3 3 2
2 1
1
ˆ b0 b x b x b x
Y x1 x2 x3 1
1 2 3
1 1 2 2 3 3 1 1 2 2 3 3ˆ b0 x x x b x b x b x b x b x b x
Y
→tengelymetszet nélküli modell Mixture designs
Modellek:
3 3 2
2 1
ˆ b1x b x b x
Y
0.00 0.25 0.50 0.75 1.00 x 3 0.00
0.25
0.50
0.75
1.00 x1
0.00 0.25 0.50 0.75 1.00
x 2
linear model
3 2 23 3
1 13 2
1 12 3
3 2
2 1
ˆ b1x b x b x b x x b x x b x x
Y
3 2 1 123 3
2 23 3
1 13 2
1 12 3
3 2
2 1
ˆ b1x b x b x b x x b x x b x x b x x x
Y
quadratic model
special cubic model
0.00 0.25 0.50 0.75 1.00 x 3 : 3 0.00
0.25
0.50
0.75
1.00 x1: 1
0.00 0.25 0.50 0.75 1.00
x 2 : 2
0.00 0.25 0.50 0.75 1.00 x3 0.00
0.25
0.50
0.75
1.00 x1
0.00 0.25 0.50 0.75 1.00
x2
1. példa
M.J.Anderson, P.J. Whitcomb, Rubber & Plastics News, Oct. 21, 2002, p. 16
Három oldószer elegyében egy anyag oldhatósága
MEK.sta
Statistics>Industrial Statistics & Six Sigma>
>Experimental Design (DOE)>Mixture designs and triangular surfaces
3 factor simplex-centroid desig ([No active dataset]) +interior points
Sum total of all mixture components: 100.
Standard
Run A B C Solubil
1 ity 2 3 4 5 6 7 8 9 10
100.00000.0000 0.0000 121 0.0000100.00000.0000 164 0.0000 0.0000100.0000179 50.000050.00000.0000 140 50.00000.000050.0000185 0.000050.000050.0000180 33.333333.333333.3333199 66.666716.666716.6667175 16.666766.666716.6667186 16.666716.666766.6667201
Analyze design fülön Special cubic
Fitted Surface; Variable: Solubility DV: Solubility ; R-sqr=.9868; Adj:.9603
Model: Special Cubic
> 200 < 194 < 184 < 174 < 164 0.25
0.50 0.75
1.00 C 0.00
0.25
0.50
0.75
Coeffs (recoded comps); Var.:Solubility; R-sqr=.9868; Adj:.9603 (MEK.sta) 3 Factor mixture design; Mixture total=100., 10 Runs DV: Solubility; MS Residual=25.27317
Factor
Coeff.Std.Err.t(3) p (A)A
(B)B (C)C AB AC BC ABC
122.2824.86025.1620.00014 164.8284.86033.9170.00006 178.4644.86036.7230.00004 -5.78124.463-0.2360.82841 141.49224.4635.7840.01028 34.58324.4631.4140.25236 799.412161.2784.9570.01576
Az optimum megközelítése szimplex módszerrel
Több faktorra is általánosítható
n-dimenziós szimplex: n+1 csúcsot tartalmazó konvex poliéder Ha egy csúcs n+1 lépés után is megőrzi helyét, a szimplex forog:
• az optimum közelében vagyunk
• hiba miatt kiugró kísérleti érték új kísérlet
zsugorítás
1
2 1
j rj j
m n
i
i uj
m x
x n
x n
1
1 1
1
a tükrözéssel kapott új pont:
A feladat a gázkromatográfiás elválasztás egyes beállítható paramétereinek változtatásával a kromatogram felvételéhez
szükséges idő minimalizálása. Csak olyan beállításokat fogadtak el, amelyekkel a csúcsfelbontás még elfogadható.
A faktorok a következők:
1. a vivőgáz áramlási sebessége, amelyet közvetve, egy U csöves manométerrel mértek, vagyis a vizsgált faktor: p, torr
(1torr=133.32 Pa);
2. a programozott fűtés kezdeti hőmérséklete, t, oC;
3. a lineáris hőmérsékletprogram meredeksége, t, amely 2 C/min és 30 C/min határok között 2 C/min fokozatonként
2. példa
J. Holderith, T. Tóth, A. Váradi: Minimizing the time for gas chromatographic analysis. Search for optimal operational parameters by a simplex method. J.
Chromatograph. 119, 215-222 (1976)
Az elfogadható csúcsfölbontás azt jelenti, hogy a legkisebb relatív retenciójú (egymástól a legnehezebben elválasztható) komponenspárok, az adott esetben a meta- és para-xilol, ill. az 1,3,5-trimetil-benzol és az 1,2,4-trimetil-benzol közötti
elválasztást jellemző PS érték 0.5-nél nagyobb.
Mivel a z3 faktor szintjei csak diszkrét értékek
lehetnek, ha a faktornak az új csúcsbeli számított értéke nem volt beállítható, a legközelebbi beállítható értéket vették.
265
524 60
70
4
6
265 265 524 524
5 265 610.32
m n
i
i uj
m x
x n
x n
1
1 1
1
Összevetés a faktoros tervekkel A szimplex kísérletek
• egyenként hajtandók végre: előnyös, ha gyorsan van eredmény
• megtalálják az optimumot
• kevés információt adnak a hatásokról A faktoros tervek
• párhuzamosan hajtandók végre: előnyös, ha lassan van eredmény, de kevésbé időigényes
• megismerjük a hatásokat
• haladunk az optimum felé
Összevetés a faktoros tervekkel 2 A szimplex kísérletek
• a faktorok csak folytonosak lehetnek
• érzékenyek a hibákra
• mivel nincs mögöttük modell, nem adnak eredményfelületet
• csak egy függő változónk lehet A faktoros tervek
• a faktorok lehetnek és diszkrétek (legalábbis két szint esetén)
• a hibákat a modell kiegyenlíti
• mivel van mögöttük modell, eredményfelületet adnak
• több függő változónk lehet
3. példa
Kalibráció ingadozás-forrásainak elemzése
kalibr_varcomp.sta
Graphs>Scatterplot
Scatterplot of Area against Concentration kalibr_varcomp.sta 9v*216c
-20 0 20 40 60 80 100 120
-5E5 0 5E5 1E6 1.5E6
2E6 2.5E6
3E6 3.5E6
4E6
Area
Volt egy koncentrált (300g/l) törzsoldat, ebből 3 ismétléssel állítottak elő 12-féle koncentrációjú oldatot.
Mind a 36 oldatból kétszer készítettek kb. 40-szeres szeres (de
egyforma) hígítást, és ezeket vitték a plate-re, és mindegyiket 3-szor injektálták.
i k ij ijkl
j i
yijkl
yijkl az i-edik koncentráció j-edik bemérése k-adik hígításából végzett l-edik injektálással kapott terület (Area)
Mit akarunk megismerni?
• a kalibrációs függvény alakját
• az ingadozás összetevőit (számszerűsítve)
• az illesztés feltételeit
Statistics>Advanced Linear/Nonlinear Models>General Linear Models>
>Nested Design ANOVA
Univariate Tests of Significance for Area (kalibr_varcomp.sta) Over-parameterized model
Type III decomposition; Std. Error of Estimate: 38181.27 Effect
Effect (F/R)
SSDegr. of
Freedom
MSDen.Syn.
Error df
Den.Syn.
Error MS
F p
Intercept
Concentration
Mix(Concentration)
Dilution(Concentration*Mix) Error
Fixed4.544E+1414.544E+1424.01.8793E+1024181.950.000000 Fixed2.633E+14112.394E+1324.01.8793E+101273.850.000000 Random4.510E+11241.879E+1036.04.9480E+093.800.000156 Random1.781E+11364.948E+09144.01.4578E+093.390.000000
2.099E+111441.458E+09 Components of Variance
Over-parameterized model Type III decomposition
Effect Area
Mix(Concentration)
Dilution(Concentration*Mix) 2.307457E+09 1.163402E+09
Predicted vs. Residual Values Dependent variable: Area (Analysis sample)
-5E5 0 5E5 1E6 1.5E6 2E6 2.5E6 3E6 3.5E6 4E6 Predicted Values
-1.5E5 -1E5 -50000
0 50000
1E5 1.5E5
2E5
Raw Residuals
Normal Prob. Plot; Raw Residuals Dependent variable: Area
(Analysis sample)
-1.5E5 -1E5 -50000 0 50000 1E5 1.5E5 2E5
Residual -4
-3 -2 -1 0 1 2 3 4
Expected Normal Value
.01 .05 .15 .35 .65 .85 .95 .99
y ~ y
ydy lny1y haha 11ytr
dy ky
dytr
2 2 2 y2dy dy dy
y dy Var
tr y
tr tr
ytr konstVar ha y konst
dy dytr
Box-Cox transzformáció
ydy lny1y haha 11ytr
Dilution(Concentration*Mix); Weighted Means (kalibr_varcomp.sta) Current effect: F(33, 132)=3.3941, p=.00000
Type III decomposition
Include condition: Concentration>0 Cell No.
ConcentrationMixDilutionMeanStd.Err.lnmean
=log(v4) lnsd
=log(v5) N 1
2 3 4 5 6 7
10 1 1 1256912331.2211.741587.7541473 10 1 2 1309163300.7011.782318.101893 10 2 1 1189441324.6311.686417.1888883 10 2 2 1193442791.7911.689777.9344383 10 3 1 1263961637.9811.747177.4012213 10 3 2 1229002340.0411.719137.7579253 20 1 1 3187091243.3512.672037.1255663
az egy hígításhoz tartozó
injektálások átlaga és szórása
Scatterplot of lnsd against lnmean Dilution(Concentration*Mix); Weighted Means (kalibr_varcomp.sta) 8v*66c
lnsd = -1.6907+0.7959*x
11.5 12.0 12.5 13.0 13.5 14.0 14.5 15.0 15.5
lnmean 6.5
7.0 7.5 8.0 8.5 9.0 9.5 10.0 10.5 11.0 11.5
lnsd
az egy hígításhoz tartozó injektálások átlaga és szórása
Scatterplot of lnsd against lnmean Mix(Concentration); Weighted Means (kalibr_varcomp.sta) 7v*33c
lnsd = -3.0805+0.8907*x
7.0 7.5 8.0 8.5 9.0 9.5 10.0 10.5 11.0
lnsd
Mix(Concentration); Weighted Means
Current effect: F(22, 33)=3.7980, p=.00028 Type III decomposition
Include condition: Concentration>0 Cell No.
ConcentrationMix MeanStd.Err.N 1
2 3 4 5 6 7 8 9
10 1 1283032151.996 10 2 1191441384.836 10 3 1246481497.586 20 1 3129223549.576 20 2 3097534099.596 20 3 3013684367.206 30 1 5656115917.516 30 2 5603607715.216 30 3 5402774949.136
itt nemcsak a hígítás
hibáját látjuk, hanem ebbe belekeveredve az
injektálási hibák átlagát is
az egy Mixhez tartozó ismételt hígítások átlaga és szórása
Scatterplot of lnsd against lnmean Concentration; Weighted Means (kalibr_varcomp.sta) 6v*11c
lnsd = -4.0591+0.9472*x
7.0 7.5 8.0 8.5 9.0 9.5 10.0 10.5
lnsd
Concentration; Weighted Means (kalibr_varcomp.sta) Current effect: F(10, 22)=1082.9, p=0.0000
Type III decomposition
Include condition: Concentration>0 Cell No.
ConcentrationMean Std.Err.lnmean
=log(v2) lnsd
=log(v3) N 1
2 3 4 5 6 7 8 9 10 11
10 1240321302.1411.728297.17176318 20 3080142480.0212.63797.81602218 30 5554164322.1613.227478.3715118 40 8370107936.8613.637598.97927318 50 11286068685.4513.936499.06940418 60 146789512044.8814.199349.39639518 70 180682612289.0714.407089.41646618 80 216289215954.4714.586969.67749418 90 260991222468.1014.7748310.0198518 100302843429845.5814.9235610.3037918 110337681625117.9715.0324410.1313418
itt nemcsak a Mix (az oldat újra- elkészítése) hibáját látjuk, hanem ebbe belekeveredve a hígítási és injektálási hibák átlagát is
az egy
koncentrációhoz tartozó ismételt Mixek átlaga és szórása
A hiba-komponensek arányos jellegűek, és az adatok logaritmikus transzformációja indokolt
Univariate Tests of Significance for lnAr (kalibr_varcomp.sta) Over-parameterized model
Type III decomposition; Std. Error of Estimate: .0341341 Include condition: Concentration>0
Effect
Effect (F/R)
SSDegr. of Freedom
MSDen.Syn .
Error df
Den.Syn.
Error MS
F p
Intercept
Concentration
Mix(Concentration)
Dilution(Concentration*Mix) Error
Fixed164.6271164.626822.0000.0196988357.720.0000 Fixed198.7891019.878922.0000.0196981009.200.0000 Random0.433220.019733.0000.00095520.620.0000 Random0.032330.0010132.0000.0011650.820.7419
0.1541320.0012
Components of Variance Over-parameterized model Type III decomposition
Include condition: Concentration>0
Effect lnAr
Mix(Concentration)
Dilution(Concentration*Mix) Error
0.003124 -0.000070
0.001165
2 2 2
ln
ln
y
y dy
y
d
Amit kiszámoltunk (y a terület):
2 ln 2 2
y
y y
Ha azt kérdezzük, hogy a kalibrációs pontnak (3 Mix, 2 hígítás, 3 injektálás átlaga) mekkora a varianciája
18 6
3
2 2 Inj
Dilution 2
2 Mix Total
2 lny
Ha azt kérdezzük, hogy a majdani fölhasználásnál, ha nem készítenek több mix-et minden koncentrációnál, nem hígítják többször, de 3-
szor injektálják, és ennek átlagát rendelik a koncentrációhoz
3
2 2 Inj
Dilution 2
Mix 2
inj_atlag
Ha csak egy injektálás van minden koncentrációnál
2 Inj 2
Dilution 2
Mix 2
pont
S t a c k e d P l o t o f m u l t i p l e v a r i a b l e s c o n c _ a r e a . s t a 2 2 v * 1 1 c
s i g m a y Q I n j s i g m a y Q D i l u t i o n 1 2 3 4 5 6 7 8 9 1 0 1 1
0 2 E 9 4 E 9 6 E 9 8 E 9 1 E 1 0 1 . 2 E 1 0 1 . 4 E 1 0 1 . 6 E 1 0 1 . 8 E 1 0
M o d e l : v 3 = b 0 + b 1 * v 1 + b 2 * v 1 ^ 2
y = ( - 4 8 7 7 4 . 5 3 8 1 3 8 5 3 ) + ( 1 5 5 9 1 . 5 8 0 9 9 2 0 9 ) * x + ( 1 5 1 . 7 9 3 5 3 7 8 1 4 0 5 ) * x ^ 2
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0
C o n c - 5 E 5
0 5 E 5 1 E 6 1 . 5 E 6 2 E 6 2 . 5 E 6 3 E 6 3 . 5 E 6 4 E 6 4 . 5 E 6
A másodfokú függvény illesztése az átlag-adatokra, súlyozva
weight=1/sigmayQTotal
Parameter Estimates (conc_area.sta) Sigma-restricted parameterization
Effect
Mean
Param.
Mean Std.Err
Mean t
Mean p
-95.00%
Cnf.Lmt
+95.00%
Cnf.Lmt Intercept
Conc
Conc^2
-48774.58532.332-5.716440.000446-68450.1-29098.9 15591.6764.65420.390380.00000013828.317354.9
151.89.58015.845550.000000129.7173.9
1
Conc 2
Mean 3
sigmayQMix 4
sigmayQDilution 5
sigmayQInj 6
sigmayQTotal 7
weight 1
2 3 4 5 6 7 8 9 10 11
101240321.117E+072.754E+069.092E+064.687E+062.134E-7 203080146.888E+071.698E+075.607E+072.890E+073.460E-8 305554162.240E+085.522E+071.823E+089.399E+071.064E-8 408370105.086E+081.254E+084.140E+082.134E+084.685E-9 5011286069.247E+082.280E+087.528E+083.881E+082.577E-9 6014678951.564E+093.857E+081.273E+096.565E+081.523E-9 7018068262.370E+095.844E+081.929E+099.946E+081.005E-9 8021628923.396E+098.374E+082.765E+091.425E+097.02E-10 9026099124.945E+091.219E+094.026E+092.075E+094.82E-10 10030284346.658E+091.642E+095.420E+092.794E+093.58E-10 11033768168.278E+092.041E+096.739E+093.474E+092.88E-10
Többszörös célfüggvény
A célfüggvény megválasztása igen fontos. Például egy gumi- termék szakítószilárdságának maximalizálása ill. a gyártás költségeinek minimalizálása egészen más feladat, a független változók más beállítás-kombinációjánál van az optimum.
Esetenként e kívánalmak egymásnak teljesen ellentmondanak.
Lehetőségeink:
• Grafikusan vizsgáljuk a közös tartományokat
• Gazdasági természetű célfüggvény, ez alkalmasan szintetizálhatja a többféle szempontot.
• Ha a műszaki jellemzők pénzbeli kifejezése nehéz vagy lehetetlen, használható a Taguchi-féle négyzetes
veszteségfüggvény.
•
24. példa
Derringer, G., & Suich, R. (1980). Simultaneous optimization of several response variables. Journal of Quality Technology, 12, 214-219.
(Autógumi út-tapadása), a Statistica példája, kiegészítve
Tiretrem.sta 4 függő változó: abrasion, modulus, elong, hardness
3 faktor: silica, silane, sulphur kompozíciós terv
Statistics>Industrial Statistics & Six Sigma>
>Experimental Design (DOE)>Central composite...
From: Derringer and Suich (1980).
1
SILICA
2
SILANE
3
SULPHUR 4
ABRASION 5
MODULUS 6
ELONG
7
HARDNESS 1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
0.7 40 2.8 102 900 470 67.500
1.7 40 1.8 120 860 410 65.000
0.7 60 1.8 117 800 570 77.500
1.7 60 2.8 198 2294 240 74.500
0.7 40 1.8 103 490 640 62.500
1.7 40 2.8 132 1289 270 67.000 0.7 60 2.8 132 1270 410 78.000 1.7 60 1.8 139 1090 380 70.000 0.3835 50 2.3 102 770 590 76.000 2.0165 50 2.3 154 1690 260 70.000 1.2 33.67 2.3 96 700 520 63.000 1.2 66.33 2.3 163 1540 380 75.000 1.2 50 1.4835 116 2184 520 65.000 1.2 50 3.1165 153 1784 290 71.000 1.2 50 2.3 133 1300 380 70.000 1.2 50 2.3 133 1300 380 68.500 1.2 50 2.3 140 1145 430 68.000 1.2 50 2.3 142 1090 430 68.000 1.2 50 2.3 145 1260 390 69.000
DV: ABRASION
SULPHUR(Q) SILANE(Q)SILICA(Q)1Lby2L 1Lby3L
2Lby3L
(3)SULPHUR(L)
(1)SILICA(L) (2)SILANE(L)
0.5 1.0 1.5 2.0 2.5 3.0
xpected Half-Normal Values (Half-Normal Plot)
.25 .45 .65 .75 .85 .95 .99
SULPHUR(Q) SILANE(Q)SILICA(Q)1Lby2L 1Lby3L
2Lby3L
(3)SULPHUR(L)
(1)SILICA(L) (2)SILANE(L)
Effect Estimates; Var.:ABRASION; R-sqr=.97205; Adj:.94689 (Tiretrem.sta) 3 factors, 1 Blocks, 20 Runs; MS Residual=31.48609
DV: ABRASION Factor
EffectStd.Err.t(10) p -95.%
Cnf.Limt
+95.%
Cnf.Limt Mean/Interc.
(1)SILICA (L) SILICA (Q)
(2)SILANE (L) SILANE (Q)
(3)SULPHUR (L) SULPHUR (Q) 1L by 2L
1L by 3L 2L by 3L
139.11922.28195560.964920.000000134.0347144.2038 32.98733.07340110.733150.00000126.139339.8353
-8.01923.088128-2.596780.026638-14.9000-1.1384 35.76153.07340111.635820.00000028.913642.6095
-6.89423.088128-2.232490.049633-13.7750-0.0134 21.81313.0734017.097370.00003314.965128.6610
-3.14423.088128-1.018170.332597-10.02503.7365 10.25003.9677512.583330.0272601.409319.0907 14.25003.9677513.591460.0049175.409323.0907 15.75003.9677513.969500.0026456.909324.5907
A négy célfüggvényre külön-külön végezhetünk elemzést
Effect Estimates; Var.:MODULUS; R-sqr=.74217; Adj:.51012 (Tiretrem.sta) 3 factors, 1 Blocks, 20 Runs; MS Residual=108039.3
DV: MODULUS Factor
EffectStd.Err.t(10) p -95.%
Cnf.Limt
+95.%
Cnf.Limt Mean/Interc.
(1)SILICA (L) SILICA (Q)
(2)SILANE (L) SILANE (Q)
(3)SULPHUR (L) SULPHUR (Q) 1L by 2L
1L by 3L 2L by 3L
1261.133133.67159.434570.000003963.2951558.972 536.302180.03252.978920.013833135.165937.440 -167.132180.8951-0.923920.377286-570.191235.928 493.006180.03252.738430.02088991.869894.144 -249.631180.8951-1.379980.197663-652.691153.428 278.969180.03251.549550.152293-122.168680.106 398.363180.89512.202180.052248-4.696801.423 138.750232.42130.596980.563794-379.117656.617 188.250232.42130.809950.436817-329.617706.117 208.750232.42130.898150.390216-309.117726.617
DV: MODULUS
SILICA(Q)1Lby3L2Lby3L SILANE(Q)
(3)SULPHUR(L)
SULPHUR(Q)
(2)SILANE(L) (1)SILICA(L)
0.5 1.0 1.5 2.0 2.5 3.0
xpected Half-Normal Values (Half-Normal Plot)
.25 .45 .65 .75 .85 .95 .99
SILICA(Q)1Lby3L2Lby3L SILANE(Q)
(3)SULPHUR(L)
SULPHUR(Q)
(2)SILANE(L) (1)SILICA(L)
Effect Estimates; Var.:ELONG; R-sqr=.98149; Adj:.96484 (Tiretrem.sta) 3 factors, 1 Blocks, 20 Runs; MS Residual=422.2685
DV: ELONG Factor
EffectStd.Err.t(10) p -95.%
Cnf.Limt
+95.%
Cnf.Limt Mean/Interc.
(1)SILICA (L) SILICA (Q)
(2)SILANE (L) SILANE (Q)
(3)SULPHUR (L) SULPHUR (Q) 1L by 2L
1L by 3L 2L by 3L
400.3858.3568447.91100.000000381.764419.005 -199.33311.25523-17.71020.000000-224.411-174.255
15.86511.309161.40290.190930-9.33341.064 -62.79311.25523-5.57900.000234-87.871-37.715
34.61511.309163.06080.0120289.41759.814 -147.83811.25523-13.13510.000000-172.916-122.760
0.86611.309160.07650.940506-24.33326.064 17.50014.530461.20440.256179-14.87649.876 12.50014.530460.86030.409795-19.87644.876 2.50014.530460.17210.866828-29.87634.876
DV: ELONG
SULPHUR(Q)2Lby3L1Lby3L SILICA(Q)
1Lby2L SILANE(Q)
(2)SILANE(L)
(3)SULPHUR(L)
(1)SILICA(L)
0.5 1.0 1.5 2.0 2.5 3.0
xpected Half-Normal Values (Half-Normal Plot)
.25 .45 .65 .75 .85 .95 .99
SULPHUR(Q)2Lby3L1Lby3L SILICA(Q)
1Lby2L SILANE(Q)
(2)SILANE(L)
(3)SULPHUR(L)
(1)SILICA(L)
Effect Estimates; Var.:HARDNESS; R-sqr=.95809; Adj:.92037 (Tiretrem.sta) 3 factors, 1 Blocks, 20 Runs; MS Residual=1.60619
DV: HARDNESS Factor
EffectStd.Err.t(10) p -95.%
Cnf.Limt
+95.%
Cnf.Limt Mean/Interc.
(1)SILICA (L) SILICA (Q)
(2)SILANE (L) SILANE (Q)
(3)SULPHUR (L) SULPHUR (Q) 1L by 2L
1L by 3L 2L by 3L
68.909620.515402133.70070.00000067.7612370.05800 -2.819690.694158-4.06200.002279-4.36637-1.27301
3.115360.6974844.46660.0012041.561274.66945 8.639370.69415812.44580.0000007.0926910.18605 0.115390.6974840.16540.871898-1.438701.66948 3.269690.6941584.71030.0008291.723014.81637 -0.634610.697484-0.90980.384308-2.188700.91949 -3.250000.896156-3.62660.004639-5.24676-1.25324
0.250000.8961560.27900.785953-1.746762.24676 -0.500000.896156-0.55790.589158-2.496761.49676DV: HARDNESS
SILANE(Q)SULPHUR(Q)1Lby3L2Lby3L
(1)SILICA(L) SILICA(Q)
1Lby2L (3)SULPHUR(L)
(2)SILANE(L)
0.5 1.0 1.5 2.0 2.5 3.0
xpected Half-Normal Values (Half-Normal Plot)
.25 .45 .65 .75 .85 .95 .99
SILANE(Q)SULPHUR(Q)1Lby3L2Lby3L
(1)SILICA(L) SILICA(Q)
1Lby2L (3)SULPHUR(L)
(2)SILANE(L)
Profiles for Predicted Values
SILICA
80.000 139.12 180.00
SILANE SULPHUR
ABRASION
-500.0 1261.1 3000.0
MODULUS
150.00 400.38 700.00
ELONG
56.000 68.910 82.000
HARDNESS
Fitted Surface; Variable: ABRASION
> 180 < 180 < 160 < 140 < 120 < 100 < 80
A d-függvény (d: desirability function)
A több, különböző mértékegységben kifejezett és különböző
súlyokkal figyelembe veendő jellemző kombinációjára dolgozta ki Harrington 1965-ben.
A szakirodalomban több módszer, a d(y) függvénykapcsolat lehet lineáris és nemlineáris.
Közös bennük, hogy a függvény a (0, 1) intervallumban vesz fel értékeket.
d = 1 az y fölső határán, melynél nagyobb érték nem fordulhat elő, d = 0 y alsó határértékénél, melynél kisebb érték nem lehetséges.
Az összetett célfüggvény a komponensekre vonatkozó d értékek geometriai átlagolásával kapható.
D q d d1 2...dq
ahol q a célfüggvény-komponensek (a vizsgálandó tulajdonságok) száma.
A D függvény ugyanolyan tulajdonságú, mint di komponensei, egyes értékei ugyanúgy értelmezhetők így használható
optimum keresésére.
D értéke akkor és csak akkor nagy, ha egyik di kompo- nens se kicsi. A geometriai átlagolás következtében a kisebb d értékek súlya jelentős, vagyis D kompromisszumot ad a
részcélok között.
Derringer és Suich (1980)
lineáris függvény a d=(0, 0.5) és a d=(0.5, 1) intervallumokban esetleg görbeség
U y
U T T
U y
T y
L L T
L y
d t
s
, ,
kétoldali egyoldali
f y
L L f
L
d y
,
U y
U a a
U
d y
,
LB
SB
0 2 4 6 8 10 12 y
-0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
d052
s=0.5, t=2
0 2 4 6 8 10 12
y -0.2
0.0 0.2 0.4 0.6 0.8 1.0 1.2
d
s=t=0.5
0 2 4 6 8 10 12
y -0.2
0.0 0.2 0.4 0.6 0.8 1.0 1.2
d1
s=t=1
0 2 4 6 8 10 12
y -0.2
0.0 0.2 0.4 0.6 0.8 1.0 1.2
d2
s=t=2
t=s=1
t=s=2
t=s=0.5
t=s=1
t=s=2
t=s=0.5
t=0.5 s=2
kétoldali határra egyoldali
határra
Specifikáció és a kívánatossági függvény értéke
Profiles for Predicted Values and Desirability
SILICA
80.000 139.12 190.00
SILANE SULPHUR Desirability
0.
.5
1.
120.00145.00170.00 ABRASION 0.
.5
1.
-500.0 1261.1 3000.0
0. .5 1.
1000.01150.01300.0 MODULUS
0. .5 1.
150.00 400.38 700.00
0.
1.
0.
400.00500.00600.00 ELONG 0.
1.
0.
56.000 68.910 82.000
0.
1.
0.
60.00067.50075.000 HARDNESS 0.
1.
0.
.17956 Desirability
0.
.5
1.
0. .5 1.
0.
1.
0.
0.
1.
0.
mean
Profiles for Predicted Values and Desirability
SILICA
80.000 129.17 190.00
SILANE SULPHUR Desirability
0.
.5
1.
120.00145.00170.00 ABRASION 0.
.5
1.
-500.0 1280.0 3000.0
0. .5 1.
1000.01150.01300.0 MODULUS
0. .5 1.
200.00 461.03 750.00
0.
1.
0.
400.00500.00600.00 ELONG 0.
1.
0.
54.000 67.363 80.000
0.
1.
0.
60.00067.50075.000 HARDNESS 0.
1.
0.
.56586
Desirability
0.
.5
1.
0. .5 1.
0.
1.
0.
0.
1.
0.
optimum
Desirability Surface/Contours; Method: Spline Fit
> 0.2 < 0.125 < 0.025 < -0.075 < -0.175
> 0.1 < 0.025 < -0.075
> 0.2 < 0.175 < 0.075 < -0.025 < -0.125
Desirability Surface/Contours; Method: Spline Fit
> 0.2 < 0.125 < 0.025 < -0.075 < -0.175
0.2 0.4
0.6 0.8
1.0 1.2
1.4 1.6
1.8 2.0
2.2
SILICA 30
35 40 45 50 55 60 65 70
SILANE
> 0.1 < 0.025 < -0.075
0.2 0.4
0.6 0.8
1.0 1.2
1.4 1.6
1.8 2.0
2.2
SILICA 1.4
1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2
SULPHUR
> 0.2 < 0.175 < 0.075 < -0.025 < -0.125
30 35 40 45 50 55 60 65 70
SILANE 1.4
1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2
SULPHUR