;若在试验结束时,发现试验结果尚不满足需求,且试验资源还可以支持试验继续进行,可以在前期试验的基础上,在不破坏试验设计最优性的条件下,添加试验点继续开展试验。
基于上述理论和思路,本发明给出了一种基于D-最优设计的逐批投入试验设计方法,具体实施步骤如下:
步骤一:根据试验目的、条件以及工程经验,给出试验基本试验信息,包括试验响应(即所关注的质量特性)、影响因子及其取值范围,各因子之间的约束关系、试验资源允许的试验次数范围[nmin,nmax]以及确定响应与因子之间的关系模型;其中响应与因子之间的关系模型具体确定方法如下:
基于试验因子与响应等试验基本信息,采用数学模型的形式给出响应与因子之间的关系模型,记为y=Xβ+ε。其中,为已知的ninner×p维参数模型矩阵;f(xi)为关于xi的已知函数,反映全部可控因子及其之间的约束关系;β=(β0,β1,β2,...,βp)T为p个待估参数,反映各个因子与响应之间的影响关系;
步骤二:在设计区域内,采用D-最优设计方法给出最小试验次数nmin的D-最优设计方案其具体设计方法如下:
1.将各因子取值范围规范至[-1,1]区间范围内;
2.根据实际因子间的约束关系,建立约束方程,得到设计区域;
3.在该设计区域内,依据信息矩阵行列式最大的原则,确定满足给定次数的设计至此完成D-最优内表设计;
步骤三:确定逐批投入设计批次节点,直到达到试验资源允许的最大试验次数nmax为止;下面给出节点的定义及选取原则:
记K0=nmin,Ki=Ki-1+mi,i=1,2,...,q-1。即,K0是最小设计ξn的试验次数,Ki,i=1,2,...,q-1记录了设计的试验次数。方便起见,记Ki,i=1,2,...,q-1为设计节点。则,设计节点Ki,i=1,2,...,q-1的选取应满足以下特点:
1.Ki,i=1,2,...,q-1应该相对均匀的分散在允许的试验次数区间内;
2.Ki,i=1,2,...,q-1个设计节点所代表的设计方案应该具有相对较高的G-效率;
3.如果在选择设计节点的过程中存在两个或两个以上G-效率一致或相差很小的试验方案,则选取较小试验次数较小的设计次数作为设计节点;
步骤四:进行逐批试验方案设计,其具体方法如下:
依据步骤二、步骤三中得到的最小设计方案逐批投入设计批次节点Ki=Ki-1+mi,i=1,2,...,q-的结果,确定逐批试验方案为保持的D-最优性,其确定准则如下:
上列逐批试验方案D最优确定准则的公式证明如下:
当在ξn的基础上添加一个试验点xn+1构成了一个新的设计方案ξn+1,二者之间的关系可由其信息矩阵表示:
这样,该点产生的影响可由其行列式表示,从而避免正交方面的复杂分析,相应的信息矩阵行列式之间的关系为:
以此类推,在ξn的基础上添加m个试验点xn+l,l=1,2,...,m,可得其信息矩阵行列式:
因此,要最小化D-最优准则值Ψ(M(ξ)),即最大化log|(M(ξ)|,需最大化m个新添加的试验点中最小的响应预测方差值,即
步骤五:基于G-效率确定最优试验次数。具体确定方法如下:
对于一个有p个参数的模型,设计ξ的G-最优效率定义为
一般使用G-最优效率来衡量D-最优设计的优良性。根据G-最优效率的定义,G-最优效率值Geff越接近于1,则表示设计ξ越好。
在试验资源允许的次数范围[nmin,nmax]内,计算各个节点对应的设计的G-最优效率,选择相应的G-效率最高的次数为最优试验次数:
步骤六:进行试验及模型验证。根据试验方案进行具体试验,并利用逐批投入试验可以边试验、边分析的特点进行模型检验,具体检验方法如下:
在进行完第一个子设计后,应进行F检验,并计算判定系数R2值。如果F检验未通过或者R2值太小,说明因子变量或者模型选择不准确,均需重新检验和调整;否则,则可以继续进行下一阶段试验。其中,F统计量表示为:
对一个给定的置信度α,如果F≥F1-α(p,n-p-1),则接受假设模型;反之,如果F<F1-α(p,n-p-1),则拒绝假设模型,此时,需要对模型重新进行分析和修正;其中,为总平方和;为回归平方和;为残差平方和。
判定系数R2的定义为:
R2的取值范围为[0,1],表示预测模型和观测值的拟合优度,R2越大,则说明模型能更好的拟合实际数据;
步骤七:回归拟合求得关系模型y中未知参数,确定最佳因子水平组合,使得在该试验方案下质量特性估计值最接近目标值;
通过以上步骤,解决了试验区域不规则、因子维数较高、试验次数有限等情况下的试验设计问题,并且在保证试验设计效率的基础上,缓解了试验设计前以及设计工程中一些不确定性带来的影响,容易实现,方便工程技术人员使用,具有良好的应用价值。
(3)优点和功效:
本发明提供一种基于D-最优设计的逐批投入试验设计方法,其优点为:
①本发明有效解决了传统D-最优设计试验次数与设计最优性之间的限制关系,即使试验已经实施,仍可以根据实际需求对试验次数进行修正,且不会破坏设计的最优性,使得试验方案次数可以灵活调整。
②本发明所提供的方法允许边试验、边分析,可有效避免在全部试验完成之后,发现试验因子变量或者模型选择不准确,最大程度地避免损失。
③将本发明所提供的方法与传统设计方法对比,表1给出了在不同的试验次数下,由逐批投入算法与传统D-最优设计得到的试验设计方案的G最优效率对比。
表1 逐批投入与传统D-最优设计G-效率对比
④从表1中可以看出,二者得到的设计方案的G效率相当,证明了所发明方法的有效性。
附图说明
图1是本发明方法流程图。
图2是不同节点下G-效率趋势图。
具体实施方式
下面飞机中央翼板为例,结合附图,对本发明做进一步详细说明。
飞机中央翼板背后面板由大量铝合金肋拱组成,是典型的铝合金薄壁件部件。铝合金薄壁件应用范围广泛,但由于其局部强度差,是行业各界公认的难加工产品。而其常表现出的质量问题形式,以表面粗糙度不合格为主。
为了能在生产过程中直接控制表面粗糙度质量,需要找到最优的切削参数,目标是使得表面粗糙度y最小。
本发明一种基于D-最优设计的逐批投入试验设计方法,见图1所示,其具体实施步骤如下:
步骤一:确定基本试验信息。根据试验目的、条件以及工程经验,给出试验基本试验信息,包括试验响应(即所关注的质量特性)、影响因子及其取值范围,各因子之间的约束关系、试验资源允许的试验次数范围[nmin,nmax]以及确定响应与因子之间的关系模型。其中响应与因子之间的关系模型具体确定方法如下:
基于试验因子等试验基本信息,采用数学模型的形式表达出响应与因子之间的关系模型,记为y=Xβ+ε。其中,为已知的ninner×p维参数模型矩阵;f(xi)为关于xi的已知函数,反应全部可控因子及其之间的约束关系;β=(β0,β1,β2,...,βp)T为p个待估参数,反应各个因子与响应之间的影响关系。
本案例中,由于时间经费等试验资源的不确定性,允许做20-40次左右试验,具体试验次数在试验前尚不能确定。
在加工过程中,对表面粗糙度影响较大的因子主要有进给、切深、切宽和转速,表2汇总了各个影响因子及其取值范围:
表2 影响因子及其取值范围
因子 | 取值范围 | |
x1 | 进给(mmpm) | [1950,2450] |
x2 | 切深(mm) | [1,3.5] |
x3 | 切宽(mm) | [0.5,3.5] |
x4 | 转速(rpm) | [8300,9000][10500,11000] |
其中,切宽与切深之和不能大于5.5,即存在约束条件:
x2+x3≤5.5
转速则不能出现(9000,10500)之间的取值,即必须在两个连续区间[8300,9000]或[10500,11000]中取值,即
x4∈[8300,11000]\(9000,10500)
根据工程经验,因子与响应之间的关系模型确定为根据工程经验,考虑一阶效应与部分二阶、三阶交互作用,试验的目标是使得表面粗糙度最小,其响应模型如下:
y=β0+β1x1+β2x2+β3x3+β4x4+β5x1x2+β6x1x3+β7x1x4+β8x1x2x3+e
其中,e为误差项,β为模型中的未知参数。由于时间经费等试验资源的不确定性,允许做20-40次左右试验。
步骤二:在设计区域内,采用D-最优设计方法给出最小试验次数nmin的D-最优设计方案其具体设计方法如下:
首先,将各因子取值范围规范至[-1,1]区间范围内,根据实际因子间的约束关系,确定设计区域;然后,在该设计区域内,选择满足给定次数的设计使得信息矩阵行列式最大,至此完成D-最优内表设计。进一步,使用G-最优效率衡量该设计的优良性。G-最优效率的定义为:
这里,G-最优效率值Geff越接近于1,表示设计越好。
在设计区域内,采用D-最优设计方法给出最小试验次数nmin的D-最优设计方案见表3:
表3 基于最小试验次数的D-最优设计方案
试验号 | 进给(mmpm) | 切深(mm) | 切宽(mm) | 转速(rpm) |
1 | 1 | 1 | -1 | -1 |
2 | -1 | -1 | 1 | 1 |
3 | -1 | -1 | 1 | -1 |
4 | 1 | -1 | -1 | -1 |
5 | -1 | 0.5252 | 0.39567 | -1 |
6 | -1 | -1 | -1 | 1 |
7 | 1 | -1 | -1 | -1 |
8 | 1 | -1 | 1.00E+00 | -1 |
9 | 1 | -1 | -1 | 1 |
10 | -1 | 1 | -1 | 1 |
11 | 1 | -1 | 1 | 1 |
12 | 1 | 1 | 5.20E-18 | -1 |
13 | 1 | 0.56648 | 0.36127 | 1 |
14 | -1 | -1 | -1 | 1 |
15 | -1 | -1 | 1 | 1 |
16 | 1 | 1 | -1 | 1 |
17 | -1 | 1 | -1.39E-17 | 1 |
18 | -1 | 1 | -1.00E+00 | -1 |
19 | -1 | -1 | -1 | -1 |
20 | 1 | -1 | 1 | 1 |
步骤三:确定逐批投入设计批次节点,直到达到试验资源允许的最大试验次数nmax为止。下面给出节点的定义及选取原则:
记K0=nmin,Ki=Ki-1+mi,i=1,2,...,q-1。即,K0是最小设计ξn的试验次数,Ki,i=1,2,...,q-1记录了设计的试验次数。方便起见,记Ki,i=1,2,...,q-1为设计节点。则,设计节点Ki,i=1,2,...,q-1的选取应满足以下特点:
1.Ki,i=1,2,...,q-1应该相对均匀的分散在允许的试验次数区间内;
2.Ki,i=1,2,...,q-1个设计节点所代表的设计方案应该具有相对较高的G-效率;
3.如果在选择设计节点的过程中存在两个或两个以上G-效率一致或相差很小的试验方案,则选取较小试验次数较小的设计次数作为设计节点。
考虑在上面小节中提的节点确定的三个原则,选择设计节点分别为20,24,28,30,32,36,即
K0=20,K1=24,K2=28,K3=30,K4=32,K5=36
依据步骤二、步骤三中得到的最小设计方案逐批投入设计批次节点Ki=Ki-1+mi,i=1,2,...,q-的结果,确定逐批试验方案为保持的D-最优性,其确定准则如下:
下面利用逐批投入设计方法,在20次试验的基础上,依次添加试验点,分别给出24次、28次、30次、32次、36次下的试验设计方案,见表4。
表4 逐批投入D-最优试验设计方案
步骤五:基于G-效率确定最优试验次数。具体确定方法如下:
对于一个有p个参数的模型,设计ξ的G-最优效率定义为
一般使用G-最优效率来衡量D-最优设计的优良性。根据G-最优效率的定义,G-最优效率值Geff越接近于1,则表示设计ξ越好。
在试验资源允许的次数范围[nmin,nmax]内,计算各个节点对应的设计的G-最优效率,选择相应的G-效率最高的次数为最优试验次数:
本案例中,表5给出了不同节点下试验次数的G-效率。
表5 不同节点下试验次数的G-效率
次数 | 20 | 24 | 28 | 30 | 32 | 36 |
G-效率 | 0.8146 | 0.8117 | 0.8418 | 0.8072 | 0.9254 | 0.9163 |
图2给出了不同节点下G-效率趋势图。
显然,第32次试验的G-效率比明显高于其他次数。虽然在32次之后的试验设计效率仍较高,但是如果再继续试验,不仅花费了人力物力时间,而且所收获的信息有限。因此,最优的试验次数确定为32。
步骤六:进行试验及模型验证。根据试验方案进行具体试验,并利用逐批投入试验可以边试验、边分析的特点进行模型检验,具体检验方法如下:
在进行完第一个子设计后,应进行F检验,并计算判定系数R2值。如果F检验未通过或者R2值太小,说明因子变量或者模型选择不准确,均需重新检验和调整;否则,则可以继续进行下一阶段试验。其中,F统计量表示为:
对一个给定的置信度α,如果F≥F1-α(p,n-p-1),则接受假设模型;反之,如果F<F1-α(p,n-p-1),则拒绝假设模型,此时,需要对模型重新进行分析和修正;其中,为总平方和;为回归平方和;为残差平方和。
判定系数R2的定义为:
R2的取值范围为[0,1],表示预测模型和观测值的拟合优度。R2越大,则说明模型能更好的拟合实际数据。
本案例中,在进行完首批20个试验之后,根据收集到的数据进行辅助决策分析,得到模型参数:
β=(β0,β1,β2,...,βp)T
=(-20.8709,8.2127,-0.9426,-2.0756,31.2762,0.6642,0.7178,-11.1521,-0.0969)T
计算得到F值:
对给定的显著性水平α=0.05,F1-α(p,n-p-1)=F0.95(9,21-9-1)=3.02。显然F>F1-α(p,n-p-1),接受假设模型。判定系数R2为:
相似的,在每进行完一个子设计后进行辅助决策分析,若通过了便可继续进行下一阶段试验,否则,需要对模型进行修正。每一个子设计后的F值、F1-α值以及判定系数R2如表6所示。
表6 每个子设计的F值、F1-α值以及判定系数R2
20 | 24 | 28 | 30 | 32 | |
F值 | 5.8645 | 7.1743 | 8.6078 | 7.5811 | 13.4396 |
F1-α值 | 3.02 | 3.03 | 2.96 | 2.94 | 2.92 |
R2 | 0.8101 | 0.7928 | 0.7838 | 0.7428 | 0.8238 |
从表6中可以看出,对每个子设计,F值总是大于F1-α值,且判定系数R2值均较高,说明因子的选取和模型的建立均很合理。
步骤七:回归拟合求得关系模型y中未知参数,确定最佳因子水平组合,使得在该试验方案下质量特性估计值最接近目标值
本案例中,利用最小二乘法,得到模型参数:
β=(β0,β1,β2,...,βp)T
={-12.8802,5.3678,-0.4430,-1.9179,22.2882,0.4710,0.6651,-7.8425,-0.1190}
即响应模型为:
y=-12.8802+5.3678x1-0.4430x2-1.917x3+22.2882x4
+0.4710x1x2+0.6651x1x3-7.8425x1x4-0.1190x1x2x3+e
判定系数R2=0.8238。
下面利用非线性求解法,求出在满足试验约束的情况下使得表面粗糙度最小的因子水平,即
min y
2.2≤x1≤2.8
s.t.1≤x2≤3.5
0.5≤x3≤3.5
0.83≤x4≤0.9or1.05≤x4≤1.1
在此约束条件下,利用非线性方法,求得各个水平最优的组合
x*=[2.2,2.0,3.5,0.83]
该参数组合下,铝合金表面粗糙度预测值为1.146μm,达到目标值要求,圆满完成了优化铝合金薄壁件的表面切削处理工艺的目标。
Claims (2)
1.一种基于D-最优设计的逐批投入试验设计方法,其特征在于:具体实施步骤如下:
步骤一:根据试验目的、条件以及工程经验,给出试验基本试验信息,包括试验响应即所关注的质量特性、影响因子及其取值范围,各因子之间的约束关系、试验资源允许的试验次数范围[nmin,nmax]以及确定响应与因子之间的关系模型;其中响应与因子之间的关系模型具体确定方法如下:
基于试验因子与响应试验基本信息,采用数学模型的形式给出响应与因子之间的关系模型,记为y=Xβ+ε;其中,为已知的ninner×p维参数模型矩阵;f(xi)为关于xi的已知函数,反映全部可控因子及其之间的约束关系;β=(β0,β1,β2,...,βp)T为p个待估参数,反映各个因子与响应之间的影响关系;
步骤二:在设计区域内,采用D-最优设计方法给出最小试验次数nmin的D-最优设计方案其具体设计方法如下:
1.将各因子取值范围规范至[-1,1]区间范围内;
2.根据实际因子间的约束关系,建立约束方程,得到设计区域;
3.在该设计区域内,依据信息矩阵行列式最大的原则,确定满足给定次数的设计至此完成D-最优内表设计;
步骤三:确定逐批投入设计批次节点,直到达到试验资源允许的最大试验次数nmax为止;下面给出节点的定义及选取原则:
记K0=nmin,Ki=Ki-1+mi,i=1,2,...,q-1;即K0是最小设计ξn的试验次数,Ki,i=1,2,...,q-1记录了设计的试验次数;方便起见,记Ki,i=1,2,...,q-1为设计节点,则,设计节点Ki,i=1,2,...,q-1的选取应满足以下特点:
1.Ki,i=1,2,...,q-1应该相对均匀的分散在允许的试验次数区间内;
2.Ki,i=1,2,...,q-1个设计节点所代表的设计方案应该具有相对较高的G-效率;
3.如果在选择设计节点的过程中存在两个及两个以上G-效率一致及相差很小的试验方案,则选取较小试验次数较小的设计次数作为设计节点;
步骤四:进行逐批试验方案设计,其具体方法如下:
依据步骤二、步骤三中得到的最小设计方案逐批投入设计批次节点的结果,确定逐批试验方案为保持的D-最优性,其确定准则如下:
步骤五:基于G-效率确定最优试验次数;
步骤六:进行试验及模型验证;根据试验方案进行具体试验,并利用逐批投入试验,采用边试验、边分析的特点进行模型检验;具体检验方法如下:
在进行完第一个子设计后,应进行F检验,并计算判定系数R2值;如果F检验未通过及R2值太小,说明因子变量及模型选择不准确,均需重新检验和调整;否则,则继续进行下一阶段试验;其中,F统计量表示为:
对一个给定的置信度α,如果F≥F1-α(p,n-p-1),则接受假设模型;反之,如果F<F1-α(p,n-p-1),则拒绝假设模型,此时,需要对模型重新进行分析和修正;其中,为总平方和;为回归平方和;为残差平方和;
判定系数R2的定义为:
R2的取值范围为[0,1],表示预测模型和观测值的拟合优度,R2越大,则说明模型能更好的拟合实际数据;
步骤七:回归拟合求得关系模型y中未知参数,确定最佳因子水平组合,使得在该试验方案下质量特性估计值最接近目标值;
通过以上步骤,解决了试验区域不规则、因子维数较高、试验次数有限情况下的试验设计问题,并且在保证试验设计效率的基础上,缓解了试验设计前以及设计工程中一些不确定性带来的影响,容易实现,方便工程技术人员使用,具有良好的应用价值。
2.根据权利要求1所述的一种基于D-最优设计的逐批投入试验设计方法,其特征在于:在步骤五中所述的“基于G-效率确定最优试验次数”,其具体确定方法如下:
对于一个有p个参数的模型,设计ξ的G-最优效率定义为
一般使用G-最优效率来衡量D-最优设计的优良性;根据G-最优效率的定义,G-最优效率值Geff越接近于1,则表示设计ξ越好;
在试验资源允许的次数范围[nmin,nmax]内,计算各个节点对应的设计的G-最优效率,选择相应的G-效率最高的次数为最优试验次数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610304963.XA CN106021865B (zh) | 2016-05-10 | 2016-05-10 | 一种基于d-最优设计的逐批投入试验设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610304963.XA CN106021865B (zh) | 2016-05-10 | 2016-05-10 | 一种基于d-最优设计的逐批投入试验设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021865A true CN106021865A (zh) | 2016-10-12 |
CN106021865B CN106021865B (zh) | 2018-10-23 |
Family
ID=57099839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610304963.XA Expired - Fee Related CN106021865B (zh) | 2016-05-10 | 2016-05-10 | 一种基于d-最优设计的逐批投入试验设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021865B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340361A (zh) * | 2020-02-25 | 2020-06-26 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7113883B1 (en) * | 2001-08-24 | 2006-09-26 | Vi Technology, Inc. | Test configuration and data management system and associated method for enterprise test operations |
CN101377422A (zh) * | 2008-09-22 | 2009-03-04 | 北京航空航天大学 | 挠性陀螺仪静态漂移误差模型最优二十四位置标定方法 |
CN103246821A (zh) * | 2013-05-21 | 2013-08-14 | 北京航空航天大学 | 一种基于仿真的多应力小样本加速寿命试验方案设计优化方法 |
CN105046079A (zh) * | 2015-07-17 | 2015-11-11 | 北京航空航天大学 | 一种基于d-最优内表设计的田口试验设计方法 |
-
2016
- 2016-05-10 CN CN201610304963.XA patent/CN106021865B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7113883B1 (en) * | 2001-08-24 | 2006-09-26 | Vi Technology, Inc. | Test configuration and data management system and associated method for enterprise test operations |
CN101377422A (zh) * | 2008-09-22 | 2009-03-04 | 北京航空航天大学 | 挠性陀螺仪静态漂移误差模型最优二十四位置标定方法 |
CN103246821A (zh) * | 2013-05-21 | 2013-08-14 | 北京航空航天大学 | 一种基于仿真的多应力小样本加速寿命试验方案设计优化方法 |
CN105046079A (zh) * | 2015-07-17 | 2015-11-11 | 北京航空航天大学 | 一种基于d-最优内表设计的田口试验设计方法 |
Non-Patent Citations (3)
Title |
---|
刘建国 等: "异方差模型下最优设计的等价性及效率比较", 《沈阳工业大学学报》 * |
董声雄 等: "D-最优试验设计在研制超滤膜中的应用", 《计算机与应用化学》 * |
郭强 等: "混合效应模型中的D-最优设计", 《运筹与管理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340361A (zh) * | 2020-02-25 | 2020-06-26 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
CN111340361B (zh) * | 2020-02-25 | 2023-04-28 | 武汉轻工大学 | 求解黄酒原料指标范围的数据驱动模型分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106021865B (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200282503A1 (en) | Comprehensive performance evaluation method for cnc machine tools based on improved pull-off grade method | |
CN103530467B (zh) | 一种基于缺陷概率的工艺分析与优化设计方法 | |
CN107665172B (zh) | 一种基于复杂加权软件网络的软件缺陷预测方法 | |
CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
CN103357734B (zh) | 一种锥形压边拉深冲压方法 | |
CN104200087A (zh) | 用于机器学习的参数寻优及特征调优的方法及系统 | |
Sinenko et al. | The implementation of BIM in construction projects | |
CN109855959A (zh) | 一种金属材料疲劳强度的预测方法 | |
CN110222454A (zh) | 铣削加工精度一致性的工艺设计方法 | |
CN107516171A (zh) | 一种电网企业关键经营指标的预测分析系统及其分析方法 | |
US7962234B2 (en) | Multidimensional process window optimization in semiconductor manufacturing | |
CN101976307A (zh) | 印染流程污水监测指标时间约束关联规则挖掘算法 | |
CN109886591A (zh) | 基于大数据分析的事件优先级应急指挥调度方法 | |
CN106021865A (zh) | 一种基于d-最优设计的逐批投入试验设计方法 | |
CN104317244A (zh) | 一种可重构制造系统零件族构建方法 | |
CN103400017B (zh) | 复合材料铺层调整的工程优化方法 | |
CN101776674A (zh) | 基于模糊动态模式识别的复合材料高温机械性能测试方法 | |
CN111441766B (zh) | 一种分层试气无阻流量预测方法 | |
Schuh et al. | Framework for lean management in industrial services | |
CN104834986A (zh) | 基于全局综合敏感性分析的隧洞施工进度动态控制方法 | |
Bhavsar et al. | In what way does the construction sector contribute to economic growth? Empirical evidence from India | |
CN112228052B (zh) | 一种页岩、致密岩油气产能预测方法、评价方法及系统 | |
EP3195075A1 (en) | Method and system for determining sampling plan for inspection of composite components | |
CN101425157A (zh) | 针对铁路应急预案进行综合评价的方法 | |
CN105740622B (zh) | 基于混合整数规划的间苯二胺精馏塔软测量系统的辅助变量选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181023 Termination date: 20200510 |