Optymalizacja procesu technologicznego z wykorzystaniem planowanego eksperymentu

Modelowanie procesów technologicznych stawia wciąż nowe wyzwania ośrodkom badawczym w problematyce, dotyczącej w szczególności aspektów matematycznych. W pracy podjęto w oparciu o wybrany proces technologiczny zagadnienie jego opisu fizycznego, w którym najogólniej były wielkości badane (poprzez zmienne niezależne) i wielkości wynikowe (jako zmienne zależne). Zaproponowane modele matematyczne dla wielu zmiennych odpowiadają równaniu (wielomianowemu) drugiego stopnia. Celem zaś identyfikacji szczegółowej postać modelu zaproponowano odpowiednio trzypoziomowy plan eksperymentu. W przykładowych rozważaniach przyjęto funkcję regresji dla czterech zmiennych niezależnych. Otrzymane równanie regresji dla zmiennych niezależnych i zależnych zweryfikowano statystycznie parametrami tj. współczynnikiem regresji wielokrotnej, testem Snedocora oraz t-Studenta. Finalna postać statystyczna modelu posłużyła do znalezienia warunków jego optymalizacji. Otrzymane punkty ekstremalne oraz ekstremalna wartość funkcji (MIN, MAX) pozwalają wskazać najistotniejsze warunki realizacji procesu technologicznego. Przedstawiona metodyka może być wykorzystana dla dowolnie zróżnicowanych modeli matematycznych drugiego stopnia z uwagi na możliwość analitycznego rozwiązania zagadnienia optymalizacji.

---

Modelling of technological processes constantly poses new challenges to research centres in issues related to the peculiarity of mathematical aspects. In the paper, on the basis of the selected technological process, the problem of its physical description was undertaken, in which most generally there were examined quantities (through independent variables) and resultant quantities (as dependent variables). The proposed mathematical models for many variables correspond to the (polynomial) second degree equation. In order to identify the detailed form of the model, a three-level plan of the experiment was proposed accordingly. In the exemplary considerations, a regression function was adopted for four independent variables. The obtained regression equation for independent and dependent variables was verified statistically by parameters, i.e. the multiple regression coefficient, the Snedocor test and the t- Student test. The final statistical form of the model was used to find the conditions for its optimization. The obtained extreme points and the extreme value of the function (MIN, MAX) allow to indicate the most important conditions for the implementation of the technological process. The presented methodology can be used for any of the most diversesecond degree mathematical models due to the possibility of analytical solution of the optimization problem.