Адаптационная оптимизация производственных процессов с технологической обратной связью
Необходима выборка, полученная с помощью черного ящика. Для этого нам надо поставить несколько опытов с разными значениями xi. Количество опытов равно 2 в степени количества факторов x, для сокращения количества опытов в 2 раза воспользуемся генератором. Т. е. восемь (24) /2. В каждом опыте выполняем по 6 циклов. Теперь мы получили выборку, представленную в таблице. Чтобы обеспечить заданный… Читать ещё >
Адаптационная оптимизация производственных процессов с технологической обратной связью (реферат, курсовая, диплом, контрольная)
ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования
" САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ"
КАФЕДРА ВЫЧИСЛИТЕЛЬНЫХ МАШИН И КОМПЛЕКСОВ ПОЯСНИТЕЛЬНАЯ ЗАПИСКА К КУРСОВОМУ ПРОЕКТУ Адаптационная оптимизация производственных процессов с технологической обратной связью по дисциплине: Компьютерная обработка экспериментальных данных РАБОТУ ВЫПОЛНИЛ СТУДЕНТ ГР.
Костерев Г. М.
Санкт-Петербург 2012
- Цель работы
- Моделирование «черного ящика»
- Листинг программы, моделирующей случайную помеху
- Определение вида распределения сгенерированной помехи
- Построение уравнения регрессии
- Получение значений откликов
- Листинг программы для получения значений откликов
- Аппроксимация уравнения регрессии линейным уравнением
- Определение значимости коэффициентов уравнения регрессии
- Окончательное уравнение регрессии
- Приложение
- Список, используемой литературы
Цель работы
1. Разработать модель «чёрного ящика» по заданным параметрам;
Y = x1*sin (x2) +x3-3x4, где f (о) =c*cos (x) (0; р/2)
2. По выходам «чёрного ящика» определить вид закона распределения случайной величины;
3. Оценить параметры распределения;
4. Построить уравнение регрессии, выбрав степень полинома так, чтобы среднеквадратичная ошибка не превышала заданного порога: .
5. Оценить значимость коэффициентов, удалить незначимые.
Моделирование «черного ящика»
f (о) =c*cos (x); (0; р/2)
C=1
= arcsin (x)
Листинг программы, моделирующей случайную помеху
Программа написана и отлажена в среде Visual C++
Определение вида распределения сгенерированной помехи
Для этого по полученной выборке построим гистограмму
Границы | Середина | li | попаданий | ni/ (n*li) | ||
0,7 111 | 0,103 797 | 0,554 539 | 0,96 686 | 1,34 275 | ||
0,103 797 | 0,170 849 | 0,137 323 | 0,67 052 | 1,49 138 | ||
0,170 849 | 0,236 928 | 0, 2 038 885 | 0,66 079 | 1,51 334 | ||
0,236 928 | 0,332 552 | 0,28 474 | 0,95 624 | 1,45 763 | ||
0,332 552 | 0,486 337 | 0,4 094 445 | 0,153 785 | 0,650 258 | ||
0,486 337 | 0,651 913 | 0,569 125 | 0,165 576 | 0,603 952 | ||
0,651 913 | 0,764 266 | 0,7 080 895 | 0,112 353 | 0,890 052 | ||
0,764 266 | 0,877 236 | 0,820 751 | 0,11 297 | 0,885 191 | ||
0,877 236 | 1,10 431 | 0,990 773 | 0,227 074 | 0,440 385 | ||
1,10 431 | 1,53 765 | 1,32 098 | 0,43 334 | 0,230 766 | ||
Рис 1. Гистограмма по выборке.
По Рис.1 можно выдвинуть гипотезу о синусоидальном характере распределения промоделированной случайной величины.
Проверка гипотезы методом «хи-квадрат» :
Диапазон возможных значений элементов выборки разбивается на k интервалов и подсчитываются количества ni элементов выборки, попавших в каждый i-ый интервал (рис. 4.1).
Рис. 2.
На основании этого разбиения вычисляется значение статистики
,
где объем выборки, pi = F (xi B) — F (xi H) вероятность попадания в i-тый интервал с нижней xi H и верхней xi B границами.
Чтобы обеспечить заданный уровень значимости критерия, в качестве порога, с которым следует сравнивать X2, следует брать квантиль хи-квадрат распределения уровня 1- 21- (k-1). Решающее правило принимает вид: если X2 > 21- (k-1), то гипотеза отклоняется, в противном случае экспериментальные данные не противоречат гипотезе.
Границы | попадания | p (i) | n*p (i) | x2 | ||
0,7 111 | 0, 198 428 | 0, 190 018 | 19,179 | 1,314 727 | ||
0, 198 428 | 0,389 746 | 0,182 824 | 18,28 245 | 0,403 945 | ||
0,389 746 | 0,581 063 | 0,16 896 | 16,89 597 | 2,57 439 | ||
0,581 063 | 0,77 238 | 0,148 929 | 14,89 294 | 0,56 195 | ||
0,77 238 | 0,963 698 | 0,123 465 | 12,34 645 | 2,588 807 | ||
0,963 698 | 1,155 015 | 0,93 494 | 9,349 437 | 3,6 077 | ||
1,155 015 | 1,346 332 | 0,60 113 | 6,11 252 | 0,162 632 | ||
1,346 332 | 1,53 765 | 0,24 537 | 2,453 712 | 0,121 624 | ||
0,99 234 | 10,27 189 | |||||
Задавшись уровнем значимости = 0.05, по таблице квантилей хи-квадрат распределения находим, что для числа степеней свободы k — m — 1 =8 — 1 =7, величина 2 = 14,08. Так как экспериментально полученное значение статистики хи-квадрат 10,27 меньше порогового значения то, можно говорить, что экспериментальные данные не противоречат выдвинутой гипотезе о синусоидальном характере распределения случайной величины.
Построение уравнения регрессии
Матрица планирования:
Матрица планирования (A) имеет вид:
— 1 | — 1 | ||||
— 1 | — 1 | ||||
— 1 | — 1 | ||||
— 1 | — 1 | ||||
— 1 | — 1 | ||||
— 1 | — 1 | ||||
— 1 | — 1 | — 1 | — 1 | ||
(At*A) ^ (-1) *At
0,125 | 0,125 | 0,125 | 0,125 | 0,125 | 0,125 | 0,125 | 0,125 | |
0,125 | 0,125 | 0,125 | 0,125 | — 0,125 | — 0,125 | — 0,125 | — 0,125 | |
0,125 | 0,125 | — 0,125 | — 0,125 | 0,125 | 0,125 | — 0,125 | — 0,125 | |
0,125 | — 0,125 | 0,125 | — 0,125 | 0,125 | — 0,125 | 0,125 | — 0,125 | |
0,125 | — 0,125 | — 0,125 | 0,125 | — 0,125 | 0,125 | 0,125 | — 0,125 | |
Получение значений откликов
Необходима выборка, полученная с помощью черного ящика. Для этого нам надо поставить несколько опытов с разными значениями xi. Количество опытов равно 2 в степени количества факторов x, для сокращения количества опытов в 2 раза воспользуемся генератором. Т. е. восемь (24) /2. В каждом опыте выполняем по 6 циклов. Теперь мы получили выборку, представленную в таблице.
— 0,885 949 | — 0,545 167 | 0,595 463 | 0,654 982 | — 0,730 886 | — 0,816 489 | — 0,487 277 | — 1,35 567 | |
— 0,259 396 | — 0,900 356 | 0,120 166 | 0,769 114 | — 0,552 592 | — 0,987 099 | — 0,736 511 | — 0,785 025 | |
— 0,467 197 | — 0,413 624 | 1,1685 | 1,64 617 | — 0,629 183 | — 1,40 712 | — 0,681 407 | — 0,569 984 | |
— 0,529 682 | — 0,246 241 | 1,5 407 | 0,58 574 | — 0,587 344 | — 1,8 421 | — 0, 208 493 | — 1,14 423 | |
— 0,894 178 | — 1, 20 499 | 0,440 312 | 0,764 431 | — 0,369 641 | — 0,304 032 | 0,506 455 | — 1,32 553 | |
0,183 099 | — 0,737 719 | 0,427 899 | 0,953 205 | — 0,463 721 | — 1,3228 | — 0,664 128 | — 1,11 012 | |
Листинг программы для получения значений откликов
Программа написана и отлажена в среде Visual C++
программа моделирование обратная связь
Аппроксимация уравнения регрессии линейным уравнением
Неизвестное уравнение регрессии технологического процесса может быть аппроксимировано линейным уравнением:
y =0 +1x1 +2x2 +3x3 +4x4
Оценки bi коэффициентов i, i=0,1,., 4, рассчитываются по формулам:
где Sij — знак i-го фактора в j-ом опыте ПФЭ.
Результат вычислений оценок коэффициентов:
b0 | b1 | b2 | b3 | b4 | |
— 0,338 314 392 | 0,40 406 215 | — 0,341 740 029 | 0,115 301 | 0,95 083 | |
Уравнение регрессии:
Y = - 0,338 314 392+0,40 406 215x1-0,341 740 029x2+0,115 301x3+0,95 083x4
Отклики, предсказанные уравнением регрессии:
предсказанные отклики | |
— 0,65 608 817 | |
— 0,486 375 725 | |
0,427 705 883 | |
0,387 269 692 | |
— 1,63 898 475 | |
— 1,104 334 667 | |
— 0, 190 253 058 | |
— 0,611 019 967 | |
Для проверки гипотезы адекватности сравним точность, достигнутую моделью, с точностью измерений.
Число степеней свободы:
=n- (m+1) =8- (4+1) =3
Dад =
Число степеней свободы:
Dвос=
F = Dад/Dвос = 2,392 204 535
Пороговое значение критерия Фишера F0 для f1=3, f2 =40 и уровня значимости =0,05 находим по таблице Прил.1 F0 =2,9.
Так как F0 — линейное уравнение регрессии адекватно.
Определение значимости коэффициентов уравнения регрессии
Проверяем значимость отдельных коэффициентов уравнения регрессии с помощью t — статистики Стьюдента.
Для чего по таблице Прил.2 для f= n (N-1) =8 (6−1) =40 и =0.05 находим пороговое значение t0= 1.684.
Вычислив для каждого коэффициента регрессии величину
ti = bi /, где D = Dвос/Nn = 0,139 053 903/5*8 = 0,3 476
и, сравнив ti c t0, приходим к выводу, что коэффициент 4 незначим.
ti | |||||
— 5,73 797 798 | 6,853 092 | — 5,796 078 472 | 1,955 558 | 1,612 649 | |
значим | значим | значим | значим | не значим | |
Окончательное уравнение регрессии
Таким образом, окончательное уравнение регрессии технологического процесса имеет вид
Уравнение регрессии: Y = - 0,338 314 392+0,40 406 215x1-0,341 740 029x2+0,115 301x3
Приложение
Статистический анализ уравнения регрессии:
Уравнение регрессии, найденное с помощью ПФЭ, нуждается в статистическом анализе. Проводятся два вида такого анализа: проверка адекватности модели (т.е. всего уравнения в целом) и проверка значимости отдельных коэффициентов уравнения. Обе эти проверки проводятся в предположении справедливости модели технологического процесса (1). т. е. считается, что значения отклика процесса Yil, (j= 1,., n; l= 1,., N) представляют собой независимые нормальные случайные величины с одинаковой дисперсией.
Проверка адекватности модели служит для определения соответствия выбранного вида уравнения регрессии {линейное, неполное квадратное и т. п.) неизвестному точному уравнению регрессии. Эта проверка основывается на сравнении разброса экспериментально полученных значений отклика, относительно найденного уравнения регрессии, с разбросом отклика в каждой точке факторного пространства.
Разброс значений отклика относительно уравнения регрессии характеризуется так называемой дисперсией адекватности, равной
(14)
где n — число опытов в плане; N — число повторений отдельных опытов; - среднее значение отклика в j-й точке плана; - значение отклика в той же точке плана, предсказываемое найденным уравнением регрессии; f1=n- (m+1) — число степеней свободы дисперсии адекватности; m+1 — число коэффициентов в уравнении регрессии.
Разброс отклика в каждой точке факторного пространства при справедливости модели (1) одинаков и характеризуется уже упоминавшейся дисперсией воспроизводимости, величина которой может быть вычислена по формуле.
(15)
где yjl — значение отклика в j-й точке плана при l-м повторении опыта;
f2 = n (N-1) — число степеней свободы дисперсии воспроизводимости.
Если гипотеза адекватности справедлива, и, следовательно, дисперсии адекватности и воспроизводимости равны, то отношение F=Dад/D{y}, как показано в математической статистике, имеет F — распределение Фишера с f1 и f2 степенями свободы. Если же гипотеза адекватности неверна, то Dад/D{y} будет иметь распределение, отличное от F-распределения Фишера, сдвинутое в сторону больших значений статистики F.
Рис. 3.
На основании этого для проверки гипотезы адекватности рассчитанное значение F сравнивается с пороговым значением Fo, которое при справедливости гипотезы адекватности может быть превышено с заданной малой вероятностью б (см. рис.3) Если F? Fo гипотеза адекватности отвергается. Если F < Fo — принимается.
Описанное правило проверки гипотезы адекватности называется тестом или критерием Фишера, а малая вероятность его уровнем значимости. На практике обычно пользуются значением, равным 0,05 или 0,01. Таблица пороговых значений F0 для критерия Фишера при этих уровнях значимости приведена в Прил.1.
Если результаты проверки адекватности уравнения регрессии показали, что оно адекватно, то необходимо проверить значимость его коэффициентов. Такая проверка позволяет отбросить незначимые коэффициенты, появление которых вызвано случайными причинами, и тем самым упростить уравнение регрессии. Проверка основывается на том, что при ПФЭ все коэффициенты статистически независимы и имеют одинаковую дисперсию D, для которой известна оценка (13). Для проверки значимости любого коэффициента bi вычисляется
t — статистика Стьюдента.
Эта статистика при условии, что истинное значение коэффициента регрессии i=0 имеет t — распределение Стьюдента с f степенями свободы, где f=n (N-1) — число степеней свободы дисперсии воспроизводимости. Распределение Стьюдента симметрично и имеет математическое ожидание, равное нулю (рис.4). Если же i 0, то распределение статистики t смещается вправо или влево в зависимости от знака i. На основании этого для проверки значимости коэффициента i задаются уровнем значимости таким, что при условии i=0
P{ti t0}= 2, и считают коэффициент значимым, если ti t0 или ti — t0, или что-то же самое, если ti t0 (см. рис.4).
В случае, если имеет место противоположное неравенство ti < t0, коэффициент bi считается незначимым и может быть отброшен. Для практических расчетов в Прил.2 приведены значения порога t0 для различных значений уровня значимости .
F — распределение Фишера — Снедекора:
Значения квантилей F0.95 (1,2); 1 и 2 — числа степеней свободы числителя и знаменателя.
164,6 | 199,5 | 215,7 | 224,6 | 230,2 | 243,9 | 249,1 | 254,3 | |||
18,5 | 19,2 | 19,2 | 19,3 | 19,3 | 19,3 | 19,4 | 19,4 | 19,5 | ||
10,1 | 9,6 | 9,3 | 9,1 | 8,9 | 8,7 | 8,6 | 8,5 | |||
7,7 | 6,9 | 6,6 | 6,4 | 6,3 | 6,2 | 5,9 | 5,8 | 5,6 | ||
6,6 | 5,8 | 5,4 | 5,2 | 5,1 | 4,7 | 4,5 | 4,4 | |||
5,1 | 4,3 | 4,5 | 4,4 | 4,3 | 3,8 | 3,7 | ||||
5,6 | 4,7 | 4,4 | 4,1 | 3,9 | 3,6 | 3,4 | 3,2 | |||
5,3 | 4,5 | 4,1 | 4,8 | 3,7 | 3,6 | 3,3 | 3,1 | 2,9 | ||
5,1 | 4,3 | 3,9 | 3,6 | 3,5 | 3,4 | 3,1 | 2,9 | 2,7 | ||
4,1 | 3,7 | 3,5 | 3,3 | 3,2 | 2,9 | 2,7 | 2,5 | |||
4,8 | 3,6 | 3,4 | 3,2 | 3,1 | 2,8 | 2,6 | 2,4 | |||
4,8 | 3,9 | 3,5 | 3,3 | 3,1 | 2,7 | 2,5 | 2,3 | |||
4,7 | 3,8 | 3,4 | 3,2 | 2,9 | 2,6 | 2,4 | 2,2 | |||
4,6 | 3,7 | 3,3 | 3,1 | 2,9 | 2,5 | 2,3 | 2,1 | |||
4,5 | 3,7 | 3,3 | 3,1 | 2,9 | 2,8 | 2,5 | 2,3 | 2,1 | ||
4,5 | 3,6 | 3,2 | 2,9 | 2,7 | 2,4 | 2,2 | ||||
4,5 | 3,6 | 3,2 | 2,8 | 2,7 | 2,4 | 2,2 | ||||
4,4 | 3,6 | 3,2 | 2,9 | 2,8 | 2,7 | 2,3 | 2,1 | 1,9 | ||
4,4 | 3,5 | 3,1 | 2,9 | 2,7 | 2,6 | 2,3 | 2,1 | 1,9 | ||
4,4 | 3,5 | 3,1 | 2,9 | 2,7 | 2,6 | 2,3 | 2,1 | 1,9 | ||
4,3 | 3,4 | 3,1 | 2,8 | 2,7 | 2,6 | 2,2 | 1,8 | |||
4,3 | 3,4 | 2,8 | 2,6 | 2,5 | 2,2 | 2,7 | ||||
4,2 | 3,4 | 2,7 | 2,6 | 2,5 | 2,2 | 1,7 | ||||
4,2 | 3,3 | 2,7 | 2,6 | 2,4 | 2,1 | 1,9 | 1,7 | |||
4,2 | 3,3 | 2,9 | 2,7 | 2,5 | 2,4 | 2,1 | 1,9 | 1,6 | ||
4,1 | 3,2 | 2,9 | 2,6 | 2,5 | 2,3 | 1,8 | 1,5 | |||
3,2 | 2,8 | 2,5 | 2,4 | 2,3 | 1,9 | 1,7 | 1,4 | |||
3,9 | 3,1 | 2,7 | 2,5 | 2,3 | 2,2 | 1,8 | 1,6 | 1,3 | ||
3,8 | 2,6 | 2,4 | 2,2 | 2,1 | 1,8 | 1,5 | ||||
t — распределение Стьюдента:
Значения квантилей tp () (числа в первой строке таблицы нужно умножить на 10)
p | |||||||||
0.750 | 0.900 | 0.950 | 0.975 | 0.990 | 0.995 | 0.999 | 0.9995 | ||
0.100 | 0.307 | 0.631 | 1.271 | 3.182 | 6.366 | 6.183 | 63.662 | ||
0.816 | 1.886 | 2.920 | 4.303 | 6.965 | 9.925 | 22.326 | 31.593 | ||
0.765 | 1.638 | 2.353 | 3.182 | 4.541 | 5.841 | 10.213 | 12.924 | ||
0.741 | 1.533 | 2.132 | 2.776 | 3.747 | 4.604 | 7.173 | 8.610 | ||
0.727 | 1.476 | 2.015 | 2.571 | 3.365 | 4.032 | 5.893 | 6.869 | ||
0.718 | 1.440 | 1.943 | 2.447 | 3.143 | 3.707 | 5.208 | 5.965 | ||
0.711 | 1.415 | 1.895 | 2.365 | 2.998 | 3.499 | 4.785 | 5.408 | ||
0.706 | 1.397 | 1.860 | 2.306 | 2.896 | 3.335 | 4.501 | 5.041 | ||
0.703 | 1.383 | 1.833 | 2.262 | 2.821 | 3.250 | 4.297 | 4.781 | ||
0.700 | 1.372 | 1.812 | 2.228 | 2.764 | 3.169 | 4.144 | 4.587 | ||
0.697 | 1.363 | 1.796 | 2.201 | 2.718 | 3.106 | 4.025 | 4.437 | ||
0.695 | 1.356 | 1.782 | 2.179 | 2.681 | 3.055 | 3.930 | 4.318 | ||
0.694 | 1.350 | 1.771 | 2.160 | 2.650 | 3.012 | 3.852 | 4.221 | ||
0.692 | 1.345 | 1.761 | 2.145 | 2.624 | 2.977 | 3.787 | 4.140 | ||
0.691 | 1.341 | 1.753 | 2.131 | 2.602 | 2.947 | 3.733 | 4.073 | ||
0.690 | 1.337 | 1.746 | 2.120 | 2.583 | 2.921 | 3.686 | 4.015 | ||
0.689 | 1.333 | 1.740 | 2.110 | 2.567 | 2.898 | 3.646 | 3.965 | ||
0.688 | 1.330 | 1.754 | 2.101 | 2.552 | 2.878 | 3.610 | 3.922 | ||
0.688 | 1.328 | 1.729 | 2.093 | 2.539 | 2.861 | 3.579 | 3.883 | ||
0.687 | 1.325 | 1.725 | 2.086 | 2.528 | 2.845 | 3.552 | 3.850 | ||
0.686 | 1.321 | 1.717 | 2.074 | 2.508 | 2.819 | 3.505 | 3.792 | ||
0.685 | 1.318 | 1.711 | 2.064 | 2.492 | 2.797 | 3.467 | 3.745 | ||
0.684 | 1.315 | 1.706 | 2.056 | 2.479 | 2.779 | 3.435 | 3.707 | ||
0.683 | 1.313 | 1.701 | 2.048 | 2.467 | 2.763 | 3.408 | 3.674 | ||
0.683 | 1.310 | 1.697 | 2.042 | 2.457 | 2.750 | 3.385 | 3.646 | ||
0.681 | 1.303 | 1.684 | 2.021 | 2.423 | 2.704 | 3.307 | 3.551 | ||
0.679 | 1.296 | 1.671 | 2.000 | 2.390 | 2.660 | 2.232 | 3.460 | ||
0.677 | 1.289 | 1.658 | 1.980 | 2.358 | 2.617 | 3.160 | 3.373 | ||
0.674 | 1.282 | 1.645 | 1.960 | 2.326 | 2.576 | 3.090 | 3.291 | ||
Список, используемой литературы
1. Булгаков А, А. Статистические методы обработки информации в АСУ: Учебное пособие /ЛЭТИ.Л., 1981, _ 75 с.
2. Булгаков А, А, Идентификация объектов управления в АСУ; Учебное пособие /ЛИАН.Л., 1982. — 97 с.
3. Планирование эксперимента в исследовании технологических процессов /Поп ред.Э. К. Лецкого. М.; Мир, 1977. _ 552 с.