Vocero
|
Transcripción
|
| Víctor GUILLER |
Hola a todos, el tema de hoy es utilizar Functional Data Explorer en el diseño de la mezcla para predecir el rendimiento tribológico. |
| |
Así que la situación inicial que les presentaré. Así que primero el objetivo, queremos estudiar y optimizar la mezcla de tres aditivos de rendimiento. |
| |
con diferentes químicas para encontrar la mezcla con el mayor rendimiento, lo que significa el coeficiente de fricción más bajo y más estable frente a la temperatura, |
| |
o la temperatura de raspado más alta. Por lo tanto, la cantidad total de aditivo se fija al 5% en aceite para poder detectar diferencias entre formulaciones. |
| |
y evitar diferencias demasiado grandes en la viscosidad entre los aditivos en la formulación. Entonces aquí hablaremos de tribología, |
| |
que es la ciencia y la ingeniería de superficies que interactúan en movimientos relativos. Incluye el estudio y aplicación de los principios de fricción, lubricación y desgaste. |
| |
Entonces, como diseño de mezcla, haremos un diseño de centroide simplex. Entonces, como puede ver aquí con los aditivos A, B y C, |
| |
Usaremos los puntos aquí, los puntos del círculo, para ... para hacer el diseño de experimentos es centroide simplex. Y usaremos los puntos del triángulo aquí. |
| |
como punto de validación para el modelo y, si es necesario, estos puntos pueden usarse para aumentar el diseño y así hacer un diseño de centroide simplex aumentado. |
| |
Para evaluar el rendimiento, usaremos este tribómetro aquí. Es un tribómetro TE 77. |
| |
Mediremos el coeficiente de fricción frente a la temperatura, por lo que comienza desde los 40 grados hasta los 200 grados. |
| |
y con los puntos de contacto. Por lo tanto, es una configuración de bola sobre placa bajo una cierta carga normal en un movimiento oscilante, como puede ver en esta figura. Por lo tanto, la bola está aislada mecánicamente contra la placa inferior fija y los mecanismos de accionamiento funcionan dentro de un baño de aceite. |
| |
Tenemos algunos desafíos con respecto a esta prueba, porque para cada prueba, tenemos 4,140 puntos de datos que son registrados por el software en el sistema. |
| |
Por lo tanto, crea desafíos particulares, porque generamos muchas mediciones, por lo que es posible que tengamos información redundante o una alta autocorrelación. |
| |
Y también es posible que tengamos un tiempo de muestreo o una frecuencia de muestreo irregulares. |
| |
Y puede ser bastante difícil analizar la información o el patrón detrás de todos estos puntos. Entonces, como ejemplo, aquí está, como podemos describirlo, digamos un mar de datos |
| |
con todos los experimentos que hemos realizado para este diseño de experimentos y todas las curvas de coeficiente de fricción frente a la temperatura. |
| |
Y la gran pregunta es, ¿cómo podemos usar estos datos para predecir algo? Entonces, ¿deberíamos intentar usar solo puntos específicos de estas curvas o deberíamos intentar extraer las características relevantes de todos los datos, por lo tanto, de todas las curvas? |
| |
Entonces, el primer enfoque es un enfoque tradicional en el que solo usaremos algunos puntos específicos. |
| |
Si observamos las curvas del coeficiente de fricción frente a la temperatura para los tres aditivos solos aquí, podemos detectar algunos puntos interesantes. Por ejemplo, |
| |
Si miramos el Aditivo C, por lo que la curva de fricción en azul, podemos detectar aquí un pico, un pico de rozamiento, para que podamos registrar la temperatura en el pico de roce y el coeficiente de fricción máximo. |
| |
registrado para esto ... para este pico. Podemos hacer lo mismo con los aditivos, por lo que, por ejemplo, para el Aditivo B, tenemos una temperatura de raspado más alta y también un |
| |
coeficiente de fricción más bajo aquí, y también podemos ver que para algunos experimentos, por ejemplo aquí cuando miramos al Aditivo A, necesitamos registrar varios valores. Por ejemplo, |
| |
tenemos aquí el primer pico de raspado con un coeficiente de fricción bastante bajo, y luego tenemos aquí, un segundo pico de raspado con un coeficiente de fricción más alto obtenido. Para que podamos usar esta información en el DOE |
| |
para utilizar los puntos específicos del modelo. |
| |
Entonces crearemos un modelo con estos puntos específicos. |
| |
para que haya cuatro respuestas y podamos identificar un área de interés |
| |
en este diseño de mezcla. Así que miramos aquí las diferentes respuestas, por lo que tenemos un modelo bastante bueno para todas estas respuestas. |
| |
Y cuando miramos al final del perfilador de mezcla, podemos ver aquí un área de interés que es aproximadamente ... entonces 70% de Aditivo B y 30% de Aditivo A. Y en esta área, tenemos el coeficiente de fricción más bajo. y el mas alto |
| |
temperatura de raspado obtenida. |
| |
Entonces, ¿qué pasa con la precisión del modelo y el rendimiento predictivo? Entonces, si miramos las diferencias entre los resultados experimentales y la predicción del modelo y el modelo aumentado, |
| |
podemos ver que, para todos los experimentos, tenemos una pequeña diferencia de ... entre los resultados experimentales y la predicción del modelo. Asi que |
| |
En este caso, no tiene sentido incluir el punto de validación directamente en el modelo porque el diseño del centroide simplex puede proporcionar una |
| |
predicción lo suficientemente precisa para la fricción ... para la temperatura en el primer pico de raspado aquí. |
| |
Entonces, como conclusión, este primer enfoque nos permite identificar un área de formulación óptima para el rendimiento, donde alcanzamos la temperatura de raspado más alta con el coeficiente de fricción más bajo, |
| |
y la formulación en el centro de esta área está compuesta por 70% de Aditivo B y 30% de Aditivo C. |
| |
Cuando hacemos el mismo enfoque de análisis con el Explorador de datos funcionales, tenemos una tabla de datos que se ve así, por lo que tenemos aquí el ID correspondiente al |
| |
Número de experimento DOE. |
| |
Aquí, la proporción de Aditivo A, B y C y registramos la temperatura y tenemos el coeficiente de fricción como respuesta aquí. |
| |
Pero primero, ¿qué es Functional Data Explorer? Es una plataforma diseñada para datos que son funciones, señal o serie, y se puede utilizar como análisis exploratorio de datos, así que este es nuestro caso aquí. |
| |
o como técnica de reducción de dimensiones. |
| |
En este caso, ... utilizaremos el Explorador de datos funcionales para crear un modelo y poder predecir curvas de fricción en función de la temperatura. |
| |
Entonces, para hacer esto, vamos a esta tabla de datos sobre análisis, modelado especializado, Explorador de datos funcionales. Establecemos la ID aquí como la función de ID. |
| |
Entonces tenemos la temperatura como nuestra entrada y el coeficiente de fricción como nuestra salida. |
| |
También tenemos información sobre la proporción del aditivo, por lo que los guardaremos en las variables complementarias, y usamos los puntos de validación del diseño de la mezcla, también como validación aquí en nuestro modelo. |
| |
Y hacemos clic en Aceptar, pero lo que podemos ver primero es que tenemos mucha variabilidad aquí al comienzo de las pruebas. |
| |
Asi que primero |
| |
lo que tenemos que hacer es quitar todo el punto aquí con muy baja temperatura, porque no tendrás pico raspado, |
| |
dependiendo de los aditivos, pero hay mucho ruido porque es la inicialización de la prueba. Entonces, para alcanzar el primer buen valor de temperatura, alrededor de 40 grados, debe aumentar la temperatura de la temperatura ambiente a 40 grados, y dependiendo de la pendiente de este |
| |
variación de temperatura, puede introducir algo de ruido. Así que primero, en |
| |
el Functional Data Explorer, aquí filtraremos por la temperatura y solo mantendremos valores que estén por encima de los 45 grados y luego se puede ver, quitaremos el ruido al inicio de las curvas y podremos configurar un modelo que solo explicará variabilidad en función de los aditivos. |
| |
Entonces, creamos nuestro modelo P-Spline. Entonces primero tenemos que seleccionar cuántos nudos tendremos en el modelo. Entonces, en este caso cuando usamos 158 nudos, tenemos el mejor |
| |
compromiso en el modelado. |
| |
Mirando las gráficas de diagnóstico, podemos ver que tenemos alguna variación y residuos más altos cuando tenemos un coeficiente de fricción más alto, lo cual es bastante normal porque es una situación inestable. |
| |
Y la parte interesante aquí es que ... entonces JMP puede proporcionarme el modelo para todas las curvas. Para cada curva, se compone de una curva media aquí y alguna función aquí. |
| |
con coeficiente vinculado a cada una de las funciones para expresar con la mayor precisión posible todas las diferentes curvas de fricción. |
| |
Y también tenemos la parte agradable de que, debido a que hemos introducido las variables, el Aditivo A, B y C, |
| |
podemos cambiar aquí la proporción de los aditivos para mirar. |
| |
Así que lo haré también aquí. |
| |
Solo |
| |
abriendo el P-Spline ya. |
| |
Hecho. |
| |
Con 158 nudos. Solo para mostrarle la interactividad entre la tasa ... la relación aditiva y la predicción de la curva del modelo. |
| |
Así que ya hicimos nuestro filtrado antes, y al final aquí, puedo moverme ... Puedo tener aquí, por ejemplo, más Aditivo A o disminuir el Aditivo B y ver cómo impacta |
| |
mi curva de fricción. El único problema de este generador de perfiles es que no tiene la restricción del diseño de la mezcla, por lo que eso significa que puede tener más del 100% del aditivo. Entonces, por ejemplo aquí, puedo tener el 100% de Aditivo A pero también Aditivo B y C. |
| |
Pero aún así, nos ayuda a conocer la interacción entre los aditivos y los resultados del coeficiente de fricción. |
| |
Si estamos interesados en la precisión del modelo y el rendimiento predictivo ... lo siento. |
| |
Modelo de precisión y rendimiento predictivo, por lo que podemos echar un vistazo, por ejemplo, aquí en esta curva. Entonces tiene los puntos de datos experimentales en azul y la curva suave en rojo del modelo P-Spline y, si miramos también |
| |
cuál es nuestro punto de validación, puede ver que tenemos una coincidencia bastante buena entre los resultados experimentales y |
| |
la predicción del modelo P-Spline. |
| |
A continuación, lo que queremos hacer es poder filtrar este espacio experimental desde el proveedor de la mezcla, pero tener directamente un enlace |
| |
para mostrarnos cómo se ven las curvas del coeficiente de fricción, dependiendo de cómo ... dónde estemos en este espacio experimental. Primero tenemos que ir a la tabla de datos del DOE, así que este, |
| |
y crea una columna de ID aquí |
| |
que coincidirá con la columna ID del Explorador de datos funcionales en la tabla de datos del Explorador de datos funcionales. Entonces, aquí cada experimento del DOE está vinculado ... tiene el mismo número que la columna de ID de la tabla del Explorador de datos funcionales, así que como este. |
| |
Y luego tenemos que, en la tabla DOE, tenemos que hacer clic derecho en ID y decir ID de enlace. Y en la tabla del Explorador de datos funcionales, haremos lo mismo, enlace, pero esta vez enlace de referencia, y tenemos que hacer referencia a la tabla de datos anterior, por lo que directamente desde el DOE. |
| |
Cuando hayamos hecho esto, podemos abrir el script de Fit Group de las tablas DOE, por lo que el que tiene el generador de perfiles de mezcla al final aquí. |
| |
Y también abriremos el Explorador de datos funcionales |
| |
análisis de la tabla del Explorador de datos funcionales. |
| |
Así que el que ya abrí. |
| |
Así que solo toma unos segundos abrirlo. |
| |
Así que pondré a la izquierda |
| |
el perfilador de mezcla aquí, y a la derecha |
| |
Pondré el análisis de Functional Data Explorer. Y el último paso que debemos hacer es vincular estos dos perfiladores, por lo que iré al triángulo rojo aquí, a la configuración de los factores y al generador de perfiles del enlace aquí. |
| |
Solo asegúrate de que sea igual aquí. |
| |
Bien, ahora que he hecho esto, los dos perfiles están vinculados, eso significa que si me mudo aquí, solo les mostraré |
| |
las curvas aquí en la pantalla más grande, por lo que si muevo aquí mis puntos, tendré la predicción de las curvas de las curvas del coeficiente de fricción directamente a la derecha. |
| |
Entonces es una ... es una herramienta muy interactiva para explorar visualmente el área. Y en nuestra área óptima, puede ver que el coeficiente de fricción es bastante estable y tiene el mismo valor aquí. |
| |
Asi que aqui |
| |
ahora podemos usar un perfilador de mezclador para filtrar el espacio experimental y ver cómo se ven las curvas del coeficiente de fricción predichas para cualquier punto del espacio experimental. |
| |
Como conclusión, es posible determinar y predecir todas las curvas de coeficientes de fricción en el espacio experimental y tenemos una mejor comprensión de los aditivos de influencia. Como ejemplo aquí. |
| |
Entonces, estoy comenzando desde el medio aquí, si me muevo allí, eso significa que estoy aumentando el nivel de Aditivo A. Puede ver, a la derecha |
| |
que tenemos una pendiente más grande aquí y el pico de raspado más alto |
| |
cuando me acerque al Aditivo A solamente. |
| |
Si también empiezo desde el medio y aumento el nivel de Aditivo C, puede ver que la pendiente al final del perfilador aquí disminuye, pero aquí tenemos un pico de desgaste muy corto de alrededor de 80 grados. |
| |
Comenzando desde el medio y yendo al Aditivo A, puede ver que todavía tenemos |
| |
una ligera pendiente aquí al final, pero ningún pico raspado aquí. Y cuando estoy en el área de interés aquí, tengo los aspectos buenos de los dos últimos aditivos. Eso significa |
| |
Puedo no tener un pico alrededor de los 80 grados y tener un coeficiente de fricción estable también en esta área. |
| |
Asi que |
| |
el perfilador de mezclas y el diseño funcional del perfilador de experimentos. |
| |
Las ventajas del enfoque del Explorador de datos funcionales ... primero, analiza todos los puntos de datos, por lo que incluso si los puntos específicos pueden tener un valor similar, |
| |
la curva puede comportarse de manera diferente. Entonces, aquí como ejemplo, si no observa el valor del coeficiente de fricción, puede decir que tiene un valor muy similar porque |
| |
tiene la misma temperatura de desgaste para los dos experimentos, pero, como puede ver, tiene un coeficiente de fricción muy diferente obtenido para los dos experimentos aquí. |
| |
Entonces, el segundo punto es que puede hacer un análisis objetivo en comparación con un enfoque más subjetivo y experto en el dominio para seleccionar los puntos y la regla específicos correctos. |
| |
como respuesta para el DOE. Si tomamos aquí un ejemplo, podemos preguntarnos cuáles son los valores correctos para la respuesta del DOE. ¿Deberíamos considerar este pico gráfico o este? |
| |
¿Este pico gráfico es demasiado pequeño o no debe tenerse en cuenta? ¿Deberíamos considerar este? ¿Y esta área de gráficos también es interesante? |
| |
para nosotros en eso? Por lo tanto, puede ser bastante difícil en alguna situación detectar solo un valor específico o un punto de interés específico. Y, por último, pero no menos importante, como hemos visto, |
| |
permite tener una visualización interactiva y un modelado predictivo de la influencia de los aditivos en los rendimientos de la formulación. |
| |
Entonces, como los beneficios para FUCHS, ya que este nuevo enfoque permite una mayor comprensión de la compleja interacción entre los aditivos que normalmente pueden ser ignorados por la evaluación convencional y tenemos la posibilidad de construir modelos predictivos más precisos. |
| |
Muchas gracias por su atención. |
