스피커
|
성적 증명서
|
| 빅터 길러 |
안녕하세요 여러분, 오늘의 주제는 마찰 성능을 예측하기 위해 혼합물 설계에서 Functional Data Explorer를 사용하는 것입니다. |
| |
그래서 초기 상황을 소개하겠습니다. 먼저 목표는 세 가지 성능 첨가제의 혼합물을 연구하고 최적화하려고합니다. |
| |
가장 높은 성능을 가진 혼합물을 찾기 위해 서로 다른 화학을 사용하여 온도 대비 가장 낮고 안정적인 마찰 계수를 의미합니다. |
| |
또는 가장 높은 스커 핑 온도. 따라서 제형 간의 차이를 파악할 수 있도록 첨가제 총량을 오일에 5 %로 고정합니다. |
| |
그리고 제형에서 첨가제 사이의 점도의 너무 큰 차이를 방지합니다. 그래서 여기서 우리는 마찰에 대해 이야기 할 것입니다. |
| |
이것은 상대적인 움직임에서 상호 작용하는 표면의 과학과 공학입니다. 여기에는 마찰, 윤활 및 마모의 원리에 대한 연구 및 적용이 포함됩니다. |
| |
따라서 혼합물 설계로 심플 렉스 중심 설계를 수행합니다. 여기에서 볼 수 있듯이 첨가제 A, B 및 C를 사용하면 |
| |
우리는 여기에 점, 원 점을 사용할 것입니다. 실험 설계를 수행하는 것은 심플 렉스 중심입니다. 여기에 삼각형 점을 사용합니다. |
| |
모델에 대한 검증 포인트로 사용할 수 있으며, 필요한 경우 이러한 포인트를 사용하여 설계를 보강하고 증강 된 심플 렉스 중심 설계를 수행 할 수 있습니다. |
| |
성능을 평가하기 위해 여기에서이 마찰 계를 사용합니다. 마찰 계 TE 77입니다. |
| |
마찰 계수 대 온도를 측정 할 것이므로 40도에서 200도까지 |
| |
그리고 접점과 함께. 따라서이 그림에서 볼 수 있듯이 진동 운동에서 특정 정상 하중을받는 볼 온 플레이트 구성입니다. 따라서 볼은 고정 된 하부 플레이트에 대해 기계적으로 격리되고 구동 메커니즘은 오일 배스 내부에서 실행됩니다. |
| |
각 테스트마다 시스템의 소프트웨어에 의해 기록 된 4,140 개의 데이터 포인트가 있기 때문에이 테스트와 관련하여 몇 가지 문제가 있습니다. |
| |
따라서 많은 측정을 생성하기 때문에 특정 문제가 발생하므로 일부 중복 정보 또는 높은 자기 상관이있을 수 있습니다. |
| |
또한 불규칙한 샘플링 시간이나 샘플링 빈도가있을 수 있습니다. |
| |
그리고 이러한 모든 점의이면에있는 정보 나 패턴을 분석하는 것은 매우 어려울 수 있습니다. 예를 들어 설명 할 수있는 데이터의 바다를 예로 들어 보겠습니다. |
| |
이 실험 설계를 위해 우리가 만든 모든 실험과 온도에 대한 모든 마찰 계수 곡선. |
| |
그리고 중요한 질문은이 데이터를 어떻게 사용하여 무언가를 예측할 수 있는가입니다. 그렇다면 이러한 곡선에서 특정 점만 사용해야합니까, 아니면 모든 데이터에서 관련 특성을 추출해야합니까? 모든 곡선에서 추출해야합니까? |
| |
따라서 첫 번째 접근 방식은 특정 포인트 만 사용하는 전통적인 접근 방식입니다. |
| |
여기서 세 가지 첨가제에 대한 마찰 계수 곡선 대 온도를 살펴보면 몇 가지 흥미로운 점을 발견 할 수 있습니다. 예를 들면 |
| |
첨가제 C를 살펴보면 마찰 곡선이 파란색으로 표시됩니다. 여기에서 피크, 스커 핑 피크를 발견 할 수 있습니다. 스커 핑 피크의 온도와 최대 마찰 계수를 기록 할 수 있습니다. |
| |
이 피크를 위해 기록되었습니다. 첨가제에 대해서도 동일하게 할 수 있습니다. 예를 들어 첨가제 B의 경우 스커 핑 온도가 더 높고 |
| |
여기에서 마찰 계수가 더 낮고 일부 실험의 경우 예를 들어 Additive A를 볼 때 여러 값을 기록해야 함을 알 수 있습니다. 예를 들면 |
| |
여기에는 마찰 계수가 매우 낮은 첫 번째 스커 핑 피크가 있고, 그 다음에는 더 높은 마찰 계수를 가진 두 번째 스커 핑 피크가 있습니다. 그래서 우리는이 정보를 DOE에서 사용할 수 있습니다. |
| |
모델의 특정 포인트를 사용하기 위해. |
| |
그래서 우리는이 특정 포인트로 모델을 만들 것입니다 |
| |
4 개의 응답이 있고 관심 영역을 식별 할 수 있습니다. |
| |
이 혼합물 디자인에서. 그래서 우리는 여기에서 다른 응답들을 봅니다. 그래서 우리는이 모든 응답들에 대해 꽤 좋은 모델링을 가지고 있습니다. |
| |
혼합물 프로파일 러의 끝 부분을 살펴보면 여기서 관심 영역이 약 ... 첨가제 B의 70 %, 첨가제 A의 30 %를 볼 수 있습니다. 그리고이 영역에서는 마찰 계수가 가장 낮습니다. 그리고 가장 높은 |
| |
스커 핑 온도 획득. |
| |
그렇다면 모델 정확도와 예측 성능은 어떻습니까? 따라서 실험 결과와 모델 및 증강 모델의 예측 간의 차이점을 살펴보면 |
| |
모든 실험에서 실험 결과와 모델의 예측 사이에 약간의 차이가 있음을 알 수 있습니다. 그래서 |
| |
이 경우 심플 렉스 중심 설계가 제공 할 수 있기 때문에 검증 포인트를 모델에 직접 포함 할 필요가 없습니다. |
| |
마찰에 대한 정확한 예측 ... 여기에서 첫 번째 스커 핑 피크의 온도에 대해. |
| |
결론적으로이 첫 번째 접근 방식을 통해 성능을위한 최적의 공식화 영역을 식별 할 수 있습니다. 여기서 가장 낮은 마찰 계수로 가장 높은 스커 핑 온도에 도달합니다. |
| |
이 영역의 중앙에있는 제형은 첨가제 B의 70 %와 첨가제 C의 30 %로 구성되어 있습니다. |
| |
Functional Data Explorer로 동일한 분석 접근 방식을 수행하면 다음과 같은 데이터 테이블이 있으므로 여기에 해당 ID가 있습니다. |
| |
DOE 실험 번호. |
| |
여기에서 첨가제 A, B, C의 비율과 온도를 기록하고 여기에 반응으로 마찰 계수가 있습니다. |
| |
하지만 먼저 Functional Data Explorer 란 무엇입니까? 기능, 신호 또는 시리즈 인 데이터를 위해 설계된 플랫폼이며 탐색 적 데이터 분석으로 사용할 수 있습니다. |
| |
또는 차원 축소 기술로. |
| |
이 경우, 우리는 모델을 생성하고 온도에 따른 마찰 곡선을 예측할 수 있도록 기능 데이터 탐색기를 사용할 것입니다. |
| |
따라서이를 수행하기 위해 분석, 특수 모델링, 기능 데이터 탐색기에 대한 데이터 테이블로 이동합니다. 여기서 ID를 ID 기능으로 설정합니다. |
| |
그런 다음 온도를 입력으로, 마찰 계수를 출력으로 사용합니다. |
| |
첨가제 비율에 대한 정보도 있으므로 보충 변수에 저장하고 혼합물 설계의 검증 포인트를 모델의 검증으로 사용합니다. |
| |
그리고 OK를 클릭합니다. 그러나 우리가 먼저 볼 수있는 것은 테스트 시작 부분에 여기에 많은 가변성이 있다는 것입니다. |
| |
그래서 먼저 |
| |
우리가해야 할 일은 매우 낮은 온도에서 모든 지점을 제거하는 것입니다. 긁힘 피크가 없기 때문입니다. |
| |
첨가제에 따라 다르지만 테스트 초기화이므로 노이즈가 많이 발생합니다. 따라서 첫 번째 좋은 온도 값에 도달하려면 약 40도 정도의 온도를 실온에서 40도까지 높여야합니다.이 값의 기울기에 따라 |
| |
온도 변화로 인해 약간의 소음이 발생할 수 있습니다. 그래서 먼저 |
| |
Functional Data Explorer에서 여기서 온도를 필터링하고 45도 이상의 값만 유지합니다. 그러면 확인할 수 있습니다. 곡선의 시작 부분에서 노이즈를 제거하고 설명 만 할 모델을 설정할 수 있습니다. 첨가제에 따른 변동성. |
| |
그런 다음 P-Spline 모델을 만듭니다. 따라서 먼저 모델에 포함 할 매듭의 양을 선택해야합니다. 이 경우 158 노트를 사용하면 |
| |
모델링의 타협. |
| |
진단 플롯을 보면 마찰 계수가 높을 때 약간의 변동과 더 높은 잔차가 있음을 알 수 있습니다. 이는 불안정한 상황이기 때문에 매우 정상입니다. |
| |
여기에서 흥미로운 부분은 ... JMP가 모든 곡선에 대한 모델을 제공 할 수 있다는 것입니다. 각 곡선에 대해 여기에 평균 곡선과 여기에 일부 함수로 구성됩니다. |
| |
서로 다른 마찰 곡선을 최대한 정확하게 표현하기 위해 각 함수에 연결된 계수를 사용합니다. |
| |
또한 변수를 도입했기 때문에 Additive A, B, C, |
| |
여기에서보기 위해 첨가제의 비율을 변경할 수 있습니다. |
| |
그래서 여기서도 할 것입니다. |
| |
다만 |
| |
이미 P-Spline을 엽니 다. |
| |
끝난. |
| |
158 노트. 비율 ... 가산 비율과 모델의 곡선 예측 사이의 상호 작용을 보여주기 위해. |
| |
그래서 우리는 전에 필터링을했고, 그래서 여기 마지막에, 저는 움직일 수 있습니다. 예를 들어, 여기에 Additive A를 더 넣거나 Additive B를 줄여서 그것이 어떻게 영향을 미치는지 볼 수 있습니다. |
| |
내 마찰 곡선. 이 프로파일 러의 유일한 문제는 혼합물 설계의 제약이 없기 때문에 첨가제를 100 % 이상 함유 할 수 있다는 것입니다. 예를 들어 여기에서는 첨가제 A를 100 % 가질 수 있지만 첨가제 B와 C도 가질 수 있습니다. |
| |
그러나 여전히 첨가제와 마찰 계수 결과 간의 상호 작용을 아는 데 도움이됩니다. |
| |
모델 정확도와 예측 성능에 관심이 있다면 죄송합니다. |
| |
모델 정확도와 예측 성능, 예를 들어이 곡선을 살펴볼 수 있습니다. 따라서 P-Spline 모델의 실험 데이터 포인트는 파란색으로, 부드러운 곡선은 빨간색으로 표시됩니다. |
| |
검증 포인트가 무엇인지, 실험 결과와 |
| |
P-Spline 모델의 예측. |
| |
다음으로 우리가하고 싶은 것은 혼합물 제공자로부터이 실험 공간을 스크리닝 할 수있게하는 것입니다. |
| |
이 실험 공간에서 우리가 어디에 있는지에 따라 마찰 계수 곡선이 어떻게 생겼는지 보여줍니다. 먼저 DOE 데이터 테이블로 이동해야합니다.이 테이블은 |
| |
여기에 ID 열을 만듭니다. |
| |
Functional Data Explorer 데이터 테이블의 Functional Data Explorer의 ID 열과 일치합니다. 그래서 여기에서는 DOE의 각 실험이 연결되어 있습니다 ... 이와 같이 Functional Data Explorer 테이블의 ID 열과 동일한 번호를 갖습니다. |
| |
그런 다음 DOE 테이블에서 ID를 마우스 오른쪽 버튼으로 클릭하고 링크 ID를 말해야합니다. Functional Data Explorer 테이블에서 동일한 작업을 수행하지만 이번에는 링크 참조를 수행하고 이전 데이터 테이블을 참조해야하므로 DOE에서 직접 참조해야합니다. |
| |
이 작업을 마치면 DOE 테이블에서 Fit Group 스크립트를 열 수 있으므로 여기 끝에 혼합 프로파일 러가있는 스크립트가 있습니다. |
| |
또한 Functional Data Explorer를 엽니 다. |
| |
기능 데이터 탐색기 테이블에서 분석. |
| |
그래서 내가 이미 열었던 것. |
| |
따라서 열려면 몇 초 밖에 걸리지 않습니다. |
| |
그래서 왼쪽에 |
| |
여기와 오른쪽에있는 혼합물 프로파일 러 |
| |
Functional Data Explorer 분석을하겠습니다. 마지막 단계는이 두 개의 프로파일 러를 연결하는 것이므로 여기에서 빨간색 삼각형, 요소 설정, 링크 프로파일 러로 이동합니다. |
| |
여기에서 똑같은지 확인하십시오. |
| |
이제이 작업을 마치면 두 프로필이 연결되어 있습니다. 즉, 여기로 이동하면 |
| |
더 큰 화면에서 여기에 곡선이 있습니다. 여기로 내 점을 이동하면 오른쪽에 마찰 계수 곡선의 곡선을 예측할 수 있습니다. |
| |
그래서 그것은 ...이 지역을 시각적으로 탐색하기위한 매우 상호 작용적인 도구입니다. 그리고 우리의 최적 영역에서 마찰 계수가 상당히 안정적이고 여기에서 동일한 값임을 알 수 있습니다. |
| |
그래서 여기 |
| |
이제 믹서 프로파일 러를 사용하여 실험 공간을 스크리닝하고 실험 공간의 모든 지점에 대해 예측 된 마찰 계수 곡선이 어떻게 보이는지 확인할 수 있습니다. |
| |
결론적으로 실험 공간에서 모든 마찰 계수 곡선을 결정하고 예측할 수 있으며 영향 첨가제에 대해 더 잘 이해할 수 있습니다. 여기의 예입니다. |
| |
그래서 저는 여기 중간부터 시작합니다. 여기로 이동하면 첨가제 A의 레벨을 높이는 것입니다. 오른쪽에 보시다시피 |
| |
여기에 더 큰 경사와 가장 높은 스커 핑 피크가 있습니다. |
| |
첨가제 A에만 더 가까이 다가 갈 때. |
| |
중간에서 시작하여 Additive C의 레벨을 높이면 여기서 프로파일 러 끝의 기울기가 감소하는 것을 볼 수 있지만 여기에는 약 80도에서 매우 짧은 스커 핑 피크가 있습니다. |
| |
중간에서 시작하여 첨가제 A로 이동하면 |
| |
끝에는 가벼운 경사가 있지만 여기에는 스커 핑 피크가 없습니다. 그리고 제가 여기서 관심 분야에있을 때 마지막 두 가지 첨가제의 좋은 측면이 있습니다. 그 의미는 |
| |
나는 80도 부근에서 피크가 없으며이 영역에서도 안정적인 마찰 계수를 가질 수 있습니다. |
| |
그래서 |
| |
혼합물 프로파일 러와 실험 프로파일 러의 기능 설계. |
| |
Functional Data Explorer 접근 방식의 장점 ... 먼저 모든 데이터 포인트를 분석하므로 특정 포인트가 비슷한 가치를 가질 수 있더라도 |
| |
곡선이 다르게 동작 할 수 있습니다. 예를 들어, 마찰 계수 값을 보지 않으면 매우 유사한 값을 가지고 있다고 말할 수 있습니다. |
| |
두 실험에 대해 동일한 스커 핑 온도를 가지고 있지만 보시다시피 두 실험에서 얻은 마찰 계수는 매우 다릅니다. |
| |
두 번째 요점은 올바른 특정 요점과 규칙을 선택하는 더 주관적이고 도메인 전문가의 접근 방식에 비해 객관적인 분석을 수행 할 수 있다는 것입니다. |
| |
DOE에 대한 응답으로. 여기에 예를 들어 보면 DOE 응답에 대한 올바른 값이 무엇인지 자문 해 볼 수 있습니다. 이 그래프 피크 또는이 피크를 고려해야합니까? |
| |
이 그래프 피크가 너무 작거나 고려할 수 없습니까? 이걸 고려해야할까요? 그리고이 그래프 영역도 흥미 롭습니까? |
| |
우리를 위해? 따라서 특정 값이나 특정 관심 지점 만 파악하는 것이 상황에 따라 상당히 어려울 수 있습니다. 그리고 마지막으로 우리가 본 것처럼 |
| |
이를 통해 배합 성능에 대한 첨가제의 영향에 대한 대화식 시각화 및 예측 모델링이 가능합니다. |
| |
따라서 FUCHS의 이점으로,이 새로운 접근 방식을 사용하면 기존 평가에서 일반적으로 무시할 수있는 첨가제 간의 복잡한 상호 작용에 대한 이해를 높일 수 있으며보다 정확한 예측 모델을 구축 할 수 있습니다. |
| |
관심을 가져 주셔서 감사합니다. |
