ccd响应面设计的概念

基于Box-Behnken设计的响应曲面法可以进行因素数在3-7个内的试验；试验次数为15-62次，在因素数相同时比中心复合设计所需的试验次数少，比较如下：

因素数：2 3 4 5 6 7

CCD： 13 20 31 52 90 -

BBD： - 15 27 46 54 62

可以评估因素的非线性影响；适用于所有因素均为计量值的试验；使用时无需多次连续试验；设计不存在轴向点。

CCD比BB实验能更好的拟合相应曲面。因为CCD的设计过程中，有很多点会超出原定的水平，所以在实验室条件下，最好做CCD.如果超出原定的水平，会发生危险，或者不容易达到，那就做BB.

三因素三水平的响应面设计分析：组数不是一定的。响应面设计中三因素三水平的基础数据是12组，之所以多于12组，是要做中心点（零点）重复试验来考察中心区域拟合情况，这个重复试验的次数是可以自己来设定的。

一般都用L9，（3，4）的正交表，但是有一点，就是该正交表有4个因素列，用来进行3因素试验时，会多出来一个空列，这个空列可以用来考察（交互作用+纯误差），用来进行4因素试验时，由于留不出空列，所以就没法估计交互作用了，仍然可以通过对每个处理设置重复来考察纯误差。

试验设计

试验设计与优化方法，都未能给出直观的图形，因而也不能凭直觉观察其最优化点，虽然能找出最优值，但难以直观地判别优化区域．为此响应面分析法（也称响应曲面法）应运而生。

响应面分析也是一种最优化方法，它是将体系的响应（如萃取化学中的萃取率）作为一个或多个因素（如萃取剂浓度、酸度等）的函数，运用图形技术将这种函数关系显示出来，以供我们凭借直觉的观察来选择试验设计中的最优化条件。

响应面设计方案

响应曲面设计方法(Response SufaceMethodology，RSM)是利用合理的试验设计方法并通过实验得到一定数据，采用多元二次回归方程来拟合因素与响应值之间的函数关系，通过对回归方程的分析来寻求最优工艺参数，解决多变量问题的一种统计方法（又称回归设计）。

响应面曲线法的使用条件有：①确信或怀疑因素对指标存在非线性影响；②因素个数2-7个，一般不超过4个；③所有因素均为计量值数据；试验区域已接近最优区域；④基于2水平的全因子正交试验。

进行响应面分析的步骤为：①确定因素及水平，注意水平数为2，因素数一般不超过4个，因素均为计量值数据；②创建“中心复合”或“Box-Behnken”设计；③确定试验运行顺序(Display Design)；④进行试验并收集数据；⑤分析试验数据；⑥优化因素的设置水平。

响应面优化法的优点：①考虑了试验随机误差②响应面法将复杂的未知的函数关系在小区域内用简单的一次或二次多项式模型来拟合，计算比较简便，是降低开发成本、优化加工条件、提高产品质量，解决生产过程中的实际问题的一种有效方法③与正交试验相比，其优势是在试验条件寻优过程中，可以连续的对

第 2 页

试验的各个水平进行分析，而正交试验只能对一个个孤立的试验点进行分析。

响应面优化法的局限性: 在使用响应面优化法之前，应当确立合理的实验的各因素和水平。因为响应面优化法的前提是设计的试验点应包括最佳的实验条件，如果试验点的选取不当，实验响应面优化法就不能得到很好的优化结果。

1 确定实验因素

2 确定因素水平范围

3 试验设计安排与结果

4 用软件(Design-Expert)对实验数据统计分析

第 3 页

由方差分析可知：模型的F=19.08，P=0.0004<0.001，表明实验所采用的二次模型是极显著的，在统计学上是有意义的。失拟项用来表示所用模型与实验拟合的程度，即二者差异的程度。本例P值为0.0855>0.05，对模型是有利的，无失拟因素存在，因此可用该回归方程代替试验真实点对实验结果进行分析。

因素A提取温度的P值<0.0001，说明因素A提取温度对提取率%的影响是极显著的。而A的2次方，B的2次方，C的2次方的P值均小于0.05，说明A2、B2、C2 对提取率均有显著影响。而因素B的P值=0.5035，因素C的P值=0.104，均大于0.05，所以因素B、因素C，即乙醇体积分

第 4 页

数和提取功率对提取率没有显著影响。

交互项AB、AC、BC的P值均大于分别为：0.0653、0.6788、0.6455，均大

于0.05，所以交互项对提取率没有显著性影响。

响应面法：通过一系列确定性实验，用多项式函数来近似隐式极限状态函数。通过合理地选取试验点和迭代策略，来保证多项式函数能够在失效概率上收敛于真实的隐式极限状态函数的失效概率。

基本思想：通过一系列确定性实验，用多项式函数来近似隐式极限状态函数。通过合理地选取试验点和迭代策略，来保证多项式函数能够在失效概率上收敛于真实的隐式极限状态函数的失效概率。适用范围：当真实的极限状态函数非线性程度不大时，线性响应面具有较高的近似精度。二次不含交叉项的响应面法(quadraticpolynomialwithoutcrossterms)　基本思想：与线性响应面法类似，只不过它选取二次不含交叉项的多项式来近似隐式功能函数。

试验设计与优化方法，都未能给出直观的图形，因而也不能凭直觉观察其最优化点，虽然能找出最优值，但难以直观地判别优化区域．为此响应面分析法（也称响应曲面法）应运而生．响应面分析也是一种最优化方法，它是将体系的响应（如萃取化学中的萃取率）作为一个或多个因素（如萃取剂浓度、酸度等）的函数，运用图形技术将这种函数关系显示出来，以供我们凭借直觉的观察来选择试验设计中的最优化条件．

显然，要构造这样的响应面并进行分析以确定最优条件或寻找最优区域，首先必须通过大量的量测试验数据建立一个合适的数学模型（建模），然后再用此数学模型作图．

建模最常用和最有效的方法之一就是多元线性回归方法．对于非线性体系可作适当处理化为线性形式．设有m个因素影响指标取值，通过次量测试验，得到n组试验数据．假设指标与因素之间的关系可用线性模型表示，则有应用均匀设计一节中的方法将上式写成矩阵式或简记为式中表示第次试验中第个因素的水平值；为建立模型时待估计的第个参数；为第次试验的量测响应（指标）值；为第次量测时的误差．应用最小二乘法即可求出模型参数矩阵B如下将B阵代入原假设的回归方程，就可得到响应关于各因素水平的数学模型，进而可以图形方式绘出响应与因素的关系图．

模型中如果只有一个因素（或自变量），响应（曲）面是二维空间中的一条曲线；当有二个因素时，响应面是三维空间中的曲面．下面简要讨论二因素响应面分析的大致过程．

在化学量测实践中，一般不考虑三因素及三因素以上间的交互作用，有理由设二因素响应（曲）面的数学模型为二次多项式模型，可表示如下：通过n次量测试验（试验次数应大于参数个数，一般认为至少应是它的3倍），以最小二乘法估计模型各参数，从而建立模型；求出模型后，以两因素水平为X坐标和y坐标，以相应的由上式计算的响应为Z坐标作出三维空间的曲面（这就是2因素响应曲面）．

应当指出，上述求出的模型只是最小二乘解，不一定与实际体系相符，也即，计算值与试验值之间的差异不一定符合要求．因此，求出系数的最小二乘估计后，应进行检验．一个简单实用的方法就是以响应的计算值与试验值之间的相关系数是否接近于1或观察其相关图是否所有的点都基本接近直线进行判别．如果以表示响应试验值，为计算值，则两者的相关系数R定义为其中对于二因素以上的试验，要在三维以上的抽象空间才能表示，一般先进行主成分分析进行降维后，再在三维或二维空间中加以描述．等等…………