正交实验步骤：
单因素实验确定范围----选正交表（以个因子水平和表的水平一直为主，因子个数需小于表中因子数）----实验，得出结果并做方差分析（根据极差R和参数p确定影响顺序及是否显著：R越大，影响越大；p小于0.05，则显著）----根据K值确定最优组合（越大，说明越好）----对组合在实验结果中查找，并做实验验证，得出结论。
缺点：正交实验不能在给出的整个区域上找到因素和响应值之间的一个明确的函数表达式即回归方程，从而无法找到整个区域上因素的最佳组合和响应值的最优值。而且对于多因素多水平试验，仍需要做大量的试验，实施起来比较困难。理解：正交是在有限的水平上，而响应面是给出两个极值，再起范围内取所以的水平。
响应面法：PB实验+爬坡实验或单因素+正交实验（确定是否影响显著和水平范围）----实验，得出结果并做方差分析（模型显著性、失拟项、R2等）----找出最优组合（利用软件）----实验验证。
第一、二个图中响应值仍在上升，而第三个图响应值仍在下降（还有上升），说明水平取值范围没有寻找合适（不知道你是找极大值还是极小值，因此不好界定）。建议分析单因素实验数据，重新寻找合适水平范围，或通过爬坡实验确定更好。这样的曲面（1和2）对于的等高线不会出现环形的封闭曲线，从3D 图和等高线都能分析没有得到最优值。
正交实验设计 1．概述 任何生产部门，任何科学实验工作，为达到预期目的和效果都必须恰当地安排实验工作，力求通过次数不多的实验认识所研究课题的基本规律并取得满意的结果。例如为拟定一个正确而简便的分析方法，必然要研究影响这种分析方法效果的种种条件，诸如试剂浓度和用量、溶液酸度、反应时间以及共存组分的干扰等等。同时，对于影响分析效果的每一种条件，还应通过试验选择合理的范围。在这里，我们把受到条件影响的反系方法的准确度、精密度以及方法的效果等叫做指标；把试验中要研究的条件叫做因素；把每种条件在试验范围内的取值（或选取的试验点）叫做该条件的水平。这就是说我们常常遇到的问题可能包括多种因素，各种因素又有不同的水平，每种因素可能对分析结果产生各自的影响，也可能彼此交织在一起而产生综合的效果。 正交试验设计就是用于安排多因素实验并考察各因素影响大小的一种科学设计方法。它始于1942年，之后在各个领域里都得到很快的发展和广泛应用。这种科学设计方法是应用一套已规格化的表格——正交表来安排实验工作，其优点是适合于多种因素的实验设计，便于同时考查多种因素各种水平对指标的影响通过较少的实验次数，选出最佳的实验条件，即选出各因素的某一水平组成比较合适的条件，这样的条件就所考查的因素和水平而言，可视为最佳条件。另一方面，还可以帮助我们在错综复杂的因素中抓住主要因素，并判断那些因素只起单独的作用，那些因素除自身的单独作用外，它们之间还产生综合的效果。数理统计上的实验设计还能给出误差的估计。 2. 试验设计的基本方法 全面试验法 正交设计的方法，首先应根据实验的目的,确定影响实验结果的各种因素，选择这些影响因素的试验点，进而拟出实验方案，之后按所拟方案进行实验并对实验结果作出评估。必要时再拟出进一步的实验方案，使实验工作更趋完善，所得结果也更为可靠。 如在研究某一显色反应时，为选择合适的显色温度、酸度和显色完全的时间，可作如下的试验安排。 首先确定上述三因素的实验范围： 显色温度： 25——35℃ （温度以A表示） 酸浓度：——L （酸浓度以B表示）
L9（34） 序号 1 2 3 4 1 1 1 1 1 2 1 2 2 2 3 1 3 3 3 4 2 1 2 3 5 2 2 3 1 6 2 3 1 2 7 3 1 3 2 8 3 2 1 3 9 3 3 2 1 回首页 正交试验设计法 正交试验设计法的基本思想 正交表 正交表试验方案的设计 试验数据的直观分析 正交试验的方差分析 常用正交表 1．正交试验设计法的基本思想 正交试验设计法，就是使用已经造好了的表格--正交表--来安排试验并进行数据分析的一种方法。它简单易行，计算表格化，使用者能够迅速掌握。下边通过一个例子来说明正交试验设计法的基本想法。 [例1]为提高某化工产品的转化率，选择了三个有关因素进行条件试验，反应温度(A)，反应时间(B)，用碱量(C)，并确定了它们的试验范围： A：80-90℃ B：90-150分钟 C：5-7％ 试验目的是搞清楚因子A、B、C对转化率有什么影响，哪些是主要的，哪些是次要的，从而确定最适生产条件，即温度、时间及用碱量各为多少才能使转化率高。
试制定试验方案。 这里，对因子A，在试验范围内选了三个水平；因子B和C 也都取三个水平： A：Al＝80℃，A2＝85℃，A3=90℃ B：Bl＝90分，B2＝120分，B3=150分 C：Cl＝5％，C2＝6%，C3＝7% 当然，在正交试验设计中，因子可以是定量的，也可以是定性的。而定量因子各水平间的距离可以相等，也可以不相等。 这个三因子三水平的条件试验，通常有两种试验进行方法： (Ⅰ)取三因子所有水平之间的组合，即AlBlC1，A1BlC2，A1B2C1，……，A3B3C3，共有 33=27次 试验。用图表示就是图1 立方体的27个节点。这种试验法叫做全面试验法。 全面试验对各因子与指标间的关系剖析得比较清楚。但试验次数太多。特别是当因子数目多，每个因子的水平数目也多时。试验量大得惊人。如选六个因子，每个因子取五个水平时，如欲做全面试验，则需56＝15625次试验，这实际上是不可能实现的。如果应用正交实验法，只做25次试验就行了。而且在某种意义上讲，这25次试验代表了15625次试验。 图1 全面试验法取点.......... (Ⅱ)简单对比法，即变化一个因素而固定其他因素，如首先固定B、C于Bl、Cl，使A变化之： ↗A1 B1C1 →A2 ↘A3 (好结果) 如得出结果A3最好，则固定A于A3，C还是Cl，使B变化之： ↗B1 A3C1 →B2 (好结果) ↘B3 得出结果以B2为最好，则固定B于B2，A于A3，使C变化之： ↗C1 A3B2→C2 (好结果) ↘C3 试验结果以C2最好。于是就认为最好的工艺条件是A3B2C2。 这种方法一般也有一定的效果，但缺点很多。首先这种方法的选点代表性很差，如按上述方法进行试验，试验点完全分布在一个角上，而在一个很大的范围内没有选点。因此这种试验方法不全面，所选的工艺条件A3B2C2不一定是27个组合中最好的。其次，用这种方法比较条件好坏时，是把单个的试验数据拿来，进行数值上的简单比较，而试验数据中必然要包含着误差成分，所以单个数据的简单比较不能剔除误差的干扰，必然造成结论的不稳定。
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
正交实验设计法 正交实验设计法 1．正交试验设计法的基本思想 正交试验设计法，就是使用已经造好了的表格--正交表--来安排试验并进行数据分析的一种方法。它简单易行，计算表格化，使用者能够迅速掌握。下边通过一个例子来说明正交试验设计法的基本想法。 [例1]为提高某化工产品的转化率，选择了三个有关因素进行条件试验，反应温度(A)，反应时间(B)，用碱量(C)，并确定了它们的试验范围：A：80-90℃ B：90-150分钟 C：5-7％ 试验目的是搞清楚因子A、B、C对转化率有什么影响，哪些是主要的，哪些是次要的，从而确定最适生产条件，即温度、时间及用碱量各为多少才能使转化率高。试制定试验方案。 这里，对因子A，在试验范围内选了三个水平；因子B和C也都取三个水平：A：Al＝80℃，A2＝85℃，A3=90℃ B：Bl＝90分，B2＝120分，B3=150分 C：Cl＝5％，C2＝6%，C3＝7% 当然，在正交试验设计中，因子可以是定量的，也可以是定性的。而定量因子各水平间的距离可以相等，也可以不相等。 这个三因子三水平的条件试验，通常有两种试验进行方法： (Ⅰ)取三因子所有水平之间的组合，即AlBlC1，A1BlC2，A1B2C1，……，A3B3C3，共有 33=27次 试验。用图表示就是图1 立方体的27个节点。这种试验法叫做全面试验法。 全面试验对各因子与指标间的关系剖析得比较清楚。但试验次数太多。特别
是当因子数目多，每个因子的水平数目也多时。试验量大得惊人。如选六个因子，每个因子取五个水平时，如欲做全面试验，则需56＝15625次试验，这实际上是不可能实现的。如果应用正交实验法，只做25次试验就行了。而且在某种意义上讲，这25次试验代表了15625次试验。 (Ⅱ)简单对比法，即变化一个因素而固定其他因素，如首先固定B、C于Bl、Cl，使A变化之： ↗A1 B1C1 →A2 ↘A3 (好结果) 如得出结果A3最好，则固定A于A3，C还是Cl，使B变化之： ↗B1 A3C1 →B2 (好结果) ↘B3 得出结果以B2为最好，则固定B于B2，A于A3，使C变化之： ↗C1 A3B2→C2 (好结果) ↘C3 试验结果以C2最好。于是就认为最好的工艺条件是A3B2C2。 这种方法一般也有一定的效果，但缺点很多。首先这种方法的选点代表性很差，如按上述方法进行试验，试验点完全分布在一个角上，而在一个很大的范围内没有选点。因此这种试验方法不全面，所选的工艺条件A3B2C2不一定是27 个组合中最好的。其次，用这种方法比较条件好坏时，是把单个的试验数据拿来，进行数值上的简单比较，而试验数据中必然要包含着误差成分，所以单个数据的简单比较不能剔除误差的干扰，必然造成结论的不稳定。 简单对比法的最大优点就是试验次数少，例如六因子五水平试验，在不重复时，只用5+(6-1)×(5-1)＝5+5×4＝25次试验就可以了。 图1 全面试验法取点.......... 考虑兼顾这两种试验方法的优点，从全面试验的点中选择具有典型性、代表性的点，使试验点在试验范围内分布得很均匀，能反映全面情况。但我们又希望试验点尽量地少，为此还要具体考虑一些问题。
正交实验设计 当析因设计要求的实验次数太多时，一个非常自然的想法就是从析因设计的水平组合中，选择一部分有代表性水平组合进行试验。因此就出现了分式析因设计(fractional factorial designs)，但是对于试验设计知识较少的实际工作者来说，选择适当的分式析因设计还是比较困难的。 正交试验设计(Orthogonal experimental design)是研究多因素多水平的又一种设计方法，它是根据正交性从全面试验中挑选出部分有代表性的点进行试验，这些有代表性的点具备了“均匀分散，齐整可比”的特点，正交试验设计是分式析因设计的主要方法。是一种高效率、快速、经济的实验设计方法。日本著名的统计学家田口玄一将正交试验选择的水平组合列成表格，称为正交表。例如作一个三因素三水平的实验，按全面实验要求，须进行33=27种组合的实验，且尚未考虑每一组合的重复数。若按L9(3)3正交表按排实验，只需作9次，按L18(3)7正交表进行18次实验，显然大大减少了工作量。因而正交实验设计在很多领域的研究中已经得到广泛应用。 1．正交表 正交表是一整套规则的设计表格，用。L为正交表的代号，n为试验的次数， t为水平数，c为列数，也就是可能安排最多的因素个数。例如L9(34)，(表11)，它表示需作9次实验，最多可观察4个因素，每个因素均为3水平。一个正交表中也可以各列的水平数不相等，我们称它为混合型正交表，如L8(4×24) (表12)，此表的5列中，有1列为4水平，4列为2水平。根据正交表的数据结构看出，正交表是一个n行c列的表，其中第j列由数码1，2，… S j组成，这些数码均各出现N/S次，例如表11中，第二列 的数码个数为3，S=3 ，即由1、2、3组成，各数码均出现次。
正交试验设计 对于单因素或两因素试验，因其因素少，试验的设计、实施与分析都比较简单。但在实际工作中，常常需要同时考察3个或3个以上的试验因素，若进行全面试验，则试验的规模将很大，往往因试验条件的限制而难于实施。正交试验设计就是安排多因素试验、寻求最优水平组合的一种高效率试验设计方法。 1 正交试验设计的概念及原理 1.1 正交试验设计的基本概念 正交试验设计是利用正交表来安排与分析多因素试验的一种设计方法。它是由试验因素的全部水平组合中，挑选部分有代表性的水平组合进行试验的，通过对这部分试验结果的分析了解全面试验的情况，找出最优的水平组合。 例如：设计一个三因素、3水平的试验 A因素，设A1、A2、A33个水平；B因素，设B1、B2、B33个水平；C因素，设C1、C2、C3 3个水平，各因素的水平之间全部可能组合有27种。 全面试验：可以分析各因素的效应，交互作用，也可选出最优水平组合。但全面试验包含的水平组合数较多（图示的27个节点），工作量大，在有些情况下无法完成。 若试验的主要目的是寻求最优水平组合，则可利用正交表来设计安排试验。 全面试验法示意图
三因素、三水平全面试验方案 正交试验设计的基本特点是：用部分试验来代替全面试验，通过对部分试验结果的分析，了解全面试验的情况。 正因为正交试验是用部分试验来代替全面试验的，它不可能像全面试验那样对各因素效应、交互作用一一分析；当交互作用存在时，有可能出现交互作用的混杂。虽然正交试验设计有上述不足，但它能通过部分试验找到最优水平组合，因而很受实际工作者青睐。 如对于上述3因素3水平试验，若不考虑交互作用，可利用正交表L9(34)安排，试验方案仅包含9个水平组合，就能反映试验方案包
Design-Expert 软件在响应面优化法中的应用 （王世磊郑州大学450001） 摘要：本文简要介绍了响应面优化法，以及数据处理软件Design-ExpertDesign-Expert的相关知识，最后结合实例，介绍该软件在响应面优化法上的应用实例。 关键词：数据处理，响应面优化法，Design-Expert软件 1.响应面优化法简介 响应面优化法,即响应曲面法( Response Surface Methodology ，RSM)，这是一种实验条件寻优的方法，适宜于解决非线性数据处理的相关问题。它囊括了试验设计、建模、检验模型的合适性、寻求最佳组合条件等众多试验和统计技术；通过对过程的回归拟合和响应曲面、等高线的绘制、可方便地求出相应于各因素水平的响应值[1]。在各因素水平的响应值的基础上，可以找出预测的响应最优值以及相应的实验条件。 响应面优化法，考虑了试验随机误差；同时，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[2]。 响应面优化法，将实验得出的数据结果，进行响应面分析，得到的预测模型，一般是个曲面，即所获得的预测模型是连续的。与正交实验相比，其优势是：在实验条件寻优过程中，可以连续的对实验的各个水平进行分析，而正交实验只能对一个个孤立的实验点进行分析。 当然，响应面优化法自然有其局限性。响应面优化的前提是：设计的实验点应包括最佳的实验条件，如果实验点的选取不当，使用响应面优化法师不能得到很好的优化结果的。因而，在使用响应面优化法之前，应当确立合理的实验的各因素与水平。 结合文献报道，一般实验因素与水平的选取，可以采用多种实验设计的方法，常采用的是下面几个： 1.使用已有文献报道的结果，确定响应面优化法实验的各因素与水平。 2.使用单因素实验[3]，确定合理的响应面优化法实验的各因素与水平。 3.使用爬坡实验[4]，确定合理的响应面优化法实验的各因素与水平。 4.使用两水平因子设计实验[5]，确定合理的响应面优化法实验的各因素与水平。 在确立了实验的因素与水平之后，下一步即是实验设计。可以进行响应面分析的实验设计有多种，但最常用的是下面两种：Central Composite Design-响应面优化分析、Box-Behnken Design-响应面优化分析。 Central Composite Design，简称CCD，即中心组合设计，有时也成为星点设计。其设计表是在两水平析因设计的基础上加上极值点和中心点构成的，通常实验表是以代码的形式编排的,实验时再转化为实际操作值（,一般水平取值为0,±1,±α,其中0为中值,α为极值, α=F*（1/ 4）； F 为析因设计部分实验次数, F = 2k或F = 2 k×（1/ 2 ），其中 k为因素数，F = 2 k×（1/ 2 一般 5 因素以上采用，设计表有下面三个部分组成[6]：(1) 2k或 2 k×（1/ 2 ）析因设计。(2)极值点。由于两水平析因设计只能用作线性考察,需再加上第二部分极值点,才适合于非线性拟合。如果以坐标表示,极值点在相应坐标轴上的位置称为轴点(axial point) 或星点( star point) ,表示为(±α,0,…, 0) , (0,±α,…, 0) ,…, (0, 0,…,±α)星点的组数与因素数相同。(3)一定数量的中心点重复试验。中心点的个数与CCD设计的特殊性质如正交
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．
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。
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．
正交试验设计法 正交试验设计法的基本思想 正交表 正交表试验方案的设计 试验数据的直观分析 正交试验的方差分析 补充内容 1．正交试验设计法的基本思想 正交试验设计法，就是使用已经造好了的表格--正交表--来安排试验并进行数据分析的一种方法。它简单易行，计算表格化，使用者能够迅速掌握。下边通过一个例子来说明正交试验设计法的基本想法。 [例1]为提高某化工产品的转化率，选择了三个有关因素进行条件试验，反应温度(A)，反应时间(B)，用碱量(C)，并确定了它们的试验范围： A：80-90℃ B：90-150分钟 C：5-7％ 试验目的是搞清楚因子A、B、C对转化率有什么影响，哪些是主要的，哪些是次要的，从而确定最适生产条件，即温度、时间及用碱量各为多少才能使转化率高。试制定试验方案。 这里，对因子A，在试验范围内选了三个水平；因子B和C也都取三个水平：A：Al＝80℃，A2＝85℃，A3=90℃ B：Bl＝90分，B2＝120分，B3=150分 C：Cl＝5％，C2＝6%，C3＝7% 当然，在正交试验设计中，因子可以是定量的，也可以是定性的。而定量因子各水平间的距离可以相等，也可以不相等。 这个三因子三水平的条件试验，通常有两种试验进行方法： (Ⅰ)取三因子所有水平之间的组合，即 AlBlC1，A1BlC2，A1B2C1，……，A3B3C3， 共有 33=27次 试验。用图表示就是图1 立方体的27个节 点。这种试验法叫做全面试验法。
全面试验对各因子与指标间的关系剖析得比较清楚。但试验次数太多。特别是当因子数目多，每个因子的水平数目也多时。试验量大得惊人。如选六个因子，每个因子取五个水平时，如欲做全面试验，则需56＝15625次试验，这实际上是不可能实现的。如果应用正交实验法，只做25次试验就行了。而且在某种意义上讲，这25次试验代表了15625次试验。 图1 全面试验法取点.......... (Ⅱ)简单对比法，即变化一个因素而固定其他因素，如首先固定B、C于Bl、Cl，使A变化之： ↗A1 B1C1 →A2 ↘A3 (好结果) 如得出结果A3最好，则固定A于A3，C还是Cl，使B变化之： ↗B1 A3C1 →B2 (好结果) ↘B3 得出结果以B2为最好，则固定B于B2，A于A3，使C变化之： ↗C1 A3B2→C2 (好结果) ↘C3 试验结果以C2最好。于是就认为最好的工艺条件是A3B2C2。 这种方法一般也有一定的效果，但缺点很多。首先这种方法的选点代表性很差，如按上述方法进行试验，试验点完全分布在一个角上，而在一个很大的范围内没有选点。因此这种试验方法不全面，所选的工艺条件A3B2C2不一定是27个组合中最好的。其次，用这种方法比较条件好坏时，是把单个的试验数据拿来，进行数值上的简单比较，而试验数据中必然要包含着误差成分，所以单个数据的简单比较不能剔除误差的干扰，必然造成结论的不稳定。 简单对比法的最大优点就是试验次数少，例如六因子五水平试验，在不重复时，只用5+(6-1)×(5-1)＝5+5×4＝25次试验就可以了。 考虑兼顾这两种试验方法的优点，从全面 试验的点中选择具有典型性、代表性的 点，使试验点在试验范围内分布得很均 匀，能反映全面情况。但我们又希望试验 点尽量地少，为此还要具体考虑一些问 题。 如上例，对应于A有Al、A2、A3三个平 面，对应于B、C也各有三个平面，共九 个平面。则这九个平面上的试验点都应当 一样多，即对每个因子的每个水平都要同等看待。具体来说，每个平面上都有三行、三列，要求在每行、每列上的点一样多。这样，作出如图2所示的设计，试验点用⊙表示。我们看到，在9个平面中每个平面上都恰好有三个点而每个平面
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，