349208_ko-KR

liliconcom

마찰 성능 예측을 위한 혼합물 설계의 기능 데이터 탐색기 사용(2021-EU-30MP-739)

레벨: 중급

 

Victor GUILLER, R&D 엔지니어, FUCHS Lubrifiant FRANCE

 

기능적 데이터는 문제를 일으킵니다. 때로는 중복 정보 및/또는 높은 자기상관으로 많은 측정을 생성하고 샘플링 빈도가 규칙적이지 않을 수 있으며 데이터 이면의 정보 또는 패턴을 분석하기 어려울 수 있습니다. 매우 일반적인 관행 중 하나는 곡선의 일부 관심 지점을 통해 정보를 요약하는 것입니다. 최대/최소값, 평균 또는 기타 포인트가 일반적으로 선택됩니다.

이 연구의 목적은 최대 3개의 성능 첨가제를 포함하는 제형에 대한 혼합물 설계를 실현하고 마찰 공학 장비(마찰 계수 대 온도)에서 얻은 결과를 분석하는 것입니다. 고려되는 첫 번째 접근 방식은 최대 마찰 계수 및 최대 마찰 계수에서의 온도와 같은 일부 관심 값을 통해 정보를 요약하는 것입니다. 이 간단한 방법을 통해 공식화를 위한 최적의 영역을 찾을 수 있습니다.

Functional Data Explorer를 사용할 때 마찰 곡선은 스플라인 수학적 모델을 통해 모델링됩니다. 혼합물과 FDOE 프로파일러 간의 연결을 통해 실험 공간을 탐색하고 모든 공식의 마찰 반응을 예측할 수 있습니다. 이 새로운 접근 방식을 사용하면 관련 시스템 동작에 대한 전체론적 보기가 가능하므로 일반적으로 기존 평가에서는 무시되는 보다 복잡한 상호 작용에 대한 이해를 높일 수 있습니다.

오류: 05:30에 최적의 혼합물은 첨가제 B 70%와 첨가제 C 30%(첨가제 A 아님)로 구성됩니다.
17:40에서 첨가제 B(첨가제 A가 아님)의 영향을 평가합니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
빅터 길러	안녕하세요 여러분, 그래서 오늘의 주제는 마찰공학적 성능을 예측하기 위해 혼합물 설계에서 Functional Data Explorer를 사용하는 것입니다.
	그래서 초기 상황을 제시하겠습니다. 따라서 첫 번째 목표인 세 가지 성능 첨가제의 혼합을 연구하고 최적화하고자 합니다.
	최고의 성능을 가진 혼합물을 찾기 위해 다른 화학 물질을 사용하여 온도에 대한 가장 낮고 가장 안정적인 마찰 계수를 의미합니다.
	또는 가장 높은 스커핑 온도. 따라서 첨가제의 총량은 제형 간의 차이를 발견할 수 있도록 오일에 5%로 고정됩니다.
	제형의 첨가제 사이에 너무 큰 점도 차이를 피하기 위해. 여기서 우리는 마찰 공학에 대해 이야기할 것입니다.
	이는 상대 운동에서 상호 작용하는 표면의 과학 및 공학입니다. 여기에는 마찰, 윤활 및 마모 원리에 대한 연구와 적용이 포함됩니다.
	따라서 혼합 설계로 심플렉스 중심 설계를 수행합니다. 여기에서 볼 수 있듯이 첨가제 A, B 및 C와 함께
	우리는 여기서 점을 사용할 것입니다. 원 점은... 실험 설계를 하기 위해 심플렉스 중심입니다. 여기서 삼각형 점을 사용하겠습니다.
	모델에 대한 검증 포인트로 사용되며, 필요한 경우 이러한 포인트를 사용하여 설계를 보강하고 증강 심플렉스 중심 설계를 수행할 수 있습니다.
	성능을 평가하기 위해 여기에서 이 트리보미터를 사용합니다. 트라이보미터 TE 77입니다.
	마찰계수 대 온도를 측정할 것이므로 40도에서 200도까지 시작합니다.
	그리고 접점과 함께. 따라서 이 그림에서 볼 수 있듯이 진동 운동에서 특정 정상 하중 하에서 볼 온 플레이트 구성입니다. 따라서 볼은 고정된 하부 플레이트에 대해 기계적으로 분리되고 구동 메커니즘은 오일 배스 내부에서 작동합니다.
	각 테스트에 대해 시스템의 소프트웨어에 의해 기록되는 4,140개의 데이터 포인트가 있기 때문에 이 테스트와 관련하여 몇 가지 문제가 있습니다.
	따라서 많은 측정을 생성하기 때문에 특정 문제가 발생하므로 일부 중복 정보 또는 높은 자기 상관이 있을 수 있습니다.
	또한 샘플링 시간이나 샘플링 빈도가 불규칙할 수도 있습니다.
	그리고 이러한 모든 요점 뒤에 있는 정보나 패턴을 분석하는 것은 상당히 어려울 수 있습니다. 예를 들어 설명할 수 있는 데이터의 바다가 있다고 가정해 보겠습니다.
	이 실험 설계를 위해 우리가 만든 모든 실험과 온도에 대한 모든 마찰 계수 곡선을 사용합니다.
	그리고 중요한 질문은 이 데이터를 사용하여 무언가를 예측하는 방법입니다. 따라서 이러한 곡선의 특정 지점만 사용해야 합니까, 아니면 모든 데이터, 즉 모든 곡선에서 관련 기능을 추출해야 합니까?
	따라서 첫 번째 접근 방식은 일부 특정 지점만 사용하는 전통적인 접근 방식입니다.
	여기에서 세 가지 첨가제에 대한 마찰 계수 곡선 대 온도만 보면 몇 가지 흥미로운 점을 발견할 수 있습니다. 예를 들어,
	첨가제 C를 보면 마찰 곡선이 파란색으로 표시되고 여기서 스커핑 피크를 발견할 수 있으므로 스커핑 피크의 온도와 최대 마찰 계수를 기록할 수 있습니다.
	이것을 위해 기록되었습니다...이 절정을 위해. 첨가제에 대해서도 동일한 작업을 수행할 수 있습니다. 예를 들어 첨가제 B의 경우 더 높은 스커핑 온도와
	여기에서 마찰 계수를 낮추고 일부 실험에서 예를 들어 첨가제 A를 볼 때 몇 가지 값을 기록해야 함을 알 수 있습니다. 예를 들어,
	여기에 마찰 계수가 매우 낮은 첫 번째 스커핑 피크가 있고, 그 다음에는 마찰 계수가 더 높은 두 번째 스커핑 피크가 있습니다. 따라서 DOE에서 이 정보를 사용할 수 있습니다.
	모델의 특정 포인트를 사용하기 위해.
	따라서 이 특정 포인트로 모델을 만들 것입니다.
	네 가지 응답이 있고 관심 영역을 식별할 수 있도록
	이 혼합물 디자인에서. 여기에서 다양한 응답을 살펴보므로 이러한 모든 응답에 대한 꽤 좋은 모델링이 있습니다.
	그리고 혼합물 프로파일러의 끝을 보면 여기서 관심 영역을 볼 수 있습니다. 대략... 첨가제 B의 70%와 첨가제 A의 30%입니다. 그리고 이 영역에서 마찰 계수가 가장 낮습니다. 그리고 가장 높은
	스커핑 온도를 얻었다.
	그렇다면 모델 정확도와 예측 성능은 어떻습니까? 따라서 실험 결과와 모델 및 증강 모델의 예측 간의 차이점을 살펴보면,
	우리는 모든 실험에서 실험 결과와 모델의 예측 사이에 약간의 차이가 있음을 알 수 있습니다. 그래서
	이 경우 심플렉스 중심 설계가
	마찰에 대한 정확한 예측... 여기에서 첫 번째 스커핑 피크의 온도에 대한 것입니다.
	따라서 결론적으로 이 첫 번째 접근 방식을 통해 성능을 위한 최적의 배합 영역을 식별할 수 있습니다. 여기서 가장 낮은 마찰 계수로 가장 높은 스커핑 온도에 도달합니다.
	그리고 이 영역의 중앙에 있는 제형은 첨가제 B 70%와 첨가제 C 30%로 구성되어 있습니다.
	Functional Data Explorer로 동일한 분석 접근 방식을 수행하면 다음과 같은 데이터 테이블이 있으므로 여기에 해당하는 ID가 있습니다.
	DOE 실험 번호.
	여기에서 첨가제 A, B 및 C의 비율과 온도를 기록하고 여기에서 반응으로 마찰 계수를 얻습니다.
	하지만 먼저 Functional Data Explorer란 무엇입니까? 함수, 신호 또는 시리즈인 데이터를 위해 설계된 플랫폼이며 탐색적 데이터 분석으로 사용할 수 있으므로 여기에서 우리의 경우입니다.
	또는 차원 축소 기술로.
	이 경우 모델을 생성하고 온도에 따라 마찰 곡선을 예측할 수 있도록 Functional Data Explorer를 사용합니다.
	따라서 이를 수행하기 위해 분석, 전문 모델링, Functional Data Explorer에 대한 이 데이터 테이블로 이동합니다. 여기에서 ID를 ID 기능으로 설정합니다.
	그런 다음 온도를 입력으로, 마찰 계수를 출력으로 사용합니다.
	첨가제의 비율에 대한 정보도 있으므로 추가 변수에 저장하고 혼합물 설계의 검증 포인트를 여기 모델의 검증으로도 사용합니다.
	그리고 확인을 클릭합니다. 하지만 먼저 확인할 수 있는 것은 테스트 시작 부분에 많은 변동성이 있다는 것입니다.
	그래서 먼저
	우리가 해야 할 일은 매우 낮은 온도에서 모든 포인트를 제거하는 것입니다. 왜냐하면 스커핑 피크가 없기 때문입니다.
	첨가물에 따라 다르지만 테스트의 초기화라 노이즈가 많습니다. 따라서 첫 번째 좋은 온도 값인 약 40도에 도달하려면 실온에서 40도까지 온도를 높여야 하며 이의 기울기에 따라
	온도 변화로 인해 약간의 소음이 발생할 수 있습니다. 그래서 먼저
	Functional Data Explorer에서 여기에서 온도를 필터링하고 45도 이상의 값만 유지한 다음 볼 수 있습니다. 곡선 시작 부분에서 노이즈를 제거하고 설명만 하는 모델을 설정할 수 있습니다. 첨가물에 따라 변동.
	그런 다음 P-Spline 모델을 만듭니다. 따라서 먼저 모델에 포함할 매듭의 양을 선택해야 합니다. 따라서 이 경우 158노트를 사용하면
	모델링에서 타협.
	진단 플롯을 보면 마찰 계수가 높을 때 약간의 변동과 더 높은 잔차가 있음을 알 수 있습니다. 이는 불안정한 상황이기 때문에 매우 정상입니다.
	여기서 흥미로운 부분은... JMP가 모든 곡선에 대한 모델을 제공할 수 있다는 것입니다. 각 곡선에 대해 여기의 평균 곡선과 여기의 일부 함수로 구성됩니다.
	서로 다른 모든 마찰 곡선을 가능한 한 정확하게 표현하기 위해 각 기능에 계수가 연결되어 있습니다.
	그리고 변수 A, B, C를 도입했기 때문에 좋은 부분도 있습니다.
	여기에서 보기 위해 첨가제의 비율을 변경할 수 있습니다.
	그래서 여기서도 하겠습니다.
	단지
	이미 P-Spline을 열었습니다.
	완료.
	158노트로. 속도...가산 비율과 모델의 곡선 예측 사이의 상호 작용을 보여주기 위해서입니다.
	그래서 우리는 이전에 필터링을 수행했고 여기 끝에서 이동할 수 있습니다...예를 들어 더 많은 Additive A를 갖거나 Additive B를 줄이고 그것이 어떤 영향을 미치는지 볼 수 있습니다.
	내 마찰 곡선. 이 프로파일러의 유일한 문제는 혼합물 설계의 제약이 없다는 것입니다. 즉, 첨가제를 100% 이상 사용할 수 있습니다. 예를 들어 여기에서는 첨가제 A를 100% 사용할 수 있지만 첨가제 B와 C도 가질 수 있습니다.
	그러나 여전히 첨가제와 마찰 계수 결과 간의 상호 작용을 아는 데 도움이 됩니다.
	모델 정확도와 예측 성능에 관심이 있다면...죄송합니다.
	모델 정확도 및 예측 성능을 통해 예를 들어 여기 이 곡선을 살펴볼 수 있습니다. 따라서 파란색의 실험 데이터 포인트와 P-Spline 모델의 부드러운 곡선이 빨간색으로 표시됩니다.
	검증 포인트가 무엇인지, 실험 결과와
	P-Spline 모델의 예측.
	그래서 다음으로 우리가 하고 싶은 것은 혼합물 제공자로부터 이 실험 공간을 통해 스크리닝할 수 있지만 직접 링크를 갖는 것입니다.
	이 실험 공간에서 우리가 어디에 있는지에 따라 마찰 계수 곡선이 어떻게 보이는지 보여줍니다. 따라서 먼저 DOE 데이터 테이블로 이동해야 합니다.
	여기에 ID 열을 만듭니다.
	Functional Data Explorer 데이터 테이블에서 Functional Data Explorer의 ID 열과 일치합니다. 그래서 여기에서 DOE의 각 실험은 연결되어 있습니다...Functional Data Explorer 테이블의 ID 열과 동일한 번호를 가집니다.
	그런 다음 DOE 테이블에서 ID를 마우스 오른쪽 버튼으로 클릭하고 링크 ID라고 말해야 합니다. 그리고 Functional Data Explorer 테이블에서 동일한 링크를 수행하지만 이번에는 링크 참조를 수행하고 DOE에서 직접 이전 데이터 테이블을 참조해야 합니다.
	이 작업을 완료하면 DOE 테이블에서 그룹 맞춤 스크립트를 열 수 있으므로 여기 끝에 혼합 프로파일러가 있는 스크립트가 있습니다.
	그리고 Functional Data Explorer도 열 것입니다.
	Functional Data Explorer 테이블의 분석.
	그래서 내가 이미 열었습니다.
	따라서 여는 데 몇 초 밖에 걸리지 않습니다.
	그래서 나는 왼쪽에 놓을 것이다
	여기와 오른쪽에 있는 혼합물 프로파일러
	Functional Data Explorer 분석을 넣겠습니다. 그리고 마지막으로 해야할 단계는 이 두 프로파일러를 연결하는 것이므로 여기 빨간색 삼각형으로 이동하고 팩터 설정, 여기 프로파일러를 연결하겠습니다.
	여기서 같은지 확인하십시오.
	좋습니다. 이제 이 작업을 완료하면 두 프로필이 연결되므로 여기로 이동하면
	여기 더 큰 화면에 곡선이 있습니다. 여기로 포인트를 이동하면 바로 오른쪽에서 마찰 계수 곡선의 곡선을 예측할 수 있습니다.
	그래서 그것은...지역을 시각적으로 탐색하기 위한 매우 상호작용적인 도구입니다. 최적의 영역에서 마찰 계수가 매우 안정적이고 동일한 값임을 알 수 있습니다.
	그래서 여기
	이제 믹서 프로파일러를 사용하여 실험 공간을 스크리닝하고 예측된 마찰 계수 곡선이 실험 공간의 모든 지점에서 어떻게 보이는지 확인할 수 있습니다.
	결론적으로, 실험 공간에서 모든 마찰 계수 곡선을 결정하고 예측하는 것이 가능하며 우리는 영향 첨가제에 대해 더 잘 이해할 수 있습니다. 예를 들어 여기.
	여기 중간부터 시작하겠습니다. 여기로 이동하면 Additive A의 수준이 증가한다는 의미입니다. 오른쪽에서 볼 수 있습니다.
	여기에서 더 큰 기울기와 가장 높은 스커핑 피크가 있음을
	내가 Additive A에 더 가까이 다가갈 때만.
	또한 중간에서 시작하여 Additive C의 수준을 높이면 여기서 프로파일러 끝의 기울기가 감소하는 것을 볼 수 있지만 약 80도에서 매우 짧은 스커핑 피크가 있습니다.
	중간부터 시작하여 첨가제 A로 이동하면 여전히
	끝에는 약간의 경사가 있지만 스커핑 피크는 없습니다. 그리고 여기 관심 영역에 있을 때 마지막 두 첨가제의 좋은 측면이 있습니다. 그 의미는
	80도 부근에서 피크가 없고 이 영역에서도 안정적인 마찰 계수를 가질 수 있습니다.
	그래서
	혼합물 프로파일러 및 실험 프로파일러의 기능 설계.
	Functional Data Explorer 접근 방식의 장점은...먼저 모든 데이터 포인트를 분석하므로 특정 포인트가 유사한 값을 가질 수 있더라도
	곡선이 다르게 동작할 수 있습니다. 그래서 여기 예를 들어 마찰계수 값을 보지 않는다면 매우 비슷한 값을 가졌다고 할 수 있습니다.
	두 실험에 대해 동일한 스커핑 온도를 갖지만 보시다시피 여기서 두 실험에 대해 얻은 마찰 계수는 매우 다릅니다.
	그래서 두 번째 포인트는 올바른 특정 포인트와 규칙을 선택하는 보다 주관적이고 도메인 전문가적인 접근 방식에 비해 객관적인 분석을 할 수 있다는 것입니다.
	DOE에 대한 응답으로. 여기서 예를 들면 DOE 응답에 대한 올바른 값이 무엇인지 자문해 볼 수 있습니다. 이 그래프 피크 또는 이것을 고려해야 합니까?
	이 그래프 피크가 너무 작거나 고려하기에 적합하지 않습니까? 이것을 고려해야합니까? 그리고 이 그래프 영역도 흥미로운가요?
	그것에 우리를 위해? 따라서 일부 상황에서는 특정 값이나 특정 관심 지점만 찾아내는 것이 매우 어려울 수 있습니다. 그리고 마지막으로 우리가 본 것처럼,
	배합 성능에 대한 첨가제의 영향에 대한 대화형 시각화 및 예측 모델링을 가능하게 합니다.
	따라서 FUCHS의 이점은 이 새로운 접근 방식을 통해 기존 평가에서 일반적으로 무시할 수 있는 첨가제 간의 복잡한 상호 작용에 대한 이해를 높이고 더 정확한 예측 모델을 구축할 수 있다는 것입니다.
	많은 관심 부탁드립니다.

베스트 오브 서밋탈주암사슴예측 모델링회신: 마찰 성능 예측을 위한 혼합물 설계의 기능 데이터 탐색기 사용(2021-EU-30MP-739)

@Bill_Worley : 감사합니다. Bill, 스펙트럼 데이터의 전처리 작업, 일상 작업에 대한 많은 통찰력이 정말 마음에 듭니다!
@markschahl : 천만에요, 이 프레젠테이션이 도움이 되었다면 기쁩니다 !
다음 주 온라인 회의 ENBIS에서 이 주제에 대해 이야기할 예정이므로 라이브 참석을 원하거나 더 많은 프레젠테이션 지원이 필요한 경우 다음 페이지를 방문하십시오. ENBIS 2021 Spring Meeting(2021년 5월 17-18일): 마찰 성능 예측을 위한 혼합 설계에서 Functional Data Explorer 사용 · enbis Conferences(Indico)

회신: 마찰 성능 예측을 위한 혼합물 설계의 기능 데이터 탐색기 사용(2021-EU-30MP-739)

@Victor_G : 아주 좋은 작품! 저는 FDE 과정에서 조건/배합을 처리하기 위해 FDE에서 뒤로 이동해야 하는 시점에 있습니다. 메르시 보쿠프!

회신: 마찰 성능 예측을 위한 혼합물 설계의 기능 데이터 탐색기 사용(2021-EU-30MP-739)

감사합니다 그리고 아주 잘했습니다 @Victor_G !귀하의 접근 방식은 화학 산업 전반에 걸쳐 매우 유용할 것입니다.

회신: 마찰 성능 예측을 위한 혼합물 설계의 기능 데이터 탐색기 사용(2021-EU-30MP-739)

다음은 Mixture 프로파일러와 Functional DoE 프로파일러 간의 상호 작용을 생성하는 데 필요한 단계에 대한 알림입니다.

1- Functional 데이터 테이블의 ID 열(문자, 명목)과 일치하는 ID 열(문자, 명목)을 DOE 테이블에 만듭니다.

2- DOE 테이블의 ID 열을 마우스 오른쪽 버튼으로 클릭하고 "링크 ID"를 클릭합니다.
3- 기능적 데이터 테이블에서 ID 열을 마우스 오른쪽 버튼으로 클릭하고 "링크 참조"를 클릭하고 이전 데이터 테이블(DOE 테이블)을 선택합니다.

4- DOE 테이블에서 "Fit Group" 스크립트를 열거나 생성하고 Mixture profiler로 이동합니다(열려면 "Fit group"의 빨간색 삼각형을 클릭한 다음 "Mixture profiler"를 선택합니다.
5- Functional datatable에서 Functional Data Explorer 보고서를 열고 FDOE 프로파일러로 이동합니다(열려면 "B-Spline"/"P-Spline" 메뉴의 빨간색 삼각형을 클릭한 다음 "Functional DOE Analysis" 선택). ).

6- Mixture profiler(DOE 데이터 테이블)의 빨간색 삼각형을 클릭한 다음 "Factor settings"를 클릭하고 "Link Profilers"를 선택합니다.

이제 혼합물 프로파일러를 사용하여 실험 공간을 스크리닝하고 실험 공간의 모든 지점에서 예측된 곡선이 어떻게 보이는지 확인할 수 있습니다!