揚聲器
|
成績單
|
| 維克多·吉勒（Victor GUILLER） |
大家好，今天的主題是在混合物設計中使用Functional Data Explorer來預測摩擦性能。 |
| |
所以最初的情況我會介紹給你。 因此，首要目標是，我們要研究和優化三種性能添加劑的混合物 |
| |
為了找到性能最高的混合物，這意味著相對於溫度的最低和最穩定的摩擦係數， |
| |
或最高劃傷溫度。 因此添加劑的總量固定在油中為5％，以便能夠發現配方之間的差異 |
| |
並避免配方中添加劑之間的粘度差異太大。 所以在這裡我們將討論摩擦學， |
| |
這是相對運動中相互作用表面的科學和工程學。 它包括摩擦，潤滑和磨損原理的研究和應用。 |
| |
因此，作為混合設計，我們將做一個單純形質心設計。 正如您在此處看到的，添加了A，B和C的添加劑之後， |
| |
我們將在此處使用圓點，因為...用於進行實驗設計是單純形質心。 我們將在這裡使用三角形點 |
| |
作為模型的驗證點，並且在必要時可以將這些點用於擴充設計，從而進行擴充的單純形質心設計。 |
| |
為了評估性能，我們將在這裡使用該摩擦計。 這是一個摩擦計TE 77。 |
| |
我們將測量摩擦係數與溫度的關係，因此它的範圍是從40度到200度 |
| |
以及聯絡點。 因此，這是在一定的正常載荷下以擺動運動在板上配置的球，如您在此圖上看到的。 因此，球與固定的下部板機械隔離，並且驅動機構在油浴內部運行。 |
| |
對於此測試，我們面臨一些挑戰，因為對於每個測試，我們都有4140個數據點，這些數據點由系統中的軟件記錄。 |
| |
因此，這會帶來特殊的挑戰，因為我們會生成大量測量結果，因此我們可能會有一些冗餘信息或高度自相關。 |
| |
而且我們可能還會有不規則的採樣時間或採樣頻率。 |
| |
分析所有這些要點背後的信息或模式可能非常困難。 因此，作為一個例子，正如我們可以描述的那樣，假設有大量的數據 |
| |
我們針對該實驗設計進行了所有實驗，所有摩擦係數曲線均隨溫度變化。 |
| |
最大的問題是，我們如何使用這些數據來預測某些東西？ 因此，我們應該只嘗試使用這些曲線中的特定點，還是應該嘗試從所有數據中（從所有曲線中）提取相關特徵？ |
| |
因此，第一種方法是傳統方法，我們將僅使用一些特定點。 |
| |
如果僅在這裡查看三種添加劑的摩擦係數曲線與溫度的關係，我們會發現一些有趣的點。 例如， |
| |
如果我們看一下添加劑C，那麼摩擦曲線為藍色，我們可以在此處發現一個峰值，一個擦傷峰，因此我們可以記錄該擦傷峰處的溫度和最大摩擦係數 |
| |
記錄...為此峰。 我們可以對添加劑執行相同的操作，例如，對於添加劑B，我們具有較高的擦傷溫度，而且 |
| |
此處的摩擦係數較低，我們還可以看到，對於某些實驗，例如在此處查看添加劑A時，我們需要記錄幾個值。 例如， |
| |
我們這裡有一個摩擦係數非常低的第一個磨損峰，然後這裡有一個摩擦係數較高的第二個磨損峰。 因此我們可以在DOE中使用此信息 |
| |
為了使用模型中的特定點。 |
| |
因此，我們將創建一個具有特定點的模型 |
| |
這樣就有四個回應，我們就能確定一個感興趣的領域 |
| |
在這種混合設計中。 因此，我們在這裡查看不同的響應，因此我們對所有這些響應都有一個很好的建模。 |
| |
當我們查看混合物輪廓儀的末端時，我們可以在此處看到一個大約...感興趣的區域，因此，添加劑B的70％和添加劑A的30％。在這個區域中，我們的摩擦係數最低和最高的 |
| |
獲得划痕溫度。 |
| |
那麼模型的準確性和預測性能又如何呢？ 因此，如果我們查看實驗結果與模型和增強模型的預測之間的差異， |
| |
我們可以看到，對於所有實驗，實驗結果與模型預測之間的差異都非常小。 所以 |
| |
在這種情況下，將驗證點直接包含在模型中是沒有用的，因為單純形質心設計能夠提供 |
| |
足夠準確的摩擦預測...此處為第一個磨損峰值時的溫度。 |
| |
因此，作為結論，第一種方法使我們能夠確定性能的最佳配方區域，在該區域中，我們達到最高的划痕溫度且摩擦係數最低， |
| |
並且該區域中心的配方由70％的添加劑B和30％的添加劑C組成。 |
| |
當我們使用Functional Data Explorer執行相同的分析方法時，我們將擁有一個看起來像這樣的數據表，因此此處具有與 |
| |
DOE實驗編號。 |
| |
在這裡，添加劑A，B和C的比例記錄溫度，在此我們將摩擦係數作為響應。 |
| |
但是首先，什麼是Functional Data Explorer？ 這是一個為功能，信號或序列而設計的數據平台，可以用作探索性數據分析，所以這裡就是我們的例子， |
| |
或作為降維技術。 |
| |
在這種情況下，我們將使用功能數據瀏覽器來創建模型，並能夠根據溫度預測摩擦曲線。 |
| |
因此，為了做到這一點，我們在分析，專用建模，Functional Data Explorer上的數據表上進行操作。 我們在這裡將ID設置為ID功能。 |
| |
然後，將溫度作為輸入，將摩擦係數作為輸出。 |
| |
我們也有關於添加劑比例的信息，因此我們將它們保存在補充變量中，並且我們使用混合物設計中的驗證點，也用作模型中的驗證。 |
| |
然後單擊“確定”，但是首先可以看到的是，在測試開始時，這裡有很多可變性。 |
| |
所以首先 |
| |
我們要做的是在非常低的溫度下移除所有點，因為您不會出現峰值磨損， |
| |
取決於添加劑，但由於它是測試的初始化，因此會產生很大的噪音。 因此，為了達到第一個良好的溫度值（即40度左右），您必須將溫度從室溫提高到40度，具體取決於此溫度的斜率 |
| |
溫度變化會引入一些噪音。 所以首先 |
| |
在Functional Data Explorer中，我們將在此處過濾溫度，並且僅保持高於45度的值，然後您可以看到，我們將消除曲線開始處的噪聲，並可以設置一個僅能解釋說明的模型可變性取決於添加劑。 |
| |
因此，我們創建了P樣條線模型。 因此，首先我們必須選擇模型中的結數。 因此，在這種情況下，當我們使用158節時，我們擁有最好的 |
| |
在建模中妥協。 |
| |
查看診斷圖，我們可以發現，當我們具有較高的摩擦係數時，會有一些偏差和較高的殘差，這是很正常的，因為它是不穩定的情況。 |
| |
而且這裡有趣的部分是...因此JMP能夠為我提供所有曲線的模型。 對於每條曲線，它由此處的均值曲線和此處的某些函數組成 |
| |
係數鏈接到每個函數，以便盡可能準確地表示所有不同的摩擦曲線。 |
| |
而且我們還有一個很不錯的部分，因為我們已經引入了變量，所以加法A，B和C， |
| |
我們可以在這裡更改添加劑的比例以便查看。 |
| |
所以我也會在這裡做。 |
| |
只是 |
| |
已經打開了P樣條曲線。 |
| |
完畢。 |
| |
158節。 只是為了向您展示速率...添加比例與模型中的曲線預測之間的交互作用。 |
| |
因此，我們之前已經進行了過濾，因此在此結束時，我可以移動...例如，可以在此處添加更多的添加劑A或減少添加劑B並查看其如何影響 |
| |
我的摩擦曲線。 該輪廓分析儀的唯一問題是，您沒有混合物設計的約束，因此，您可以擁有超過100％的添加劑。 因此，例如在這裡，我可以有100％的添加劑A，也可以有添加劑B和C。 |
| |
但是，它仍然可以幫助我們了解添加劑與摩擦係數結果之間的相互作用。 |
| |
如果我們對模型的準確性和預測性能感興趣...很抱歉。 |
| |
模型的準確性和預測性能，因此例如可以在此曲線上查看。 因此，您可以從P-Spline模型中獲得藍色的實驗數據點和紅色的平滑曲線，如果 |
| |
我們的驗證點是什麼，您可以看到我們在實驗結果和 |
| |
P樣條模型的預測。 |
| |
因此，接下來我們要做的是能夠從混合物提供者那裡篩選出這個實驗空間，但是直接擁有一個鏈接 |
| |
展示給我們摩擦係數曲線的樣子，這取決於我們在這個實驗空間中的位置。 所以首先我們要進入DOE數據表，所以這個， |
| |
並在此處創建一個ID列 |
| |
與“功能數據瀏覽器”數據表中“功能數據瀏覽器”的ID列匹配。 因此，在這裡，來自DOE的每個實驗都被鏈接在一起……與“功能數據瀏覽器”表中的ID列具有相同的編號，就像這樣。 |
| |
然後，我們必須在DOE表上右鍵單擊ID並說出鏈接ID。 在Functional Data Explorer表上，我們將執行相同的鏈接，但是這次是鏈接引用，因此我們必須直接從DOE引用它到先前的數據表。 |
| |
完成此操作後，我們可以從DOE表中打開“擬合組”腳本，因此此處的末尾是帶有混合輪廓分析器的腳本。 |
| |
我們還將打開Functional Data Explorer |
| |
從功能數據瀏覽器表中進行分析。 |
| |
所以我已經打開了。 |
| |
因此，只需幾秒鐘即可將其打開。 |
| |
所以我會放在左邊 |
| |
此處和右側的混合物分析器 |
| |
我將對功能數據瀏覽器進行分析。 我們需要做的最後一步是鏈接這兩個探查器，因此我將在此處繼續紅色三角形，因子設置並在此處鏈接探查器。 |
| |
只需確保此處相同即可。 |
| |
好的，現在完成此操作後，兩個配置文件已鏈接在一起，這意味著如果我移到此處，我只會向您顯示 |
| |
在較大的屏幕中顯示曲線，因此，如果在此處移動我的點，則將直接在右側獲得摩擦係數曲線的預測曲線。 |
| |
因此，這是...這是一個非常互動的工具，可以直觀地探索該區域。 在我們的最佳區域中，您可以看到摩擦係數非常穩定，並且在此處處於相同的值。 |
| |
所以在這裡 |
| |
現在，我們可以使用混合器輪廓儀來篩選實驗空間，並查看實驗空間任何一點的預測摩擦係數曲線。 |
| |
結論是，可以確定和預測實驗空間中的所有摩擦係數曲線，並且我們對影響添加劑有更好的了解。 作為一個例子。 |
| |
所以我從中間開始，如果我移到那裡，那意味著我正在增加添加劑A的水平。您可以在右側看到 |
| |
我們在這裡有一個更大的斜率和最高的磨損峰值 |
| |
當我更接近添加劑A時。 |
| |
如果我也從中間開始，並且增加了添加劑C的水平，則可以看到此處探查器末端的斜率減小了，但此處在80度左右有一個非常短的磨損峰。 |
| |
從中間開始，轉到添加劑A，您可以看到我們仍然有 |
| |
最後是一個小斜率，但這裡沒有磨損峰。 當我在這裡感興趣的領域時，我會了解最後兩種添加劑的優點。 那意味著 |
| |
我在80度左右沒有峰值，並且在該區域也具有穩定的摩擦係數。 |
| |
所以 |
| |
混合物分析儀和實驗分析儀的功能設計。 |
| |
Functional Data Explorer方法的優點...首先，您分析了所有數據點，因此即使特定的點可以具有相似的價值， |
| |
曲線的行為可能會有所不同。 因此，這裡舉一個例子，如果您不看摩擦係數值，您可能會說您有非常相似的值，因為 |
| |
您在兩個實驗中具有相同的划痕溫度，但是，正如您所看到的，您在這裡的兩個實驗中獲得的摩擦係數非常不同。 |
| |
因此，第二點是，與選擇正確的特定點和規則的更主觀且領域專家的方法相比，您可以進行客觀的分析 |
| |
作為美國能源部的回應。 如果以此處為例，我們可能會問自己，DOE響應的正確值是多少？ 我們應該考慮這個圖峰還是這個圖峰？ |
| |
該圖形峰是否太小或不被考慮？ 我們應該考慮這個嗎？ 而且這個繪圖區域是否也很有趣 |
| |
對我們來說呢？ 因此，在某些情況下僅發現特定價值或特定興趣點可能會非常困難。 最後但並非最不重要的是，如我們所見， |
| |
它可以對添加劑對配方性能的影響進行交互式可視化和預測建模。 |
| |
因此，作為FUCHS的好處，由於這種新方法使人們對添加劑之間的複雜相互作用有了更深入的了解，而傳統評估通常可能會忽略這些添加劑之間的複雜相互作用，因此我們有可能建立更精確的預測模型。 |
| |
非常感謝您的關注。 |
