Lautsprecher | Abschrift |
| Marcello Fidaleo | Hallo, mein Name ist Marcello Fidaleo, und in meiner Präsentation geht es um die funktionelle Datenanalyse und das Design von Experimenten, die auf Mahlprozesse für Lebensmittel angewendet werden. |
| Das Ziel dieser Forschung war es, den Mahlschritt von Haselnuss- und Kakaobohnenbasis zu untersuchen, der bei der Herstellung von Eiscreme verwendet wird. |
| Dieser Prozess wird Raffination genannt und wird typischerweise in Rührwerkskugelmühlen im Batch-Modus durchgeführt, wie dieser Bericht hier rechts. |
| Ziel dieses Prozesses ist es, die Partikelgröße der festen Zutaten wie Kakao und Zucker zu reduzieren, damit das Endprodukt nicht grobkörnig wird. |
| Zu diesem Zweck haben wir unser zentrales zusammengesetztes Design wie einen Bericht hier rechts gestaltet. Wir haben drei Faktoren, N, D und S, wo |
| N die Welle die Rotationsgeschwindigkeit, D der Kugeldurchmesser und S die Gesamtmasse der Kugeln. |
| Als Antworten betrachten wir die Größe der größten Feststoffpartikel, also die Feinheit, und die Mahlenergie. Beide Antworten wurden als Funktion der Zeit gemessen, also war dies eigentlich eine |
| funktional gestaltetes Experiment, denn die Antworten waren nicht ???, sondern Funktionen, in diesem speziellen Fall Funktionen der Zeit. Wir haben JMP Pro verwendet, um das Experiment zu entwerfen und die Ergebnisse zu analysieren. |
| Für die Analyse der Ergebnisse haben wir zwei Ansätze verfolgt. Der erste Ansatz ist die klassische Analyse von Designed Experiments. |
| Wir verwenden also die Antwortoberflächenmodelle, um die Antworten als Funktion der Prozessparameter zu zwei verschiedenen Zeitpunkten zu regressieren. Im zweiten Ansatz, der eine funktionale Datenanalyse im Design von Experimenten ist, haben wir |
| konnten wir auch den Effekt der Zeit in das endgültige Modell einbeziehen, das heißt, wir haben die berücksichtigt |
| Natur der funktionalen Reaktionen, also ... das ist die funktionale Natur der Reaktionen. In dieser Präsentation werde ich also über den zweiten Ansatz sprechen. |
| Funktionale Datenanalyse im Design von Experimenten |
| erfordert einige Zwischenschritte, um das endgültige Modell zu erstellen und auch den Entwurfsraum des Systems zu erhalten. |
| Grundsätzlich beginnen wir mit der Funktionsdatenanalyse, um die Funktionsdaten zu glätten. |
| Dann wenden wir die funktionale Hauptkomponentenanalyse auf die Glättungsfunktionen an. An diesem Punkt haben wir ein Modell für die funktionalen Reaktionen entwickelt, indem wir nur einige wenige Komponenten dieses Systems beibehalten haben. So |
| mal sehen die ergebnisse... |
| die Ergebnisse davon |
| Fallstudien. |
| Dies sind die Ergebnisse des Glättungsvorgangs. Wir haben die Beta-Splines angewendet und die ??? Feinheit und Energie. Wir können das sehen, indem wir die Datentransformation und auch die einfache Datenfilterung verwenden |
| Anpassungsfunktionen sind wir in der Lage, die experimentellen Daten gut anzupassen. Tatsächlich haben wir einen Knoten und einen kubischen Spline und einen Knoten und einen linearen Spline für Feinheit und Energie verwendet. |
| Dann haben wir die Hauptkomponentenanalyse der Funktion auf die Glättungsfunktion angewendet. Hier links können wir das für die Feinheit sehen, |
| die ersten beiden Komponenten erklärten 96 % der Varianz, während bei Energie nur die erste Komponente 98 % der Varianz erklärte. Also in den endgültigen Modellen, |
| Wir haben die beiden Komponenten für die Feinheit und eine Komponente für die Energie verwendet. Hier rechts habe ich die für die 16 Versuche des Experiments berechneten Ergebnisse angegeben. |
| Und wir haben aus unserer Erfahrung heraus festgestellt, dass die Bewertungen nützlich sind, um das Verhalten des Systems zu verstehen. Beispielsweise fungierte in diesem Fall die erste Komponente als a |
| Schleifintensitätsachse mit der hohen Schleifintensität verläuft links und der niedrigen Schleifintensität rechts. Und so, an diesem Punkt, wir |
| regressierten die Bewertungen als Funktion der Prozessparameter unter Verwendung eines Responsiveness(?)-Modells |
| durch Einbeziehung der linear-quadratischen und der Interaktionseffekte. Auch diese Modelle waren sehr nützlich, um die Wirkung der Prozessparameter auf die Funktion zu verstehen |
| Antworten. |
| So endlich, |
| hier können wir sehen, dass wir endlich die endgültigen Modelle bauen konnten, wie ich sagte. Und hier habe ich die Feinheit und die Energie als Funktion der Zeit für einige Läufe angegeben. Und wir können sehen, dass die Übereinstimmung zwischen den experimentellen Daten und den Vorhersagedaten |
| sind wirklich gut. Wie ich bereits sagte, verwenden wir die beiden Komponenten für die Feinheit und eine Komponente für die Energie. |
| So konnten wir endlich den Designraum aufbauen und untersuchen ... um die Wirkung der Prozessparameter zu verstehen, d. h. N, D und S, |
| auf die funktionalen Antworten hier. Auf dem Profiler können wir sehen, dass unter diesen Bedingungen von N, D und S, |
| wir könnten das Profil der Feinheit als Funktion der Zeit und das Profil der Energie als Funktion der Zeit vorhersagen. Unten ... hier unten habe ich zwei Konturdiagramme gemeldet |
| vom System. Der linke wurde mit einer Drehzahl von 55 U / min und einem Kugeldurchmesser von 6,5 Millimetern erhalten. |
| Während auf der rechten Seite das Konturdiagramm mit einer Kugelmasse von 29 Kilogramm und einer Betriebszeit von 80 Minuten verwendet wurde. |
| So können wir zum Beispiel hier links sehen, dass wir an der Grenze sehen, dass wir die Masse der Kugeln haben, wenn wir die Betriebszeit erhöhen, |
| die Energie nimmt natürlich zu, während die Feinheit abnimmt. |
| Die weißen Bereiche in beiden Diagrammen sind der Designraum, und es ist der Bereich, in dem die Feinheit zwischen 20 und 30 Mikron liegt, also der Bereich, in dem das Endprodukt nicht grobkörnig und nicht zu stark gemahlen ist. |
| Aus diesen Ergebnissen können wir also schließen, dass die funktionale Datenanalyse, die auf funktional gestaltete Experimente angewendet wird, ein unkomplizierter, robuster und einfach zu verwendender Ansatz zu sein scheint, um den dynamischen Designraum eines Batch-Prozesses aufzubauen. |
