第一步，打开Design-Expert软件
第二步，新建一个设计（File----New Design）
画面变成下图：
第三步，在左侧点击Response Surface，变成下图：
一般响应面中Central Composite是5水平，而Box-Behnken是3水平，所以选Box-Behnken，即单
击左侧的Box-Behnken设计方法，变成下图：
第四步，由于是三因素三水平，所以在Numeric Factors 这一栏选择“3”，表示3因素，并在下表中改好名字，填好单位；把-1水平和+1水平分别填上。如皂土用量
-1为2.5mL，+1为4.5mL。如下图：
注：其他所有选项都不需要改。
第五步，点击右下角“continue”键，进入下一页面：这里是响应值，对应本次实验里的透光率，把名字改好，单位填上，如图：
第六步，点击“continue”键，进入实验设计表格：
根据具体的实验条件将实验值一个一个地填上（实验值也就是从对应的实验条件下获得的真实数据），得到
第七步，对数据进行分析。对我们有用的是左侧的“Analysis”项，点击它，得到：
可以先大致看一下，然后点响应值“透光率”，也就是“Analysis”的子菜单。得到图：
不管，点击第二个“summary”，得到：
这里有一些数据模型的基本信息，基本上不怎么用得到，可以看一下。然后继续点击“Model”，得到：
基本上也不用管，继续点击“ANOV A”，得到：
这里才有我们需要的东西，比如显著性，数学模型等等，很多论文中的表格、方差分析都是从这里来的，这一项很有用，可以慢慢看。
然后再继续，点击“Diagnostics”，这里基本上是关于
数据分散性的，用处不大。
有3D图和等高线图的地方。如图：
如果点击“Model Graphs”没有出现3D图，可以点击菜单栏的view，找出“3D Surface”，点击，就可以出来了。同理，要想出等高线图，可以在菜单栏的view
中找出“Contour”，点击即可，即：
以上是响应面的基本信息及基本出图，下面是如何用响应面做最优条件的选择。
首先，点击左侧的“Optimization”，有一些基本提示，
如图：
点击“Optimization”下的“Numerical”，得到：
这里是要我们给出一些条件，比如“Goal”里有maximize，minimize等，根据需要进行选择。
在皂土用量这一项上，我们可以用“in range”，上下限都已经设好了，分别是2.5和4.5，如果有需要可以改，比如可以将上限改成3.0或者3.5等，由于实验范
围是2.5-4.5，所以不做改动。如图：
同理，分别设定温度和时间：
在透光率这一项上，我们需要的是越大越好，所以要选择maximize。上限可以设置到100%，如图：
完成这几项的设置后，点击上面的“Solutions”，如下图。这就是软件给出的各种符合要求的最佳方案。Desirability这一列表示该值越大，实验结果越令人满意。所以一般都选Desirability最大值的那一个方案。由表可以看出，第一个方案是最好的，即
上面就是使用响应面的基本的东西了，至于文献中的表2中的预测值，现在我还是不知道他是怎么来的…不过软件倒是可以给出各种最佳实验方案的预测值，可以直接点击左边“Optimization”下的“Point
Prediction ”得出。
如上图中就是方案1里最优条件下的预测值，为94.375%。
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 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。
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………… 2注意事项 对于构造高阶响应面，主要有以下两个问题： 1，抽样数量将显著增加，此外，普通的实验设计也将更糟。 2，高阶响应面容易产生振动。 响应面法(response surface methodology，记为RSM)最早是由数学家Box和Wilson于1951年提出来的。就是通过一系列确定性的“试验”拟合一个响应面来模拟真实极限状态曲面。其基本思想是假设一个包括一些未知参量的极限状态函数与基本变量之间的解析表达式代替实际的不能明确表达的结构极限状态函数。响应面方法是一项统计学的综合试验技术，用于处理几个变量对一个体系或结构的作用问题，也就是体系或结构的输入(变量值)与输出(响应)的转换关系问题。现用两个变量来说明:结构响应Z与变量x1,x2具有未知的、不能明确表达的函数关系Z=g(x1,x2)。要得到“真实”的函数通常需要大量的模拟，而响应面法则是用有限的试验来回归拟合一个关系Z= g’(x1,x2)，并以此来代替真实曲面Z=g(x1,x2)，将功能函数表示成基本随机变量的显示函数，应用于可靠度分析中。响应面方法实际上源于一种试验设计方法，试验设计方法是用来研究设计参数对模型设计状况影响的一种取样策略，决定了构造近似模型所需样本点的个数和这些点的空间分布情况。目前广泛应用于计算机仿真试验设计的主要方法是拉丁超立方体抽样和均匀设计，这两种试验设计能应用于多种多样的模型，且对模型的变化具有稳健性。 3响应面分析
目录 响应曲面法概述 (2) 简介 (2) 方法说明 (2) 适用范围 (2) 响应曲面分析常用方法 (2) 一、中心复合试验设计 (2) 二、Box-Behnken试验设计 (6) 分析响应曲面设计的一般步骤 (7) 模型拟合 (7) 模型诊断 (7) 模型分析解释 (8)
响应曲面法概述 简介 随着计算机技术的飞速发展，数值计算科学的不断深入，工程计算的模型越来越复杂，算规模越来越大,所花费的机时越来越长。同时，许多工程问题的目标函数和约束函数对于设计变量经常是不光滑的或者具有强烈的非线性。这样,科学家和工程师都希望寻找新的高效可靠的数学规划方法以满足工程优化计算的需要。一个渐进近似的优化方法能很好地解决这种既耗机时又非光滑的优化问题，它就是响应面法(Response Surface Methodology ，简称：RSM)。 RSM是数学方法和统计方法结合的产物，是用来对所感兴趣的响应受多个变量影响的问题进行建模和分析的,其最终目的是优化该响应值。由于RSM把仿真过程看成一个黑匣子，能够较为简便地与随机仿真和确定性仿真问题结合起来，所以得到了非常广泛的应用。近十多年来，由于统计学在各个领域中的发展和应用，RSM的应用领域进一步拓宽，对RSM感兴趣的科学工作者也越来越多，许多学者对响应面法进行了研究。RSM的应用领域不再仅仅局限于化学工业,在生物学、医学以及生物制药领域都得到了广泛应用。同时，食品学、工程学、生态学等方面也都涉及到了响应面法的应用。 方法说明 响应曲面设计方法（Response Surface Methodology，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。 适用范围 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； 4、试验区域已接近最优区域； 5、基于2水平的全因子正交试验。 响应曲面分析常用方法 一、中心复合试验设计 中心复合设计（central composite design, CCD）是在2水平全因子和分部试验设计的基础上发展出来的一种试验设计方法，它是2水平全因子和分部试验设计的拓展。通过对2水平试验增加一个设计点（相当于增加了一个水平），从而可以对评价指标（输出变量）和因素间的非线性关系进行评估。它常用于在需要对因素的非线性影响进行测试的试验。
学校 食品科学研究中实验设计的案例分析 —响应面法优化超声波辅助酶法制备燕麦ACE抑制肽的工艺研究 摘要：选择对ACE 抑制率有显著影响的四个因素：超声波处理时间(X1)、超声波功率(X2)、超声波水浴温度(X3)和酶解时间(X4)，进行四因素三水平的响应面分析试验，经过Design-Expert优化得到最优条件为超声波处理时间28.42min、超声波功率190.04W、超声波水浴温度55.05℃、酶解时间2.24h，在此条件下燕麦ACE 抑制肽的抑制率87.36%。与参考文献SAS软件处理的结果中比较差异很小。 关键字：Design-Expert 响应面分析 1.比较分析 表一响应面试验设计 因素 水平 -1 0 1 超声波处理时间X1(min) 20 30 40 超声波功率X2(W) 132 176 220 超声波水浴温度X3(℃) 50 55 60 酶解时间X4(h) 1 2 3 2.Design-Expert响应面分析 分析试验设计包括：方差分析、拟合二次回归方程、残差图等数据点分布图、二次项的等高线和响应面图。优化四个因素（超声波处理时间、超声波功率、超声波水浴温度、酶解时间）使响应值最大，最终得到最大响应值和相应四个因素的值。 利用Design-Expert软件可以与文献SAS软件比较，结果可以得到最优，通过上述步骤分析可以判断分析结果的可靠性。
2.1 数据的输入 图 1 2.2 Box-Behnken响应面试验设计与结果 图 2
2.3 选择模型 图 3 2.4 方差分析 图 4
在本例中，模型显著性检验p<0.05，表明该模型具有统计学意义。由图4知其自变量一次项A，B，D，二次项AC,A2,B2,C2,D2显著(p<0.05)。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0.0861>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。 图 5 由图5可知：校正决定系数R2(adj)(0.9788>0.80)和变异系数（CV）为0.51%，说明该模型只有2.12%的变异，能由该模型解释。进一步说明模型拟合优度较好,可用来对超声波辅助酶法制备燕麦ACE抑制肽的工艺研究进行初步分析和预测。
食品科学研究中实验设计的案例分析 ——响应面法优化超声辅助提取车前草中的熊果酸 班级：学号：姓名： 摘要：本文简要介绍了响应面曲线优化法的基本原理和使用步骤，并通过软件Design-Expert 7.0软件演示原文中响应面曲线优化法的操作步骤。验证原文《响应面法优化超声辅助提取车前草中的熊果酸》各个数据的处理过程，通过数据对比，检验原文数据处理的正确与否。 关键词：响应面优化法数据处理 Design-Expert 7.0 车前草 前言： 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。 原文《响应面法优化超声辅助提取车前草中的熊果酸》采用经典的三因素三水平Box-Behnken 试验设计，以熊果酸的提取率为响应值，通过回归分析各工艺参数与响应值之间的关系，并由此预测最佳的工艺条件。本文利用软件验证原文中的数据处理过程，以检验原文数据是否处理正确。 1 确定实验因素 原文利用超声波辅助提取车前草中的熊果酸，而影响熊果酸提取率的因素有很多，如超声波的功率、提取时间、溶剂温度、溶剂种类、液固比等。原文参考文献《柿叶中总三萜的提取以及熊果酸分离, 纯化研究》中提取熊果酸的方法提取熊果酸，即将干燥的车前草粉碎后过筛，取20～40 目的车前粉，用石油醚在 55℃脱脂 3 次，干燥备用。精密称取一定量的车前粉，加入一定量的乙醇，称量，在一定的超声波功率下提取一定时间后，擦干外壁，再称量，用乙醇补充缺失的质量，离心。用注射器抽取一定量上清液，过 0.45μm 滤膜，进行检测。每个实验进行 3 次平行实验。取其平均值。结果以提取率(E)的来表示。
22 响应曲面法
上海质量管理科学研究院（SAQM） 版权所有
Page 1
SAQM
关于这个模块…
响应曲面法用于拟合非线性模型以识别流程因子 (KPIV)设定， 从而产生最佳的响应变量(KPOV)，假设至少有两个显著因子。
六西格玛，一种对流程完美， 实现目标和减少变异的追求
\DataFile\RSMex3-3.mtw \DataFile\RSMex6-8.mtw \DataFile\RSM5-8.mtw \DataFile\Mx7-4.mtw \DataFile\Mx7-4a.mtw \DataFile\Mx7-5.mtw \DataFile\Mx7-6.mtw
上海质量管理科学研究院（SAQM） 版权所有
Page 2
SAQM
1
我们将学到
1. DOE 回顾 2. 响应曲面分析 – 如何开发一个代数和图表的响应变量表达式，例如有 两个显著因子的函数。 – 如何收集数据绘制等值线图及发现最速上升的路径。 3. 拟合响应曲面的实验设计。
上海质量管理科学研究院（SAQM） 版权所有
Page 3
SAQM
响应曲面策略
选择 KPOV (最高产量的点) 和相关联的肯定的 KPIVs (至少两个显著因子)。这些KPIV在实验之 前就应该肯定对KPOV有显著影响。 设计有中心点的 DOE。
实施 DOE 并评估结果。持续朝着最佳KPOV的 方向前进直到出现限制或数据显示已经达到最佳 值。
执行 DOE，使用响 应曲面设计对结果 数据绘图。
重新设定KPIV以使DOE沿着达到最佳KPOV的方 向移动。
下一个 DOE中的KPIV值应该与之前实验使用的 值有重叠。.
上海质量管理科学研究院（SAQM） 版权所有
确定达到最佳KPOV 的最速方向。
Page 4 SAQM
2
响应面法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．
响应面优化实验方案 设计
食品科学研究中实验设计的案例分析 ——响应面法优化超声辅助提取车前草中的熊果酸 班级：学号：姓名： 摘要：本文简要介绍了响应面曲线优化法的基本原理和使用步骤，并通过软件Design-Expert 7.0软件演示原文中响应面曲线优化法的操作步骤。验证原文《响应面法优化超声辅助提取车前草中的熊果酸》各个数据的处理过程，通过数据对比，检验原文数据处理的正确与否。 关键词：响应面优化法数据处理 Design-Expert 7.0 车前草 前言： 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。 原文《响应面法优化超声辅助提取车前草中的熊果酸》采用经典的三因素三水平Box-Behnken 试验设计，以熊果酸的提取率为响应值，通过回归分析各工艺参数与响应值之间的关系，并由此预测最佳的工艺条件。本文利用软件验证原文中的数据处理过程，以检验原文数据是否处理正确。 1 确定实验因素 原文利用超声波辅助提取车前草中的熊果酸，而影响熊果酸提取率的因素有很多，如超声波的功率、提取时间、溶剂温度、溶剂种类、液固比等。原文参考文献《柿叶中总三萜的提取以及熊果酸分离, 纯化研究》中提取熊果酸的方法提取熊果酸，即将干燥的车前草粉碎后过筛，取20～40 目的车前粉，用石油醚在 55℃脱脂 3 次，干燥备用。精密称取一定量的车前粉，加入一定量的乙醇，称量，在一定的超声波功率下提取一定时间后，擦干外壁，再称量，用乙醇补充缺失的质量，离心。用注射器抽取一定量上清液，过 0.45μm 滤膜，进行检测。每个实验进行 3 次平行实验。取其平均值。结果以提取率(E)的来表示。 C × V E/%= ———× 100
响应面 所谓的响应面是指响应变量η与一组输入变量（ζ1,ζ2,ζ3...ζk）之间的函数关系式：η=f(ζ1,ζ2,ζ3...ζk)。依据响应面法建立的双螺杆挤压机的统计模型可用于挤压过程的控制和挤压结果的预测。 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． 什么叫响应面法? 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．
一、采 序贯 引言： 英子 响案例：ER 有工艺设计及分 CCF 设计 采用立方体 贯性，但去响应曲面国学者Box 子区域内存在 响应呈现二次R 聚合物包衣 3 个CPPs(艺参数。 分析过程： 计 体域的三因素去掉RSM 的面设计 --- 直接二xWilson(19 在最小或最次曲面效应衣工艺（案(产品温度、素三水平C 的旋转性。实（RSM ）二阶RSM 设 951年 )正式最大响应，也应时，可以采案例来自FD 、喷速和风CCF 设计，实验设计及DOE 实 设计案例 式提出响应曲 也就是存在采用响应曲DA 中MR 风量)，通过轴向距离 及数据结果如 实例讲解 曲面的方法最优区域时曲面设计来构R 模板 ）优过 RSM 设计 =1.0，保留如下表。 解 法论。如果在时，并且因子构建模型研优化研究。确计确定最优化留RSM 设计在因 子对研究。 确定 化的计的
二、数据分析-基于标准最小于乘建模-响应Y1 1.初步模型拟合 （1）全模型建立：将所有因子均纳入模型，按照自动生成的RSM项进行自动建模，ANOV A结果如下。 ANOV A结果分析： 模型中3个主效应：风量，产品温度和喷速均是影响Y1的显著因素，其他交互作用项和二次项效应均不显著，因此模型需要进行简化。 2.模型简化-重要效应项筛选 采用逐步回归方法，以P值准入和BIC准则进行比较筛选重要效应，以建立新的数学模型。 P值准入准则筛选结果
BIC准则筛选结果 对比结果分析：从两种方法筛选重要效应关键模型参数对比来看，采用BIC 准则构建模型的R方和调整R方均更优，采用此模型可以解释更多数据。BIC 准则建立模型的RMSE值更小，表明此模型的预测误差更小。综合上述对比分析，选择BIC准则筛选的重要项纳入模型拟合。 3.模型诊断 （1）模型整体诊断 模型方差分析表中，整体模型的P值<0.01，表明整体模型有意义。 （2）异常数据诊断 计算模型中数据的COOK距离最大值为Di=0.53，这表明模型中数据没有异 常值存在，数据符合建模要求。 （3）残差诊断
食品科学研究中实验设计的案例分析 —响应面法优化超声波辅助酶法制备燕麦ACE抑制肽的工艺研究 摘要：选择对ACE 抑制率有显著影响的四个因素：超声波处理时间(X1)、超声波功率(X2)、超声波水浴温度(X3)和酶解时间(X4)，进行四因素三水平的响应面分析试验，经过Design-Expert优化得到最优条件为超声波处理时间28.42min、超声波功率190.04W、超声波水浴温度55.05℃、酶解时间2.24h，在此条件下燕麦ACE 抑制肽的抑制率87.36%。与参考文献SAS软件处理的结果中比较差异很小。 关键字： Design-Expert 响应面分析 1.比较分析 表一响应面试验设计 水平 因素 -1 0 1 超声波处理时间X1(min) 20 30 40 超声波功率X2(W) 132 176 220 超声波水浴温度X3(℃) 50 55 60 酶解时间X4(h) 1 2 3 2.Design-Expert响应面分析 分析试验设计包括：方差分析、拟合二次回归方程、残差图等数据点分布图、二次项的等高线和响应面图。优化四个因素（超声波处理时间、超声波功率、超声波水浴温度、酶解时间）使响应值最大，最终得到最大响应值和相应四个因素的值。 利用Design-Expert软件可以与文献SAS软件比较，结果可以得到最优，通过上述步骤分析可以判断分析结果的可靠性。 2.1 数据的输入
图 1 2.2 Box-Behnken响应面试验设计与结果 图 2 2.3 选择模型
图 3 2.4 方差分析 图 4 在本例中，模型显著性检验p<0.05，表明该模型具有统计学意义。由图4知其自变量一次项A，
1.RSM响应曲面设计的四大类型：CCC中心复合序贯设计，CCI中心复合有界设计， CCF中心复合表面设计，BB Box-Behnken设计。 既具有序贯性又具有旋转性的：CCC，只有旋转性的: CCI和BB，只有序贯性的CCF。 具有序贯性的CCC和CCF都含有8个角点（以三因子为例），不具有序贯性的CCI和BB都没经过8个角点（以三因子为例）。而8个角点是在RSM之前的全因子设计前已经有响应数据的，CCC和CCF可以利用全因子的实验数据，不需要再对角点做实验收集数据。因此，我对序贯性的理解是能否利用前面全因子角点Y 的实验数据，也即前面全因子设计的结果是否可用。 2.具有旋转性的CCC和CCI和BB，CCC可以用通过角点的外接圆球覆盖星点，CCI 可以通过角点的内接圆球覆盖星点。BB也可以用近似的圆球覆盖所有的点。所以，我对旋转性的理解是能否用一个圆球的球面和球心覆盖所有的实验点。 根据上面的描述，如果全因子是个立方体，则CCC是立方体再加个外接球，CCI 是立方体再加个内接球，CCF是立方体再加立方体六个面的中点，BB是立方体12条边的中心点。它们之间的关系也就清晰了。 其实旋转性是指实验因子水平设计结构上的特性。 在计算信息函数时，有旋转性的设计，要比没有旋转性的设计简化很多。 打个简单比方：在一个正方形的边上，任何点的定位都需要两个参数（X,Y)，然而在一个圆上，所有点的定位只需要一个参数（角度）。 CCF设计就是因为所有设计的角点和星点都不在一个圆或者类圆上，因此缺乏旋转性。 但是CCF的角点是和之前一阶设计的实验水平组合是完全相同的，所以可以沿用，因而有旋转性。 而CCI和CCC以及BB设计是旋转设计，弹CCI和BB设计是没有序贯性的。 “序贯试验”通俗点就是“连贯试验”。 用全因子2水平+N中心点试验做试探性试验，看看试验是否真的覆盖到了最高峰或最低峰（弯曲项失拟）； 若没有，则改变因子水平继续做下去，如此，直到有为止； 若真有，则接着做RSM中除去上面试验部分，新做的部分+上面做的部分=RSM试验这样就把前面试验充分利用起来，合二为一，有机连接； 这样就大大降低了试验试验次数和成本。 这就是序贯性。 和简单，用两因子的平面图比用三因子的立方图好看得多。 序贯性试验不用说了，只有前面做的实验是序贯试验的部分就保证序贯了； 有界性是指某些参数的取值X啊不能超过某个值A，而若还不变，则所取值X乘上a=1.414a=星点值，则很可能超过该禁区. 咋办？ 方案一：只把星点值缩短到面上，叫做有界试验。此时，前面做的试验就还是RSM