响应面方法
第三部分:变换,失拟,和高阶响应面
变换
利用对所研究的工程问题的知识,系统地应用响
应面方法,可以显著地提高效率和精度,让我们通过
一个例子来说明。
涡轮叶片寿命
我们已经对涡轮叶片应用过一维热传导模型,在
这部分内容中,我们将一直沿用这个模型。
回忆8个随机输入变量:
cool
T
M
k
TBC
k
gas
h
gas
T
M
L
TBC
L
cool
h
到目前为止,我们只对一个输出结果感兴趣,即
较热的那一边的金属温度。
mh
T
各种各样的例子表明在8个输入变量中,的响
应变化恰是线性的。因为我们真正感兴趣的是叶片的
寿命,我们希望确定叶片寿命的响应面,而不是。
首先,我们需要一种估计叶片使用寿命的方法,经受
高温的涡轮叶片的典型的寿命曲线是:
mh
T
mh
T
0
1
0
mh
mh
T
c
T
LLe
??
??
??
??
=
这里,是在已知温度下的使用寿命
0
L
0mh
T
c是常数
对于这个例子,我们已经研究过,假定:
0
10,000L =小时
0
835
mh
T =
℃
25c =
则叶片寿命的图像可以从下图看出:
现在,让我们来尝试构造一个使用寿命的线性响应面
模型,作为输入变量的函数:
8
0
1
?
ii
i
L aa
=
=+
∑
x
我们用样本容量为20的样本来构造响应面,典型的结
果是:
对于的样本,20N =
2
?
0.75
L
R ≈
显然,拟合结果并不令人满意,实际上,如果我们把
增加到,我们发现:
N
2000N =
对于的样本,2000N =
2
?
0.2
L
R ≈
所以,当我们增加抽样的数量时,线性模型的失拟使
得模拟结果比先前较小时得到的结果更糟。但是,
我们可以利用对寿命函数的变换来消除这个不利的影
响。具体来说,对上式取对数很将很有益:
N
8
0
1
?
log
ii
i
La ax
=
=+
∑
这样做能达到预期目的的理由是:
0
0
0
0
1
log log
log 1
mh
mh
mh
mh
T
c
T
LL
T
Lc
T
e
??
??
??
??
? ?
? ?
=
? ?
? ?
? ?
? ?
=? ?
? ?
? ?
所以,
log L
显然是的线性函数。而且,因为是
对输入变量应用线性模型而得到的一个非常好的模拟
结果,所以
lo
也是一个好的模拟结果。进行对数变
mh
T
mh
T
g L
换后, 模拟的结果是:
对于所有的, N
2
?
log
0.99
L
R ≈
失拟的确定
当我们用
2
R来衡量拟合的优劣时,它自身也存在
一些缺陷:
1, 当抽样数量和模型参数的数量大致相同时,的
值是令人满意的。潜台词就是对于
2
R
s dof
NN=
,最
小二乘拟合是准确的,即:
2
2
1
2
1
?()
1
()
s
s
N
n
n
N
n
n
yy
R
yy
=
=
?
= =
?
∑
∑
因为 ?
nn
yy=
下图显示了
2
R相对于和使用寿命的性质。
mh
T
2, 可能与你感兴趣的量没有直接关系,例如,如
果你想求,这时,
2
R
( 1000)
mh
PT >
2
R的值并不能直
接告诉你估计得有多么准确。
( 1000)
mh
PT >
对于验证模型的一般观点:
1, 总是过剩取样,特别当事关重要的时候。
2, 如果你采用过剩取样,且拟合效果不佳时,你总
是可以利用数据重新构造一个“高阶的”模型。
3, 尝试使用
关于高阶响应面的评论
对于构造高阶响应面,主要有以下两个问题:
1, 抽样数量将显著增加:(所有双线性项都是2次
的):
0
111
1
1(1)
2
?
()
dof
j
dd
ii iji j
iij
ddd
ax bxx
N
fx a
===
=++ +
++=
∑∑∑
此外,普通的实验设计也将更糟。
2,高阶响应面容易产生振动。