Responsoppervlakmethodologie (RSM)
RSM genereert een Central Composite-, Box-Behnken- of D-Optimal-ontwerp voor continue factoren, fit een volledig kwadratisch model met ANOVA inclusief lack-of-fit, en geeft canonische analyse, contour- en oppervlakteplots en een desirability-optimalisator. Gebruik RSM wanneer de respons naar verwachting kromt. Neem gerepliceerde centrumpunten op, randomiseer de runvolgorde en controleer residuen en lack-of-fit voordat u het optimum vertrouwt.
Laatst beoordeeld
Belangrijkste conclusie
Responsoppervlakmethodologie (RSM) modelleert een respons die over continue factoren kromt met een kwadratisch model, om de factorinstellingen te vinden die de respons maximaliseren, minimaliseren of op een doelwaarde brengen.
Op deze pagina
Wat is een responsoppervlakontwerp?
Responsoppervlakmethodologie (RSM) is een verzameling statistische en wiskundige technieken om een respons te modelleren en te optimaliseren waarvan wordt aangenomen dat ze kromt, en niet alleen lineair varieert, over het bereik van een of meer continue factoren. Ze fit een kwadratisch model om de vorm van het responsoppervlak te schatten en de factorinstellingen te vinden die de respons maximaliseren, minimaliseren of op een doelwaarde brengen.
In Zometric genereert de tool Response Surface Design een Central Composite- (CCD), Box-Behnken- of D-Optimal-ontwerp op basis van de factoren en grenzen die u opgeeft, fit een volledig kwadratisch model aan uw resultaten (met ANOVA in Minitab-stijl, inclusief Lack-of-Fit), en biedt canonische analyse (stationair punt), contour-/oppervlakteplots en een desirability-optimalisator voor meerdere responsen om de beste factorinstellingen te vinden.
Wanneer gebruikt u een responsoppervlakontwerp?
Gegevensvereisten
- Alle factoren moeten continu en numeriek zijn: categorische factoren worden niet ondersteund voor de ontwerptypen CCD/Box-Behnken/D-Optimal.
- Voor CCD of D-Optimal zijn minimaal 2 factoren vereist; Box-Behnken vereist 3 tot 7 factoren.
- De responsvariabele moet continu zijn en naar verwachting kromming vertonen over het onderzochte bereik: een zuiver lineaire respons heeft geen kwadratisch model nodig.
Richtlijnen voor gegevensverzameling
- Voer het ontwerp in willekeurige volgorde uit om te voorkomen dat factoreffecten worden vermengd met tijdgebonden drift.
- Neem centrumpunten op (gerepliceerd op het middelpunt van elke factor): daarmee kan de analyse toetsen op lack-of-fit / kromming.
- Houd de factorgrenzen breed genoeg om het ware optimum te omvatten, maar realistisch voor het proces: een optimum dat precies op een grens ligt, moet voorzichtig worden behandeld.
- Meet de respons zo nauwkeurig mogelijk; het kwadratische model is gevoelig voor ruisige of onnauwkeurige metingen, vooral bij centrumpunten, die de schatting van de zuivere fout bepalen.
Modelfit
- Bekijk R-sq, R-sq(adj) en R-sq(pred) samen: een groot verschil tussen R-sq en R-sq(pred) wijst op overfitting van het model.
- Controleer de Lack-of-Fit-toets in de ANOVA-tabel: een significante Lack-of-Fit betekent dat het kwadratische model de gegevens niet adequaat beschrijft (overweeg een ander ontwerp/model, of onderzoek uitschieters).
- Bekijk de residuplots (normale waarschijnlijkheid, versus fits, histogram, versus volgorde) om te bevestigen dat de standaardaannames van regressie gelden voordat u de resultaten van de canonische analyse of de optimalisator vertrouwt.
Richtlijnen voor correct gebruik van een responsoppervlakontwerp
- Gebruik alleen continue respons- en factorvariabelen; deze methode is bedoeld om kromming in een numeriek responsoppervlak te modelleren, niet voor categorische uitkomsten.
- Kies Central Composite Design (CCD) wanneer u een bestaand factorieel/screeningexperiment uitbreidt om kromming te modelleren; kies Box-Behnken om extreme (hoek)combinaties van alle factoren tegelijk te vermijden; kies D-Optimal wanneer u een beperkt aantal runs of onregelmatige factorgrenzen hebt.
- Neem altijd centrumpunten op: zonder die kan het model niet toetsen op lack-of-fit of de zuivere fout schatten.
- Randomiseer de runvolgorde om te voorkomen dat tijdgebonden of omgevingsdrift de factoreffecten vermengt.
- Bekijk de ANOVA (vooral Lack-of-Fit) en de residuplots voordat u de canonische analyse, de contour-/oppervlakteplots of de uitvoer van de optimalisator vertrouwt: een slecht passend model geeft een misleidend “optimum”.
- Gebruik de Canonical Analysis om het type oppervlak te begrijpen (maximum, minimum, zadel of rug) voordat u het stationaire punt zonder meer aanneemt: een zadelpunt is geen echt optimum.
- Gebruik de Response Optimizer (Step 3) wanneer u meerdere responsen met verschillende, mogelijk tegenstrijdige doelen hebt: die vindt het beste compromis (samengestelde desirability) in plaats van slechts één respons afzonderlijk te optimaliseren.
Alternatieven: wanneer u geen responsoppervlakontwerp gebruikt
- Als u alleen wilt vaststellen welke van veel factoren er echt toe doen (niet om kromming te modelleren), gebruik dan in plaats daarvan Create Definitive Screening / Analyse Screening Design.
- Als uw factoren zich naar verwachting lineair gedragen (geen kromming) en u vooral om hoofdeffecten en interacties geeft, gebruik dan in plaats daarvan Create & Analyse Factorial DoE.
- Als u ingrediënten combineert waarvan de proporties tot een vast totaal moeten optellen, gebruik dan in plaats daarvan Create & Analyse Mixture DoE.
- Als uw doel robuustheid tegen ruisfactoren is (instellingen vinden die ongevoelig zijn voor oncontroleerbare variatie) in plaats van het modelleren van kromming, gebruik dan in plaats daarvan Taguchi Robust Design.
- Als u al een gefit model hebt en alleen naar optimale instellingen wilt zoeken zonder het experiment opnieuw te ontwerpen, gebruik dan Response Optimizer.
Voorbeeld van een responsoppervlakontwerp
Een procesingenieur wil de opbrengst (Yield) van een chemische reactie maximaliseren, waarvan op basis van eerdere factoriële experimenten met significante kromming wordt aangenomen dat die op een gekromde (niet zuiver lineaire) manier van Temperature en Pressure afhangt. Voor de twee factoren Temperature (150–180°C) en Pressure (10–20 bar) wordt een Central Composite Design (Circumscribed, Rotatable) gekozen, met extra centrumpunten om te toetsen op lack-of-fit; de proeven worden in willekeurige volgorde uitgevoerd en voor elke proef wordt Yield gemeten. De volgende stappen zijn genomen:
- De benodigde gegevens verzamelen.
- De gegevens analyseren met behulp van https://statsai.zometric.com/.
- Kies voor Response Surface Design Statistical module > DOE > Create & Analyse Response Surface Design.
- Voer in de tool de gegevens samen met de ontwerp- en analyse-opties als volgt in:

- Na gebruik van bovenstaande tool de uitvoer als volgt ophalen:

Zo voert u een responsoppervlakontwerp uit
De handleiding is als volgt:
- Log in op Zometric Statistical Software op https://statsai.zometric.com/
- Kies op de startpagina Statistical Tool > DOE > Create & Analyse Response Surface Design.
- Definieer uw factoren (naam, low, high), kies een ontwerptype (CCD, Box-Behnken of D-Optimal) en stel de opties ervan in.
- Klik op Generate Design, voer uw gemeten Result(s) in de gegenereerde runmatrix in, kies analyse-opties en klik op Analyse Design.
- Stel optioneel in Step 3 een doel per respons in en klik op Optimize om de beste factorinstellingen te vinden.
Op het dashboard van Response Surface Design is het venster in twee delen verdeeld, met daaronder een derde paneel voor optimalisatie.
Aan de linkerkant staat STEP 1: Define Factors & Generate Design.
- Factors: De continue inputs die u wilt onderzoeken (bijv. Temperature, Pressure). Voer voor elke factor een naam, een Low- en een High-waarde in.
- Design type: Central Composite Design (CCD), Box-Behnken of D-Optimal.
- Face type / Alpha type (CCD only): Bepaalt de geometrie van de axiale punten: Circumscribed, Inscribed of Face-Centered, en of het ontwerp Rotatable of Orthogonal is.
- Center points (CCD/Box-Behnken): Hoeveel gerepliceerde centrumpuntruns u opneemt, voor het toetsen op lack-of-fit.
- Number of blocks (CCD only): Splitst het ontwerp in 1, 2 of 3 blokken als het experiment over meerdere tijdsperioden of batches moet worden uitgevoerd.
- Model type / Number of runs (D-Optimal only): Het model (lineair, interactie of kwadratisch) waarvoor het ontwerp moet worden geoptimaliseerd, en hoeveel runs u wilt.
Aan de rechterkant staat STEP 2: Enter Results & Analyse, samen met de volgende opties:
- Confidence level: Het betrouwbaarheidspercentage dat wordt gebruikt voor de betrouwbaarheidsintervallen van de coëfficiënten in de resultatentabel.
- Canonical analysis (stationary point): Rapporteert het type oppervlak (maximum, minimum, zadel of rug) en de factorinstellingen op het stationaire punt.
- Four in one / Histogram / Normal probability plot / Versus fits / Versus order: Diagnostische residuplots om te bevestigen dat de modelfit deugt.
- Contour plot / Surface plot / Overlaid contour plot: Visualiseert het gefitte responsoppervlak over twee gekozen factoren (opgegeven via X1/X2 axis factor #), waarbij de overige op hun middenwaarde worden gehouden.
- Response low / Response high: Voor de overlaid contour plot: het acceptabele responsbereik dat als haalbaar wordt gearceerd.
- Download as Excel: Exporteert het ontwerp, de resultaten, de coëfficiënten en de ANOVA naar een Excel-werkmap.
Ten slotte staat onderaan STEP 3: Response Optimizer, waar u per respons een Goal (Maximize, Minimize of Target), Lower, Target, Upper, Weight en Importance instelt en daarna op Optimize klikt om de factorinstellingen te vinden die alle responsen tegelijk het best bevredigen (samengestelde desirability).

Veelgestelde vragen
CCD, Box-Behnken of D-Optimal: welk ontwerp kiest u?
Kies een Central Composite Design wanneer u een bestaand factorieel of screeningexperiment uitbreidt om kromming te modelleren. Kies Box-Behnken om extreme hoekcombinaties van alle factoren tegelijk te vermijden; dat vereist 3 tot 7 factoren. Kies D-Optimal wanneer u een beperkt aantal runs of onregelmatige factorgrenzen hebt. CCD en D-Optimal vereisen minimaal 2 factoren.
Waarom zijn centrumpunten nodig in een responsoppervlakontwerp?
Centrumpunten, gerepliceerd op het middelpunt van elke factor, laten de analyse toetsen op lack-of-fit en kromming en de zuivere fout schatten. Zonder centrumpunten kan het model niet toetsen op lack-of-fit. Meet de respons zo nauwkeurig mogelijk, vooral bij centrumpunten, omdat die de schatting van de zuivere fout bepalen.
Hoe controleert u de fit van een RSM-model?
Bekijk R-sq, R-sq(adj) en R-sq(pred) samen; een groot verschil tussen R-sq en R-sq(pred) wijst op overfitting. Een significante lack-of-fit-toets betekent dat het kwadratische model de gegevens niet adequaat beschrijft. Controleer de residuplots voordat u de canonische analyse, contourplots of optimalisator vertrouwt, want een slecht passend model geeft een misleidend optimum.
Wat zegt canonische analyse in RSM u?
Canonische analyse rapporteert het type oppervlak, een maximum, minimum, zadel of rug, en de factorinstellingen op het stationaire punt. Controleer het type voordat u het stationaire punt zonder meer aanneemt, want een zadelpunt is geen echt optimum. Voor meerdere responsen vindt de responsoptimalisator in Zometric Statistical Software het beste compromis via samengestelde desirability.
