响应曲面方法(RSM)

RSM 为连续因子生成 Central Composite、Box-Behnken 或 D-Optimal 设计,拟合含失拟检验的完整二次模型和 ANOVA,并给出典型分析、等高线图和曲面图以及满意度优化器。当预期响应呈曲线变化时使用。应包含重复的中心点、随机化运行顺序,并在信任最优解之前检查残差和失拟。

最后审阅

核心要点

响应曲面方法(RSM)通过拟合二次模型,对随连续因子呈曲线变化的响应建模,以找出使响应最大化、最小化或达到目标值的因子设置。

本页内容
  1. 什么是响应曲面设计?
  2. 何时使用响应曲面设计?
    1. 数据要求
    2. 数据收集指南
    3. 模型拟合
  3. 正确使用响应曲面设计的指南
    1. 替代方法:何时不宜使用响应曲面设计
  4. 响应曲面设计示例
  5. 如何进行响应曲面设计

什么是响应曲面设计?

响应曲面方法(RSM)是一组统计和数学技术,用于对在一个或多个连续因子范围内被认为呈曲线变化(而不仅仅是线性变化)的响应进行建模和优化。它拟合二次模型,以估计响应曲面的形状,并找出使响应最大化、最小化或达到目标值的因子设置。

在 Zometric 中,响应曲面设计工具根据您指定的因子和范围生成 Central Composite(CCD)、Box-Behnken 或 D-Optimal 设计,对您的结果拟合完整的二次模型(含 Minitab 风格的 ANOVA,包括失拟检验),并提供典型分析(驻点分析)、等高线图/曲面图,以及用于找出最佳因子设置的多响应满意度优化器。

何时使用响应曲面设计?

数据要求

  • 所有因子必须为连续型数值变量——CCD/Box-Behnken/D-Optimal 设计类型不支持分类因子。
  • CCD 或 D-Optimal 至少需要 2 个因子;Box-Behnken 需要 3 至 7 个因子。
  • 响应变量必须为连续型,并预期在所研究的范围内呈现曲率——纯线性响应不需要二次模型。

数据收集指南

  • 按随机顺序运行设计,以避免因子效应与随时间的漂移相混杂。
  • 包含中心点(在每个因子的中点处重复)——正是它们使分析能够检验失拟/曲率。
  • 因子范围应足够宽以涵盖真正的最优点,但对过程而言要现实可行——恰好位于边界上的最优点应谨慎对待。
  • 尽可能精确地测量响应;二次模型对噪声大或不精确的测量很敏感,尤其是在决定纯误差估计的中心点处。

模型拟合

  • 综合查看 R-sq、R-sq(adj) 和 R-sq(pred)——R-sq 与 R-sq(pred) 之间差距很大,表明模型过拟合。
  • 检查 ANOVA 表中的失拟检验——显著的失拟意味着二次模型不能充分描述数据(可考虑采用其他设计/模型,或调查异常值)。
  • 查看残差图(正态概率图、残差对拟合值图、直方图、残差对顺序图),确认标准回归假设成立,再信任典型分析或优化器的结果。

正确使用响应曲面设计的指南

  • 仅使用连续型响应变量和因子变量;该方法用于对数值型响应曲面的曲率建模,不适用于分类结果。
  • 在扩展现有的因子/筛选试验以对曲率建模时,选择 Central Composite Design(CCD);若要避免所有因子同时处于极端(角点)组合,选择 Box-Behnken;当运行次数受限或因子范围不规则时,选择 D-Optimal。
  • 务必包含中心点——没有中心点,模型就无法检验失拟或估计纯误差。
  • 随机化运行顺序,以防止随时间或环境的漂移与因子效应相混杂。
  • 在信任典型分析、等高线图/曲面图或优化器输出之前,先查看 ANOVA(尤其是失拟检验)和残差图——拟合不佳的模型会产生具有误导性的“最优解”。
  • 在直接采信驻点之前,先用典型分析了解所得曲面的类型(极大、极小、鞍点或脊线)——鞍点不是真正的最优点。
  • 当有多个目标各不相同、甚至可能相互冲突的响应时,使用 Response Optimizer(Step 3)——它会找出最佳折中方案(综合满意度),而不是孤立地只优化某一个响应。

替代方法:何时不宜使用响应曲面设计

  • 如果只需要识别众多因子中哪些重要(而不是对曲率建模),请改用创建与分析确定性筛选设计。
  • 如果预期因子呈线性变化(无曲率),且主要关心主效应和交互作用,请改用创建与分析全因子试验 (DOE)。
  • 如果混合的各成分比例之和必须为固定总量,请改用创建与分析混料试验 (DOE)。
  • 如果目标是对噪声因子的稳健性(找出对不可控变异不敏感的设置),而不是对曲率建模,请改用 Taguchi 稳健设计。
  • 如果已有拟合好的模型,只需搜索最优设置而不必重新设计试验,请使用 Response Optimizer。

响应曲面设计示例

一名过程工程师希望使某化学反应的收率(Yield)最大化。根据先前显示出显著曲率的因子试验,认为收率以曲线(而非纯线性)方式取决于温度(Temperature)和压力(Pressure)。针对温度(150–180°C)和压力(10–20 bar)这两个因子,选用了 Central Composite Design(Circumscribed,Rotatable),并增加中心点以检验失拟;试验按随机顺序运行,并测量每次的收率。采取的步骤如下:

  • 收集所需数据。
  • 借助 https://statsai.zometric.com/分析数据。
  • 要找到响应曲面设计,请选择 Statistical module > DOE > Create & Analyse Response Surface Design.
  • 在工具中,输入数据以及设计和分析选项,如下所示:
rsm-options-raw
  • 使用上述工具后,得到的输出如下:
rsm-out-doe


如何进行响应曲面设计

操作步骤如下:

  • 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
  • 在首页选择 Statistical Tool > DOE > Create & Analyse Response Surface Design。
  • 定义因子(名称、低水平、高水平),选择设计类型(CCD、Box-Behnken 或 D-Optimal),并设置其选项。
  • 点击 Generate Design,将测得的 Result 输入生成的运行矩阵,选择分析选项,然后点击 Analyse Design。
  • 也可以在 Step 3 中为每个响应设置目标,然后点击 Optimize 找出最佳因子设置。

在响应曲面设计的工具界面中,窗口分为两个部分,下方还有用于优化的第三个面板。

左侧为 STEP 1: Define Factors & Generate Design。

  • Factors: 希望研究的连续输入(例如 Temperature、Pressure)。为每个因子输入名称、Low 和 High 值。
  • Design type: Central Composite Design (CCD)、Box-Behnken 或 D-Optimal。
  • Face type / Alpha type (CCD only): 控制轴向点的几何形状——Circumscribed、Inscribed 或 Face-Centered,以及设计是 Rotatable 还是 Orthogonal。
  • Center points (CCD/Box-Behnken): 包含多少次重复的中心点运行,用于失拟检验。
  • Number of blocks (CCD only): 如果试验必须在多个时间段或批次中运行,则将设计拆分为 1、2 或 3 个区组。
  • Model type / Number of runs (D-Optimal only): 设计应针对其进行优化的模型(线性、交互作用或二次),以及所需的运行次数。

右侧为 STEP 2: Enter Results & Analyse,并提供以下选项:

  • Confidence level: 结果表中系数置信区间所用的置信水平百分比。
  • Canonical analysis (stationary point): 报告曲面的类型(极大、极小、鞍点或脊线)及其驻点处的因子设置。
  • Four in one / Histogram / Normal probability plot / Versus fits / Versus order: 残差诊断图,用于确认模型拟合是否可靠。
  • Contour plot / Surface plot / Overlaid contour plot: 在所选的两个因子(由 X1/X2 axis factor # 指定)上可视化拟合的响应曲面,其余因子保持在其中心值。
  • Response low / Response high: 用于叠加等高线图——将可接受的响应范围着色为可行区域。
  • Download as Excel: 将设计、结果、系数和 ANOVA 导出到 Excel 工作簿。

最后,下方为 STEP 3: Response Optimizer,在此为每个响应设置 Goal(Maximize、Minimize 或 Target)、Lower、Target、Upper、Weight 和 Importance,然后点击 Optimize,找出能同时最好地满足所有响应的因子设置(综合满意度)。

rsm-optimizer-out


常见问题

CCD、Box-Behnken 与 D-Optimal:应选择哪种设计?

在扩展现有的因子或筛选试验以对曲率建模时,选择 Central Composite Design。若要避免所有因子同时处于极端的角点组合,选择 Box-Behnken;它需要 3 至 7 个因子。当运行次数受限或因子范围不规则时,选择 D-Optimal。CCD 和 D-Optimal 至少需要 2 个因子。

为什么响应曲面设计需要中心点?

在每个因子的中点处重复的中心点,使分析能够检验失拟和曲率,并估计纯误差。没有中心点,模型就无法检验失拟。尽可能精确地测量响应,尤其是在中心点处,因为它们决定纯误差估计。

如何检查 RSM 模型的拟合?

综合查看 R-sq、R-sq(adj) 和 R-sq(pred);R-sq 与 R-sq(pred) 之间差距很大,表明过拟合。显著的失拟检验意味着二次模型不能充分描述数据。在信任典型分析、等高线图或优化器之前,先检查残差图,因为拟合不佳的模型会给出具有误导性的最优解。

RSM 中的典型分析能告诉您什么?

典型分析报告曲面的类型(极大、极小、鞍点或脊线)及其驻点处的因子设置。在直接采信驻点之前先检查类型,因为鞍点不是真正的最优点。对于多个响应,Zometric Statistical Software 中的响应优化器通过综合满意度找出最佳折中方案。