试验设计与数据分析报告

试验设计与数据分析结束目录•第一章绪论•第二章常用统计分布•第三章参数估计•第四章假设检验•第五章方差分析•第六章试验设计•第七章回归分析•第八章常用统计软件第六章试验设计主要内容•6.0简单的试验设计技术•6.1正交试验设计•6.2响应曲面试验设计•6.3均匀试验设计6.3均匀试验设计引子：黎元生留学加拿大随笔我于1996年受国家教委公派去加拿大滑铁卢大学化工系做访问学者，从事重油乳液的现场制氢破乳─加氢改质课题研究工作。加拿大有很多重油，开采过程中严重乳化；加拿大又有全世界最大的沥青砂开采工业，沥青砂在开采和水蒸气抽提过程中也产生大量的沥青乳液。这些乳状液不仅破乳困难，而且破乳脱水后还需再加氢处理才能作为合成原油出售。指导教授想在乳液中通入一氧化碳，在催化剂的作用下使一氧化碳和乳液中的水反应生成氢，氢再与重油或沥青中的含杂原子化合物反应，起到一步过程既破乳脱水，又对重油或沥青加氢处理的作用。这无疑是个好想法。在我去之前的10年中，陆续已有好几个研究生、博士后和访问学者在这个实验室做过这个课题了。他们的研究方法是用含硫模型化合物和溶剂与水混合，然后在高压反应釜中通一氧化碳反应，考察脱硫效果。由于重点放在考察脱硫上，他们并没有用真正意义上的乳状液做过试验。听说我研究过沥青乳液，教授给我的任务就是制备出稳定的含模型化合物的甲苯─水乳液。我以前并没有研究过轻油的乳化，当时心里一点底也没有，但我仍信心十足地答应了下来。我一面订购乳化剂，一面把从国内带去的“均匀设计与统计调优软件包”安装在实验室的微机里，当然在安装之前要经过系里的电脑管理员对我的软件进行查毒，并把试验方案设计好。由于心里没底，我计划从5种乳化剂中筛选乳化配方，加上油和水的比例，一共是6个自变量。同时我又设计出一种快速评价乳液稳定性的方法，将稳定性试验结果作为考察变量。订的乳化剂来了以后，我就开始了紧张的试验和评价工作。第一轮试验安排做12个样，评价以后进行回归处理，从中剔除两个对乳化影响不大的乳化剂，再安排第二轮7次试验。在第二轮试验中就出现了稳定性较好的样品。第三轮试验下来，整个稳定区间就出来了。将乳化剂加入量少而又能得到稳定乳状液的配方算出，验证之，又存放两天观察，得到了看起来像雪花膏一样的雪白的含苯并噻吩的甲苯─水乳化液。又按对水含量变化的要求，制备出从10％～25％不同含水量的稳定乳液。做完这些以后，我又观察三天，确信乳液稳定后，将乳化条件、配方变化和稳定性变化关系图整理出来，然后向指导教授汇报。指导教授看到我在两个星期内就拿出了雪白又细腻均匀的乳液样品，而且还有配方变化后的稳定区间图，简直不敢相信这是事实。当得知我的“秘密武器”后，又让我给详细介绍和解释软件的使用方法和功能以及均匀设计的数学依据。由于我不能用英语将均匀设计的数学原理讲明白，他又派题目组内一位曾在数学院修过三门研究生课程的数学功底很深的博士生专门去数学院的统计和优化系请教。尽管他们没能在数学院得到满意的解释，但由于亲眼见到均匀设计和统计调优能快速解决问题，还是对它产生了极大的兴趣。接下来又让我用需要加氢脱硫的直馏柴油做成乳化液，由于不需要新订乳化剂，又有了甲苯的经验，一个星期我就拿出了稳定的乳液样品和配方数据。这样，到滑铁卢的第一个月，我就得到了同事风趣相送的“DoubleE”（EmulsionExpert）的外号。（本节资料来自互联网：黎元生留学加拿大随笔1997年6月）前言均匀设计是一种试验设计方法。它可以用较少的试验次数，安排多因素、多水平的试验，是在均匀性的度量下最好的试验设计方法。。所有的试验设计方法本质上就是在试验的范围内给出挑选代表点的方法。正交设计是根据正交性准则来挑选代表点，使得这些点能反映试验范围内各因素和试验指标的关系。正交设计在挑选代表点时有两个特点：均匀分散，整齐可比。“均匀分散”使试验点均衡地布在试验范围内，让每个试验点有充分的代表性,。“整齐可比”使试验结果的分析十分方便，易于估计各因素的主效应和部分交互效应，从而可分析各因素对指标的影响大小和变化规律。为了照顾“整齐可比”,它的试验点并没有能做到充分“均匀分散”；为了达到“整齐可比”，试验点的数目就必须比较多。若在一项试验中有s个因素，每个因素各有q水平，用正交试验安排试验，则至少要作个q2试验，当q较大时，将更大，使实验工作者望而生畏。例如，当q=12时，q2=144，对大多数实际问题，要求做144次试验是太多了！每一个方法都有其局限性，正交试验也不例外，它只宜于用于水平数不多的试验中。为了保证“整齐可比”的特点，正交设计必须至少要求做q2次试验。若要减少试验的数目，只有去掉整齐可比的要求。均匀设计就是只考虑试验点在试验范围内均匀散布的一种试验设计方法。中国科学家巧妙的将“数论方法”和“统计试验设计”相结合，发明了均匀设计法。均匀设计法诞生於１９７８年。由中国著名数学家方开泰教授和王元院士合作共同发明。华罗庚王元均匀设计只考虑试验点在试验范围内充分“均匀散布”而不考虑“整齐可比”,因此它的试验布点的均匀性会比正交设计试验点的均匀性更好，使试验点具有更好的代表性。由于这种方法不再考虑正交设计中为“整齐可比”而设置的实验点，因而大大减少了试验次数，这是它与正交试验设计法的最大不同之处。均匀设计的特点1）均匀设计的最大特点是试验次数等于因素的最大水平数，而不是平方的关系。如当水平数从9水平增加到10水平时，试验数n也从9增加到10。而正交设计当水平增加时，试验数按水平数的平方的比例在增加；当水平数从9到10时，试验数将从81增加到100。由于这个特点，使均匀设计更便于使用。2）每个因素的每个水平做一次且仅做一次试验。3）任两个因素的试验，画在平面的格子点上，每行每列有且仅有一个试验点。特点2）和3）反映了试验安排的“均衡性”，即对各因素，每个因素的每个水平一视同仁。5）均匀设计表任两列组成的试验方案一般并不等价。例如用U6(66)的1，3和1，6列分别画图，得图8(a)和图8(b)。我们看到，(a)的点散布比较均匀，而(b)的点散布并不均匀。•均匀设计表的这一性质和正交表有很大的不同，因此，每个均匀设计表必须有一个附加的使用表。4）把奇数表划去最后一行就得到比原奇数表少一个水平的偶数表，相应地，试验次数也少一，而使用表不变。例如，把U7（76）划去最后一行即得U6（66）。6）由于均匀设计不再考虑正交试验的整齐可比性，因此其试验安排既不能考虑交互作用，也不能估计试验误差；试验结果的分析只能采用直观分析法和回归分析方法，根据回归系数的绝对值大小，得出试验因素对指标影响的主次顺序；根据方程极值点得出最佳工艺条件。均匀设计及其应用我们通过制药工业中的一个实例,来看均匀设计表的使用方法。这就是说以阿魏酸的产量作为目标Y。阿魏酸是某些药品的主要成分，在制备过程中，我们想增加其产量。例6.3-1:阿魏酸的制备全面交叉试验要N=73=343次,太多了。建议使用均匀设计。有现成的均匀设计表，提供使用。参见:经过分析研究，挑选出因素和试验区域，为原料配比:1.0---3.4吡啶总量:10----28反应时间:0.5---3.5确定了每个因素相应的水平数为7。如何安排试验呢?“方开泰,均匀设计与均匀设计表,科学出版社(1994).”之附表1网络地址:也可以浏览如下网页因素x1原料配比x2吡碇总量(ml)x3反应时间(hr)1.0100.5水1.4131.01.8161.52.2192.0平2.6222.53.0253.03.4283.5第1步:将试验因素的水平列成下表：表6.3.1:第2步:选择相应的均匀设计表.每个均匀设计表有一个记号，它有如下的含义:Un(qs)均匀设计试验次数水平数因素的最大数例如:)7(47UNo.123411236224653362444153553126654177777)9(49UNo.1234112132254533987443695547166726771948863899852表6.3.2:表6.3.3:每个表还有一个使用表，将建议我们如何选择适当的列。其中‘偏差’为均匀性的度量值，数值小的设计表示均匀性好。例如U7(74)的使用表为,因素数列号偏差21,30.239831,2,30.372141,2,3,40.4760No.123411236224653362444153553126654177777No.1231123224633624415553166547777)47(7U表6.3.4:表6.3.2:第3步:应用选择的UD-表,做出试验安排。No.12311232246336244155531665477771.将x1,x2和x3放入列1,２和3.x1x2x32．用x1的７个水平替代第一列的1到7.1.01.41.82.22.63.03.43.对第二列，第三列做同样的替代.131.5193.0251.0102.5160.5222.0283.54.完成该设计对应的试验，得到７个结果，将其放入最后一列.y0.3300.3660.2940.4760.2090.4510.482表6.3.5:第4步:直观分析从表6.3.5中试验数据可见，第7号试验的指标值最大，第7号试验对应的条件即为较优的工艺条件，即：原料配比3.4，吡啶总量28，反应时间3.5。试验区域，为原料配比:1.0---3.4吡啶总量:10----28反应时间:0.5---3.5这些条件都是试验条件的上限，可见，还需要进行进一步的试验以寻求更佳的工艺参数。第5步:用回归模型匹配数据首先，考虑线性回归模型:RegressionAnalysis:yversusx1,x2,x3Theregressionequationisy=0.202+0.0372x1-0.00345x2+0.0769x3PredictorCoefSECoefTPConstant0.202360.099332.040.134x10.037180.038800.960.409x2-0.0034470.005173-0.670.553x30.076950.027762.770.069S=0.07033R-Sq=76.7%R-Sq(adj)=53.3%AnalysisofVarianceSourceDFSSMSFPRegression30.0487700.0162573.290.177ResidualError30.0148380.004946Total60.063608线性回归效果不佳，可能存在非线性影响，用逐步回归法拟合非线性方程：StepwiseRegression:yversusx1,x2,x3,x11,x22,x33,x12,x13,x23Alpha-to-Enter:0.15Alpha-to-Remove:0.15Responseisyon9predictors,withN=7Step1Constant0.2141x30.079T-Value3.34P-Value0.021S0.0627R-Sq69.06R-Sq(adj)62.87拟合效果不好，包括的自变量太少。增大Alpha-to-到0.3Step12345Constant0.214140.104570.062320.084830.06689x30.07920.22530.25110.23180.2400T-Value3.342.246.4111.4725.73P-Value0.0210.0890.0080.0080.025x33-0.0365-0.0600-0.0503-0.0464T-Value-1.49-5.64-8.32-15.69P-Value0.2110.0110.0140.041x130.02350.02840.0284T-Value4.8810.0722.73P-Value0.0160.0100.028x23-0.00140-0.00258T-Value-3.22-5.95P-Value0