SVEUILITE U MOSTARU

FAKULTET STROJARSTVA I RAUNARSTVA

- studij strojarstva -

Kolegij: Modeliranje i simulacija obradnih procesa

MATEMATIKO MODELIRANJE
Seminarski rad

Mostar, svibanj, 2014.

SADRAJ

1. UVOD........................................................................................................................1
2. OPI ALGORITAM IZRADE STOHASTIKOG MODELA.......................................2
3. TROFAKTORNI I K-FAKTORNI MATEMATIKI MODELI........................................4
4. PROVJERA HOMOGENOSTI DISPERZIJA EKSPERIMENTA................................6
5. MODELIRANJE SILE ISTOSMJERNOG ISTISKIVANJA OSNOSIMETRINIH
IZRDAKA.......................................................................................................................9
6. ZAKLJUAK............................................................................................................20
7. LITERATURA..........................................................................................................20

1. UVOD
Najvaniji dio razvoja proizvoda je priprema proizvodnje. U toj fazi razvoja pravimo
tehnoloki proces za izradu proizvoda. Vrijeme izrade tehnolokog procesa kao i
cjelokupne tehnoloke dokumentacije viestruko je dulje nego vrijeme potrebno za
konstruirajne proizvoda. Novana ulaganja u ovoj fazi su znaajna, te bi eventualna
pogreka u proraunu u ovoj fazi imala katastrofalne posljedice, posebice u
financijskom smislu, pri proizvodnji proizvoda. Kako se greka u proraunu ne bi
otkrila kad je ve prekasno, javila sa potreba za simulacijom obradnih procesa.
Obradne procese mogue je matematiki modelirati, te na osnovu tog modela i
simulirati na raunalu.
Glavni su ciljevi modeliranja i optimizacije obradnih procesa poveanje proizvodnosti,
ekonominosti, ukupne kvalitete proizvoda, te smanjenje utroka materijala, energije,
vremena obrade i trokova obrade po jedinici proizvoda.
Rezultat je modeliranja matematiki model koji e u odgovarajuem stupnju tonosti
adekvatno opisivati proces ili sustav. Matematiki model je neophodan za definiranje
parametara procesa i sustava upravljanja, razvoj obradnih sustava, optimizaciju i
simulaciju procesa itd. Matematiki modeli obradnih procesa osiguravaju kvalitetnu
primjenu suvremenih raunalnih sustava CAD, CAM, CAQ, CAPP. Moe se rei kako
su izbor optimalnog obradnog sustava, procesa obrade, redosljeda operacija,
geometrije alata, isl. nezamislivi bez definiranog pouzdanog matematikog modela.
Poznavanjem matematikog modela procesa, koji u biti opisuje matematski promjenu
parametara procesa u ili sustava u odreenom prostoru i/ili vremenu, mogue je
osigurati da proces obrade ne ue u podruje poremeaja, kada moe doi do
prekida procesa zbog nekog poremeaja (npr. istroenosti, loma alata ili nekvalitetne
obrade, isl.). Kao to se moe primjetiti, znaenje definiranja pouzdanih matematikih
modela znatno je ire od elje o potrebe da se neto modelira.

2. OPI ALGORITAM IZRADE STOHASTIKOG MODELA

Razrada stohastikog modela temelji se na statistikoj obradi eksperimentalnih
podataka. [1]. Metode definiranja stohastikih modela mogu biti utemeljene na obradi
rezultata pasivnog ili aktivnog eksperimenta. Kod pasivnog eksperimenta uvijeti
eksperimenta nisu programirani, te su rezultati eksperimenta su sluajni, a kod
aktivnog eksperimenta uvjeti eksperimenta programirani su primjenom matematike
teorije planiranja eksperimenta.
Prednost pasivnog eksperimenta je mogunost razrade modela procesa bez
promjene postojeeg reima rada sustava ili procesa. Najee se primjenjuje za
deterministike pojave, kada model predstavlja samo priblian opis realnog procesa.
Budui kako kvaliteta aproksimacije podataka pasivnog eksperimenta uglavnom nije
zadovoljavajua za usvojene kriterije tonosti modela, to se oni rijetko koriste.
Metodom aktivnog eksperimenta dobiju su vrlo toni modeli s minimalnim brojem
eksperimentalnih podataka. To se postie programiranom primjenom ulaznih
parametara s unaprijed utvrenom granicom variranja u uvjetima realnog procesa [1].
Na narednoj slici shematski je prikazan algoritam razrade stohastikog matematikog
modela.

Slika 1: Opa blok shema agoritma razrada stohastikog modela [1]

Definiranje stohastikog modela poinje definiranjem skupa svih parametara X1(0)
procesa ili sustava. Iz tog se skupa zatim izdvajaju promjenjivi parametri Xiv, koji se
4

dijele na regulirane parametre Xir i neregulirane Xin. Nakon toga se utvruju granice
variranja promjejnivih parametara Xiv u uvijetima realnog procesa. Zatim se odluuje
o metodi izvoenja eksperimenta (aktivni ili pasivni eksperiment). Vano je znati kako
sluajne oscilacije Xin na granicama Xin neznatno utjeu na izlazne parametre Yi.
Ako realizacija matrice palniranog eksperimenata nije mogua koriste se sluajni
eksperimentalni podaci, pri emu se kombinacija promjenjivih veliina Xiv i Yi ne
izvodi sustavno. Tada je dobro smanjiti tehnoloke zahtijeve, pri skupljanju sluajnih
statistikih informacija, te dopustiti osciliranje parametra Xiv u irim granicama nego
to je to sluaj u realnom procesu [1]. Poslijednji je korak matematika obrada
dobijenih eksperimentalnih podataka i provjera adekvatnosti dobijenog modela.
Dobijeni rezultati matematiki se obrauju postupkom prikazanim na algoritmu ispod.

Slika 2: Blok shema algoritma obrade rezultata stohastikog modela [1]

3. TROFAKTORNI I K-FAKTORNI MATEMATIKI MODELI

Nj Broj pokusa

Za definiranje linearnih modela primjenjuje se plan eksperimenta prvog reda. To je

najee potpuni faktorni plan eksperimenta (PFE). U takvom se planu svaki nivo
jednog faktora kombinira sa svim nivoima ostalih faktora. Potreban broj pokusa
rauna se kao N = 2k, gdje je k broj nezavisno promjenjivih faktora. Ovisno o broju
nezavisnopromjenjivih faktora moemo imati dvofaktorne, trofaktorne, ili openito
viefaktorne (k-faktorne) modele.
Za trofaktorni matematiki model potrban broj pokusa je N = 23 = 8. U tablici 1.
prikazana je matrica plana eksperimenta, a na slici 2. geometrijska interpretacija
rasporeda toaka matrice plana.
Tabela 1. Matrica plana eksperimenta 23 [1]

Matematiki
viestruke
model
Koeficijenti

1
2
3
4
5
6
7
8

Kodirane vrijednosti faktora matrica plana

X0

X1

X2

X3

X1 X 2

X1 X 3

X2 X 3

X1 X2 X3

+1
+1
+1
+1
+1
+1
+1
+1

-1
+1
-1
+1
-1
+1
-1
+1

-1
-1
+1
+1
-1
-1
+1
+1

-1
-1
-1
-1
+1
+1
+1
+1

+1
-1
-1
+1
+1
-1
-1
+1

+1
-1
+1
-1
-1
+1
-1
+1

+1
+1
-1
-1
-1
-1
+1
+1

-1
+1
+1
-1
+1
-1
-1
+1

b0

b1

b2

b3

b12

b13

b23

b123

y=b 0 x 0 +b 1 x 1+ b2 x 2 +b3 x 3

y=b 0 x 0 +b 1 x 1+ b2 x 2 +b3 x 3+ b12 x 1 x 2 +b13 x1 x 3+ b23 x 2 x 3 +b 123 x1 x 2 x 3

Koeficijenti modela za trofaktorni matematiki model raunaju se po formulama:

N

bi =

1
X y E ,i =0,1,2,3;
N j=1 ij i

y1
y2
y3
y4
y5
y6
y7
y8

b =

1
X X y E , 1 i< m 3;
N j=1 ij mj j
N

1
bimk = X ij X mj X kj y Ej ,1 i<m<k 3
N j=1
gdje su:
n
1
E
y j = y ji aritmetika sredina rezultata mjerenja u pojedinim tokama
n i=1
nbroj ponovljenih mjerenja
y ji vrijednost pojedinih mjerenja
Nbroj toaka plana

Openito za modele s k ulaznih faktora i N izlaznih vrijednosti, matrice imaju oblik:

[ ]
[ ]
[ ]

x 01 . . . x k 1
x 02 . . . x k 2
.
X=

x 0 N . .. x kN

Transponirana matrica ima oblik:

x 01 .. . x0 N
x 11 . . . x 1 N
'

X=

x k 1 . . . x kN
pa dobivamo:

( 00 )( 01 ) .. .(0 k)
( 10 ) (11 ) . . .(1 k )
'
.
X X=

.
( k 0 ) ( k 1 ) . . .(kk )
Inverzna matrica je:

[ ]

C 00 C 01 . .. C 0 k

( X ' X )1=

Ck 0 C k1 . .. C kk

koja pak kod planova prvog reda postaje dijagonalna matrica oblika:

[]

b0
C1 0

( X ' X )1= =( C 11 ,C 22 , , C kk ) , B=

0 Ckk
bk

[]

odnosno koeficijenti bi su:

k

bi= C ( iy ) za i=0, 1, 2, , k .
m=o

4. PROVJERA HOMOGENOSTI DISPERZIJA EKSPERIMENTA

Provjera homogenosti izvodi se nakon obavljenog eksperimenta. Ponavljanjem
eksperimenta pri konstantnim vrijednostima ulaznih parametara moe se utvrditi
razlika u dobivenim numerikim izlaznim vrijednostima. Promjenom vrijednosti svih ili
samo nekih ulaznih parametara i ponavljanjem eksperimenta dobije se matrica
rezultata izlaznih vrijednosti, kako je prikazano u tablici [1].

eksperimenta Redni broj

Tabela 2. Matrica dobivenih eksperimentalnih rezultata [1]

Rezultati
ponovljenih
eksperimenata
ni

Srednja
vrijednost
y

y 11 y 12 y 13 y 1 n

y1

Varijanca uzorka eksperimenta

Sj 2

S 12=

1
y 1 i y 1 )2

(
n1 1

1
S2 =
y 2 i y 2 )2

(
n1 1

y 31 y 32 y 33 y 3 n

y3

1
S3 =
y 3 i y 3 )2

(
n1 1

yN

.
.

y N 1 y N 2 y N 3 y Nn

.
.

.
.

y2

y 21 y 22 y 23 y 2 n

SN =

1
( y y N )2
n1 1

Srednja vrijednost uzorka je:

n

1
y j = y ji , j =1,2, , N ; i=1, 2, , n
n j i=1

Broj ponavljanja mjerenja po uzorku iznosi i = 2 do 4.

Varijanca uzorka je:
S j 2=

1
( y y j )2
n j1 i=1 ji

Provjera homogenosti disperzija za odreeni nivo pouzdanosti vri se po

Corchranovom kriteriju:
K h=

max S j2
N

Sj

Kt ( f j, N )

j=1

gdje je:
Kt tablina vrijednost po Cochranovom kriteriju za stupnjeve slobode fj i N,
fj stupanj slobode (fj = nj 1),
nj broj ponavljanja u uzorku,
N broj uzoraka.
Ukupna varijanca eksperimenta je:

( y ji y j )2

S j2= j=1 i=i

N
j=1
( n j1 )
j=1

Provjera jednorodnosti (homogenosti) varijanci moe se izvesti preko Fisherova

kriterija za distribucije koje su priblino normalne. Disperzije se usporeuju za dvije
serije mjerenja i za sluaj da su dobiveni rezultati sluajni, nezavisni i normalno
rasporeene veliine [1].
Ako imamo dvije serije s disperzijama 1 i 2, i varijancama S12 i S22 tada za Frazdiobu vrijedi:

F=

S12
12
S22

S12
S22

22
U predhodnom smo izrazu usvojili vrijednost disperzija 12 = 22. Provjera
homogenosti disperzija po Fisheru je:
S1 2
S 22
F= 2 F t ( f 1 , f 2 ) ili F= 2 F t ( f 1 , f 2 )
S2
S1
gdje je:
Ft tablina vrijednost po kriteriju Fishera za stupnjeve slobode f1 i f2,
f1 = (n1 1), stupanj slobode prvog uzorka
f2 = (n2 1), stupanj slobode drugog uzorka
Prema predhodnom izrazu uzima se vea izraunata vrijednost za F.
K Kt
F Ft
Za uvijet
, odnosno
, varijance dvaju uzoraka pripadaju istoj
populaciji, te se eksperiment moe nastaviti.

Rezultati
ponovljenih
eksperimenata
ni

Srednja
vrijednost
y

y 11 y 12 y 13 y 1 n

y1

Varijanca Sj2

Redni broj uzorka

Tabela 3. Podaci za provjeru homogenosti varijanci eksperimenta [1]

S1

Suma kvadrata

( y 1 i y1 ) 2
1

10

Stupanj
slobode
fj

n11

y 31 y 32 y 33 y 3 n

y2

y3

S2

S3

( y 2 i y 2) 2

n21

( y 2 i y 2) 2

n31

.
.

SN

yN

.
.

.
.

y N 1 y N 2 y N 3 y Nn

n
1

y 21 y 22 y 23 y 2 n

( y y N )2

n N 1

Sj
j=1

11

( y ji y j )
j=1 i=1

( n j1 )
j=1

5. MODELIRANJE SILE ISTOSMJERNOG ISTISKIVANJA OSNOSIMETRINIH

IZRDAKA
Kod procesa istiskivanja metala u hladnom stanju nastaju visoki pritisci koji
optereuju alat i utjeu na njegovu postojanost. Zbog toga, modeliranje sile
istiskivanja omoguuje spoznati intezitet sile prije eksplotacije, jo u fazi projektiranja,
to je od velikog znaaja za izbor i konstrukciju alata i optimizaciju tehnolokih
parametara procesa.
h0 h1
F=F

,
, ,v
Modeliranje sile istiskivanja
treba izvesti za varijable
d0 d 1 0

procesa:
stupanj deformacije (0.30; 2.50)
kut radne zone alata (20o; 60o)
odnos dimenzija pripremka h0/d0 (1; 2.50)
odnos otvora za kalibriranje h1/d1 (0.14; 0.30)
brzinu kretanja alata v0 (15; 32 mm/s)
Materijal pripremka je ipkasti elik 1220, promjera do = 28 mm, toplinski obraen
arenjem i izrezan na odgovarajue duine. Fosfatiranjem su pripremci triboloki
pripremljeni za istiskivanje. Istiskivanje se izvodi na hidraulinoj presi nazivne sile
2500 kN. Mjerenje sile istiskivanja izvedeno je pomou senzora sile postavljenog
ispod prstena za izvlaenje, pojaivaa Httinger i raunala Macintosh.
Na slici 3 prikazana je shema procesa istosmjernog istiskivanja.

12

Slika 3: Shema procesa istosmjernog istiskivanja [1]

Pozicije na predhodnoj slici oznaavaju:
1. ig
2. pripremak
3. matrica
4. prstenovi za voenje
5. obradak
6. senzor sile (elastini element)
7. izbaciva
8. ploa
Na blok shemi prikaemo model sa ulaznim i izlaznim parametrima, te konstantama.

13

Slika 4: Blok shema modeliranja sile istiskivanja [1]

Za pet ulaznih parametara i potpuni faktorni plan pokusa potreban broj pokusa je
N=25=32 pokusa. Iz iskustvenih podataka zakljuujemo kako ne postoji interakcija
varijabli x3 i x4 te se usvaja polublok x5 = x3x4 s pripadajuom konstantom
J=x3x4x5=1. Tako smanjujemo broj pokusa na N = 25-1 = 24 = 16 pokusa.
Varijable x1, x2, x3, x4 i x5 potrebno je prebaciti u kodirane vrijednosti Xi po izrazu:
X i=

x ix 0 i
x x
= i 01
xi max x i min
xi
2

gdje su: Xi kodirana vrijednost nezavisno promjenjivih varijabli

xi fizikalna vrijednost nezavisno promjenjivih varijabli
xi0 srednji nivo fizikalne vrijednosti
Srednji nivo fizikalne vrijednosti odreuje se izrazom:
x 0i =

x i max + x i min
2

Sada moemo napraviti matricu plana eksperimenta prikazanu u narednoj tabeli.

alataBrzina

kalibriranjaOtvor

Pripremak

zoneKut radne

Deformacija

Fizikalne

Tabela 4: Matrica plana eksperimenta

14

vrijednosti
NJBr. pokusa

Max
Min
Sred.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

h0
d0

h1
d1

v0

1.40
0.30
0.85

()
60
20
40

2.5
1.0
1.75

0.30
0.14
0.22

mm/s
32
15
23.5
Eksperimentalne vrijednosti sile
(kN)

Kodirane vrijednosti
X1

X2

X3

X4

X5

Yj1

Yj2

Yj3

+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1

+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1

+1
+1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
-1
-1
-1
-1

+1
+1
+1
+1
+1
+1
+1
+1
-1
-1
-1
-1
-1
-1
-1
-1

+1
+1
+1
+1
-1
-1
-1
-1
-1
-1
-1
-1
+1
+1
+1
+1

1045
274
790
164
904,7
275,4
710
166,6
1033
268,8
785
163,6
898
271,8
719,6
159,6

1010
260
767
167
904
270
720
165
1028
255
770
164
901
272
715
160

1020
267
787,8
170
900
267
700
167
1005
270
779
165
907
274
726
164

Y =

Fj
1025
267
781,6
167
902,9
270,8
710
166,2
1022
264,6
778
164,2
902
272,6
720,2
161,2

Pretpostavit emo matematiki model prvog reda s trofaktornim interakcijama, a ako

u njega uvrstimo i predhodne pretpostavke (nema interakcije izmeu parametara x3 i
x4, te je x5 = x3x4) dobijamo:

Y =b 0 +b1 x1 +b 2 x 2+ b3 x3 +b 4 x 4 +b5 x 5+ b12 x 1 x 2 +b13 x1 x 3+ b14 x 1 x 4 +b15 x1 x5 + b23 x 2 x 3 +b 24 x 2 x 4 + b25 x 2 x 5 +b 123

Potrebno je izraunati koeficijente polinomskog modela pomou izraza:
N

bi =

1
X y , za i=0,1,2, , k
N j=1 ij j
N

b =

1
X X y , za 1 i<m k
N j=1 ij mj j

15

bimk =

1
X X X y , za 1 i <m<k
N j=1 ij mj kj j

eksperimenta Broj

Tabela 5: Podaci za izraunavanje koeficijenata regresije

1025

1025

1025

1025

1025

1025

-1

267

-267

267

267

267

267

-1

781,6

781,6

781,6

781,6

781,6

781,6

-1

-1

167

-167

-167

167

167

167

-1

-1

902,9

902,9

902,9

902,9

902,9

902,9

-1

-1

-1

270,8

-270,8

270,8

270,8

270,8

270,8

-1

-1

-1

710

710

-710

-710

710

-710

-1

-1

-1

-1

166,2

-166,2

166,2

166,2

166,2

166,2

-1

-1

1022

1022

1022

1022

1022

-1022

10

-1

-1

-1

264,6

-264,6

264,6

264,6

264,6

264,6

11

-1

-1

-1

778

778

-778

778

-778

-778

12

-1

-1

-1

-1

164,2

-164,2

164,2

164,2

164,2

164,2

13

-1

-1

902

902

902

-902

-902

902

14

-1

-1

-1

272,6

-272,6

272,6

272,6

272,6

272,6

15

-1

-1

-1

720,2

720,2

720,2

720,2

720,2

720,2

16

-1

-1

-1

-1

161,2

-161,2

161,2

161,2

161,2

161,2

8575,
3

5108,
1

1278,
5

363,5

5,7

17,9

X1 X2 X3 X4 X5 Y j

X ij Y j
j=1

X 1 Y

16

X 2 Y

X 3 Y

X4 Y

X 5 Y

bi

535,9
56

319,2
56

79,90
6

22,71
9

0,356

1,119

eksperimentaBroj

Tabela 5 - nastavak

X1 X2Y j

X1 X3 Y j

X1 X4 Y j

X1 X5 Y j

X2 X3 Y j

X2 X4 Y j

X2 X5 Y j

1025

1025

1025

1025

1025

1025

1025

-267

-267

-267

-267

267

267

267

-781,6

781,6

781,6

781,6

-781,6

-781,6

-781,6

167

-167

-167

-167

-167

-167

-167

902,9

-902,9

902,9

-902,9

-902,9

902,9

-902,9

-270,8

270,8

-270,8

270,8

-270,8

270,8

-270,8

-710

-710

710

-710

710

-710

710

166,2

166,2

-166,2

166,2

166,2

-166,2

166,2

1022

1022

-1022

-1022

1022

-1022

-1022

10

-264,6

-264,6

264,6

264,6

264,6

-264,6

-264,6

11

-778

778

-778

-778

-778

778

778

12

164,2

-164,2

164,2

164,2

-164,2

164,2

164,2

13

902

-902

-902

902

-902

-902

902

14

-272,6

272,6

272,6

-272,6

-272,6

-272,6

272,6

15

-720,2

-720,2

-720,2

720,2

720,2

720,2

-720,2

16

161,2

161,2

161,2

-161,2

161,2

161,2

-161,2

445,7

379,5

-11,1

13,9

97,1

3,3

-5,3

27,856

23,719

-0,694

0,869

6,069

0,206

-0,331

X ij X mj Y j
j=1

bim

17

eksperimentaBroj

Tabela 5 - nastavak

X1 X2 X3Y j

X1 X2 X4 Y j

X1 X2 X5Y j

1025

1025

1025

-267

-267

-267

-781,6

-781,6

-781,6

167

167

167

-902,9

902,9

-902,9

270,8

-270,8

270,8

710

-710

710

-166,2

166,2

-166,2

1022

-1022

-1022

10

-264,6

264,6

264,6

11

-778

778

778

12

164,2

-164,2

-164,2

13

-902

-902

902

14

272,6

272,6

-272,6

15

720,2

720,2

-720,2

16

-161,2

-161,2

161,2

128,3

17,7

-18,1

8,019

1,106

-1,131

X ij X mj X kj Y j
j=1

bimk

Sada je potrebno odrediti homogenost disperzija po Cochranovu kriteriju kako je

navedeno u poglavlju 4.

Tabela 6: Podaci za provjeru homogenosti varijanci

18

Srednja
vrijednost
Y

Varijanca Sj2

Redni broj eksperimenta

Rezultati ponovljenih
mjerenja

Suma
kvadrata

( Y jiY j ) 2

Stupanj
slobode
fi

n
i

Y1j

Y2j

Y3j

1045

1010

1020

1025

325

650

274

260

267

267

49

98

790

767

787,8

781,6

161,08

322,16

164

167

170

167

18

904,7

904

900

902,9

6,43

12,86

275,4

270

267

270,8

18,12

36,24

710

720

700

710

100

200

166,6

165

167

166,2

1,12

2,24

1033

1028

1005

1022

223

446

10

268,8

255

270

264,6

69,48

138,96

11

785

770

779

778

57

114

12

163,6

164

165

164,2

0,52

1,04

13

898

901

907

902

21

42

14

271,8

272

274

272,6

1,48

2,96

15

719,6

715

726

720,2

30,52

61,04

16

159,6

160

164

161,2

5,92

11,84

1078,67

2157,34

32

j=1

Iz tablica za K-kriterij za stupanj slobode 32, broj eksperimenata 16 i greku 5% (nivo

pouzdanosti 95%) dobivamo vrijednost Kt = 0,114. Izraunata vrijednost iznosi:
K h=

max S j

S j2

325
=0,3.
1078,67

j=1

Kako je

K h=0,3< 0,114=K t

, disperzija je homogena i eksperiment se moe

nastaviti.
Sada je potrebno provjeriti znaajnost (signifikantnost) izraunatih koeficijenata
regresije pomou t-testa:
19

t ri=

|b i| |bi| N n
S bi

Sy

tt ( f

, )

, za i=0, 1, 2, , k

ili:

|bi|> bi =t t (f

y , )

Sy
=t
Nn t (f

, )

S bi

gdje su:
16

( y ji y j )2

S y 2= j=1

i=1

fy

2157,34
=67,417 ; S y =8,211
32

S y 2 67,417
Sb =
=
=1,405; S b=1,185
Nn 16 3
2

t t (32,0,05) =1.70; tablina vrijednost tkriterija

b i=1,70

8,211
=2,015
16 3

Sada moemo izdvojiti nesignifikantne koeficijente.

Koeficijenti
bi

bi

Verifikacija

Tabela 7 Signifikantnost koeficijenata

Ib0I = 535,956

2,015

Ib1I = 319,256

Ib2I = 79,906

Ib3I = 22,719

Ib4I = 0,356
Ib5I = 1,119
Ib12I = 27,856

Ib13I = 23,719

Ib14I = 0,694
Ib15I = 0,869
Ib23I = 6,069

Ib24I = 0,206
20

Ib25I = 0,331
Ib123I = 8,019

Ib124I = 1,106
Ib125I = 1,131
Kada izbacimo nesignifikantne koeficijente, matematiki model u kodiranom obliku
glasi:
Y =535,956+319,256 X 1+79,906 X 2+ 22,719 X 3+ 27,856 X 1 X 2+ 23,719 X 1 X 3 +6,069 X 2 X 3 +8,019 X 1 X 2 X 3
Sada je potrebno provjeriti adekvatnost modela F-kriterijem:
Fa =

S a2
F t ( f a , f y ) za S a2> S y 2 ,
2
Sy

odnosno:
2
S
Fa = y2 F t ( f a , f y ) za S y 2> S a2 .
Sa
Vrijednost disperzije adekvatnosti Sa2 odreuje se iz izraza:
N

n ( y Ej y Rj )

S a2= j=1

fa

gdje je: fa = N k 1, stupanj slobode koji se odnosi na disperziju adekvatnosti, a

yjR izraunata vrijednost iz matematikog modela.
Eksperimenta Br.

Tabela 8 Podaci za izraun provjere adekvatnosti modela

1
2
3
4
5
6
7
8
9
10
11
12

X1

X2

X3

X4

X5

YjR

(Y jY Ry )

1
-1
1
-1
1
-1
1
-1
1
-1
1
-1

1
1
-1
-1
1
1
-1
-1
1
1
-1
-1

1
1
1
1
-1
-1
-1
-1
1
1
1
1

1
1
1
1
1
1
1
1
-1
-1
-1
-1

1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1

1025
267
781,6
167
902,9
270,8
710
166,2
1022
264,6
778
164,2

1023,500
265,800
779,800
165,600
902,448
271,700
715,100
163,700
1023,500
265,800
779,800
165,600

2,250
1,440
3,240
1,960
0,204
0,810
26,010
6,250
2,250
1,440
3,240
1,960

21

13
14
15
16

1
-1
1
-1

1
1
-1
-1

-1
-1
-1
-1

-1
-1
-1
-1

1
1
1
1

902
272,6
720,2
161,2

902,448
271,700
715,100
163,700
N

( Y jY Ry )
j=1

0,201
0,810
26,010
6,250
2

84,325

fa = 16 5 1 = 5
S a2=

3 84,325
=25,298
10

Fa =

67,417
=2,665
25,298

Tablina vrijednost F-kriterija za fy = 32, fa = 10 i = 0,05 iznosi Ft = 3,30. Kako je:

Fa = 2,665 < Ft = 3,30, dobiveni matematiki model adekvatno prikazuje silu
istosmjernog istiskivanja u funkciji utjecajnih parametara.
Prije dekodiranja parametara potrebno je izvriti provjeru adekvatnosti modela
koeficijentom viestruke regresije. To je najznaajniji pokazatelj adekvatnosti modela
i rauna se po izrazu:

( y Ej y Rj )

R= 1 j=1
N

( y Ej y E )
j=1

gdje je:

iznosi:

y Ej

y E = j =1
N
yE =

, aritmetika sredina svih eksperimentalnih rezultata pokusa, te

8575,3
=535,956
.
16

Tabela 9: Podaci za izraun koeficijenta regresije

2

Nj

(Y jY E )

1025

239164,034

267

72337,330

781,6

60340,975

167

136128,530

902,9

134647,899

270,8

70307,704

710

30291,314

166,2

136719,500
22

1022

236238,770

10

264,6

73634,079

11

778

58585,298

12

164,2

138202,524

13

902

133988,210

14

272,6

69356,383

15

720,2

33945,852

16

161,2

140442,060
N

( Y jY R ) =1764330,459
j=1

Sada moemo izraunati koeficijent regresije:

84,325
R= 1
=0,9999 ili R=99,99
1764330,459

Ovako visok koeficijent regresije pokazuje kako dobiveni matematiki model izvrsno
opisuje silu procesa istiskivanja.
Sada moemo dekodirati model uvoenjem fizikalnih veliina u izraz za kodiranje.
Tako za X1 dobivamo:
x1 x01
0,85
0,85
X 1=
=
=
=1,818 1,545
x1 max x 1 min 1,400,30
0,55
2
2
Ponavljanjem postupka za svaku kodiranu veliinu dobijemo dekodirane vrijednosti
navedene u tabeli 10.
Tabela 10: Dekodirane vrijednosti
Kodirana veliina

Dekodirana

X1

1,818 1,545

X2

0,05 2

1,333

X3

X1 X2

h0
2,333
d0

0,091 3,63 0,077 +3,09

23

X1 X 3

2,423

h0
h
4,241 2,059 0 +3,604
d0
d0

X2 X 3

0,067

h0
h
0,117 2,666 0 + 4,666
d0
d0

X1 X 2 X 3

0,121

h0
h
h
h
0,212 4,847 0 0,103 0 + 8,483 +0,180 + 4,119 0 7,209
d0
d0
d0
d0

Sada matematiki model sile istiskivanja glasi:

F=28,039+ 442,315 +2,583 1,689

h0
h
h
h
+0,835 +18,603 0 0,419 0 + 0,970 0 .
d0
d0
d0
d0

Nakon sreivanja imamo izraz za silu istiskivanja s kojim je jednostavnije raunati:

h
h
F=28,039+ 442,315 +2,583 + 0,835 11,162 0 + 0 ( 18,603 0,419 1,689 ) .
d0 d0

6. ZAKLJUAK
Temeljna svrha modeliranja jeste definiranje modela i drugih prikaza koji su
neophodni za optimizaciju, simulaciju, revitalizaciju i upravljanje procesima i
sustavima. Matematiki model ima znaajnu ulogu u suvremenoj proizvodnji.
Matematiki model temeljno je polazite i prvi korak tehno ekonomske optimizacije
procesa i sustava. Krajnji cilj modeliranja i optimizacije je jeftinija, kvalitetnija i
profitabilnija proizvodnja.

24

7. LITERATURA
[1] M. Jurkovi, Matematiko modeliranje inenjerskih procesa i sistema, Mainski
fakultet Biha, Biha, 1999.

25