Response-Surface-Methodik (RSM, Wirkungsflächen)

RSM erzeugt einen zentral zusammengesetzten Versuchsplan (CCD), einen Box-Behnken- oder D-optimalen Versuchsplan für stetige Faktoren, passt ein vollquadratisches Modell mit ANOVA samt Lack-of-Fit an und liefert kanonische Analyse, Höhenlinien- und Flächendiagramme sowie einen Desirability-Optimierer. Einsatz, wenn eine gekrümmte Zielgröße erwartet wird. Planen Sie wiederholte Zentralpunkte ein, randomisieren Sie die Versuchsreihenfolge und prüfen Sie Residuen und Lack-of-Fit, bevor Sie dem Optimum vertrauen.

Zuletzt geprüft

Kernaussage

Die Response-Surface-Methodik (RSM) modelliert eine über stetigen Faktoren gekrümmte Zielgröße mit einem quadratischen Modell, um die Faktoreinstellungen zu finden, die die Zielgröße maximieren, minimieren oder auf einen Zielwert bringen.

Auf dieser Seite
  1. Was ist ein Response-Surface-Versuchsplan?
  2. Wann wird ein Response-Surface-Versuchsplan eingesetzt?
    1. Anforderungen an die Daten
    2. Hinweise zur Datenerhebung
    3. Modellanpassung
  3. Hinweise zur richtigen Anwendung des Response-Surface-Versuchsplans
    1. Alternativen: Wann Sie keinen Response-Surface-Versuchsplan verwenden sollten
  4. Beispiel für einen Response-Surface-Versuchsplan
  5. Anleitung: Response-Surface-Versuchsplan erstellen

Was ist ein Response-Surface-Versuchsplan?

Die Response-Surface-Methodik (RSM, Wirkungsflächenmethodik) ist eine Sammlung statistischer und mathematischer Verfahren, mit denen eine Zielgröße modelliert und optimiert wird, von der man annimmt, dass sie über den Bereich eines oder mehrerer stetiger Faktoren gekrümmt verläuft – und sich nicht nur linear ändert. Sie passt ein quadratisches Modell an, um die Form der Wirkungsfläche zu schätzen und die Faktoreinstellungen zu finden, die die Zielgröße maximieren, minimieren oder auf einen Zielwert bringen.

In Zometric erzeugt das Werkzeug Response Surface Design aus den von Ihnen angegebenen Faktoren und Grenzen einen zentral zusammengesetzten Versuchsplan (CCD), einen Box-Behnken- oder einen D-optimalen Versuchsplan, passt ein vollquadratisches Modell an Ihre Ergebnisse an (mit ANOVA im Minitab-Stil einschließlich Lack-of-Fit) und bietet eine kanonische Analyse (stationärer Punkt), Höhenlinien- und Flächendiagramme sowie einen Desirability-Optimierer für mehrere Zielgrößen, um die besten Faktoreinstellungen zu finden.

Wann wird ein Response-Surface-Versuchsplan eingesetzt?

Anforderungen an die Daten

  • Alle Faktoren müssen stetig und numerisch sein – kategoriale Faktoren werden für die Versuchsplantypen CCD, Box-Behnken und D-optimal nicht unterstützt.
  • Für CCD oder D-optimal sind mindestens 2 Faktoren erforderlich; Box-Behnken erfordert 3 bis 7 Faktoren.
  • Die Zielgröße muss stetig sein und im untersuchten Bereich voraussichtlich eine Krümmung zeigen – eine rein lineare Zielgröße benötigt kein quadratisches Modell.

Hinweise zur Datenerhebung

  • Führen Sie die Versuche in zufälliger Reihenfolge durch, damit Faktoreffekte nicht mit zeitabhängiger Drift vermengt werden.
  • Nehmen Sie Zentralpunkte auf (wiederholt im Mittelpunkt aller Faktoren) – erst sie ermöglichen der Analyse, auf Lack-of-Fit bzw. Krümmung zu testen.
  • Wählen Sie die Faktorgrenzen weit genug, um das tatsächliche Optimum zu erfassen, aber realistisch für den Prozess – ein Optimum direkt an einer Grenze sollte mit Vorsicht behandelt werden.
  • Messen Sie die Zielgröße so genau wie möglich; das quadratische Modell reagiert empfindlich auf verrauschte oder ungenaue Messungen, besonders an den Zentralpunkten, die die Schätzung des reinen Fehlers bestimmen.

Modellanpassung

  • Betrachten Sie R-sq, R-sq(adj) und R-sq(pred) gemeinsam – ein großer Abstand zwischen R-sq und R-sq(pred) deutet auf eine Überanpassung des Modells hin.
  • Prüfen Sie den Lack-of-Fit-Test in der ANOVA-Tabelle – ein signifikanter Lack-of-Fit bedeutet, dass das quadratische Modell die Daten nicht ausreichend beschreibt (erwägen Sie einen anderen Versuchsplan bzw. ein anderes Modell, oder untersuchen Sie Ausreißer).
  • Prüfen Sie die Residuendiagramme (Wahrscheinlichkeitsnetz, gegen angepasste Werte, Histogramm, gegen Reihenfolge), um zu bestätigen, dass die üblichen Regressionsvoraussetzungen erfüllt sind, bevor Sie den Ergebnissen der kanonischen Analyse oder des Optimierers vertrauen.

Hinweise zur richtigen Anwendung des Response-Surface-Versuchsplans

  • Verwenden Sie nur stetige Zielgrößen und Faktoren; dieses Verfahren dient der Modellierung von Krümmung in einer numerischen Wirkungsfläche, nicht kategorialen Ergebnissen.
  • Wählen Sie einen zentral zusammengesetzten Versuchsplan (CCD), wenn Sie einen bestehenden faktoriellen oder Screening-Versuch erweitern, um Krümmung zu modellieren; wählen Sie Box-Behnken, um extreme Kombinationen (Ecken) aller Faktoren gleichzeitig zu vermeiden; wählen Sie D-optimal, wenn die Anzahl der Versuche begrenzt ist oder die Faktorgrenzen unregelmäßig sind.
  • Nehmen Sie immer Zentralpunkte auf – ohne sie kann das Modell weder auf Lack-of-Fit testen noch den reinen Fehler schätzen.
  • Randomisieren Sie die Versuchsreihenfolge, damit zeitliche oder umgebungsbedingte Drift nicht mit den Faktoreffekten vermengt wird.
  • Prüfen Sie die ANOVA (insbesondere Lack-of-Fit) und die Residuendiagramme, bevor Sie der kanonischen Analyse, den Höhenlinien- und Flächendiagrammen oder der Ausgabe des Optimierers vertrauen – ein schlecht angepasstes Modell liefert ein irreführendes „Optimum“.
  • Nutzen Sie die kanonische Analyse, um die Art der Fläche zu verstehen (Maximum, Minimum, Sattel oder Grat), bevor Sie den stationären Punkt für bare Münze nehmen – ein Sattelpunkt ist kein echtes Optimum.
  • Nutzen Sie den Response Optimizer (Step 3), wenn Sie mehrere Zielgrößen mit unterschiedlichen, möglicherweise widersprüchlichen Zielen haben – er findet den besten Kompromiss (Gesamt-Desirability), statt nur eine Zielgröße isoliert zu optimieren.

Alternativen: Wann Sie keinen Response-Surface-Versuchsplan verwenden sollten

  • Wenn Sie nur ermitteln müssen, welche von vielen Faktoren überhaupt eine Rolle spielen (ohne Krümmung zu modellieren), verwenden Sie stattdessen Create Definitive Screening / Analyse Screening Design.
  • Wenn sich Ihre Faktoren voraussichtlich linear verhalten (keine Krümmung) und es Ihnen vor allem um Haupteffekte und Wechselwirkungen geht, verwenden Sie stattdessen Create & Analyse Factorial DoE.
  • Wenn Sie Bestandteile kombinieren, deren Anteile sich zu einer festen Summe addieren müssen, verwenden Sie stattdessen Create & Analyse Mixture DoE.
  • Wenn Ihr Ziel Robustheit gegenüber Störgrößen ist (Einstellungen, die unempfindlich gegenüber nicht beherrschbarer Streuung sind) statt der Modellierung von Krümmung, verwenden Sie stattdessen Taguchi Robust Design.
  • Wenn Sie bereits ein angepasstes Modell haben und nur nach optimalen Einstellungen suchen müssen, ohne den Versuch neu zu planen, verwenden Sie den Response Optimizer.

Beispiel für einen Response-Surface-Versuchsplan

Ein Verfahrensingenieur möchte die Ausbeute (Yield) einer chemischen Reaktion maximieren, die nach früheren faktoriellen Versuchen mit signifikanter Krümmung auf gekrümmte (nicht rein lineare) Weise von Temperatur und Druck abhängen dürfte. Für die beiden Faktoren Temperature (150–180°C) und Pressure (10–20 bar) wird ein zentral zusammengesetzter Versuchsplan (Circumscribed, Rotatable) gewählt, mit zusätzlichen Zentralpunkten zum Test auf Lack-of-Fit; die Versuche werden in zufälliger Reihenfolge durchgeführt, und für jeden wird Yield gemessen. Folgende Schritte wurden durchgeführt:

  • Die erforderlichen Daten wurden erhoben.
  • Die Daten wurden analysiert mit https://statsai.zometric.com/.
  • Den Response-Surface-Versuchsplan finden Sie unter Statistical module > DOE > Create & Analyse Response Surface Design.
  • Im Werkzeug wurden die Daten zusammen mit den Optionen für Versuchsplan und Analyse wie folgt eingegeben:
rsm-options-raw
  • Nach Ausführung des oben genannten Werkzeugs wurde folgende Ausgabe erhalten:
rsm-out-doe


Anleitung: Response-Surface-Versuchsplan erstellen

So gehen Sie vor:

  • Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
  • Wählen Sie auf der Startseite Statistical Tool > DOE > Create & Analyse Response Surface Design.
  • Definieren Sie Ihre Faktoren (Name, unterer und oberer Wert), wählen Sie einen Versuchsplantyp (CCD, Box-Behnken oder D-Optimal) und legen Sie dessen Optionen fest.
  • Klicken Sie auf Generate Design, tragen Sie Ihre gemessenen Ergebnisse (Result) in die erzeugte Versuchsmatrix ein, wählen Sie die Analyseoptionen und klicken Sie auf Analyse Design.
  • Legen Sie optional in Step 3 ein Ziel je Zielgröße fest und klicken Sie auf Optimize, um die besten Faktoreinstellungen zu finden.

Das Dashboard des Response-Surface-Versuchsplans ist in zwei Bereiche unterteilt, darunter befindet sich ein dritter Bereich für die Optimierung.

Im linken Bereich befindet sich STEP 1: Define Factors & Generate Design.

  • Factors: Die stetigen Eingangsgrößen, die Sie untersuchen möchten (z. B. Temperature, Pressure). Geben Sie für jede einen Namen sowie einen Low- und High-Wert ein.
  • Design type: Central Composite Design (CCD), Box-Behnken oder D-Optimal.
  • Face type / Alpha type (CCD only): Steuert die Geometrie der Sternpunkte – Circumscribed, Inscribed oder Face-Centered – sowie ob der Versuchsplan Rotatable oder Orthogonal ist.
  • Center points (CCD/Box-Behnken): Wie viele wiederholte Zentralpunktversuche für den Lack-of-Fit-Test aufgenommen werden.
  • Number of blocks (CCD only): Teilt den Versuchsplan in 1, 2 oder 3 Blöcke auf, wenn der Versuch über mehrere Zeiträume oder Chargen durchgeführt werden muss.
  • Model type / Number of runs (D-Optimal only): Das Modell (linear, mit Wechselwirkungen oder quadratisch), für das der Versuchsplan optimiert werden soll, und die gewünschte Anzahl der Versuche.

Im rechten Bereich befindet sich STEP 2: Enter Results & Analyse mit folgenden Optionen:

  • Confidence level: Das prozentuale Konfidenzniveau für die Konfidenzintervalle der Koeffizienten in der Ergebnistabelle.
  • Canonical analysis (stationary point): Gibt die Art der Fläche (Maximum, Minimum, Sattel oder Grat) und die Faktoreinstellungen an ihrem stationären Punkt aus.
  • Four in one / Histogram / Normal probability plot / Versus fits / Versus order: Diagramme zur Residuendiagnose, um zu bestätigen, dass die Modellanpassung stimmig ist.
  • Contour plot / Surface plot / Overlaid contour plot: Visualisiert die angepasste Wirkungsfläche über zwei gewählte Faktoren (festgelegt über X1/X2 axis factor #), wobei die übrigen auf ihrem Zentralwert gehalten werden.
  • Response low / Response high: Für das überlagerte Höhenliniendiagramm – der zulässige Bereich der Zielgröße, der als zulässig schattiert wird.
  • Download as Excel: Exportiert Versuchsplan, Ergebnisse, Koeffizienten und ANOVA in eine Excel-Arbeitsmappe.

Darunter befindet sich schließlich STEP 3: Response Optimizer. Dort legen Sie je Zielgröße Goal (Maximize, Minimize oder Target), Lower, Target, Upper, Weight und Importance fest und klicken dann auf Optimize, um die Faktoreinstellungen zu finden, die alle Zielgrößen gleichzeitig am besten erfüllen (Gesamt-Desirability).

rsm-optimizer-out


Häufig gestellte Fragen

CCD, Box-Behnken oder D-optimal: Welchen Versuchsplan sollte man wählen?

Wählen Sie einen zentral zusammengesetzten Versuchsplan, wenn Sie einen bestehenden faktoriellen oder Screening-Versuch erweitern, um Krümmung zu modellieren. Wählen Sie Box-Behnken, um extreme Eckkombinationen aller Faktoren gleichzeitig zu vermeiden; dafür sind 3 bis 7 Faktoren nötig. Wählen Sie D-optimal, wenn die Anzahl der Versuche begrenzt ist oder die Faktorgrenzen unregelmäßig sind. CCD und D-optimal erfordern mindestens 2 Faktoren.

Warum sind Zentralpunkte in einem Response-Surface-Versuchsplan nötig?

Zentralpunkte, wiederholt im Mittelpunkt aller Faktoren, ermöglichen der Analyse, auf Lack-of-Fit und Krümmung zu testen und den reinen Fehler zu schätzen. Ohne sie kann das Modell nicht auf Lack-of-Fit testen. Messen Sie die Zielgröße so genau wie möglich, besonders an den Zentralpunkten, da diese die Schätzung des reinen Fehlers bestimmen.

Wie prüft man die Anpassung eines RSM-Modells?

Betrachten Sie R-sq, R-sq(adj) und R-sq(pred) gemeinsam; ein großer Abstand zwischen R-sq und R-sq(pred) deutet auf Überanpassung hin. Ein signifikanter Lack-of-Fit-Test bedeutet, dass das quadratische Modell die Daten nicht ausreichend beschreibt. Prüfen Sie die Residuendiagramme, bevor Sie der kanonischen Analyse, den Höhenliniendiagrammen oder dem Optimierer vertrauen, denn ein schlecht angepasstes Modell liefert ein irreführendes Optimum.

Was sagt die kanonische Analyse in der RSM aus?

Die kanonische Analyse gibt die Art der Fläche aus – Maximum, Minimum, Sattel oder Grat – sowie die Faktoreinstellungen an ihrem stationären Punkt. Prüfen Sie die Art, bevor Sie den stationären Punkt für bare Münze nehmen, denn ein Sattelpunkt ist kein echtes Optimum. Bei mehreren Zielgrößen findet der Response Optimizer in Zometric Statistical Software den besten Kompromiss über die Gesamt-Desirability.