Lautsprecher
|
Transkript
|
| Victor GUILLER |
Hallo allerseits, das heutige Thema ist die Verwendung des Functional Data Explorer im Mischungsdesign, um die tribologische Leistung vorherzusagen. |
| |
Also die Ausgangssituation werde ich Ihnen vorstellen. Als erstes wollen wir die Mischung aus drei Leistungsadditiven untersuchen und optimieren |
| |
mit unterschiedlichen chemischen Eigenschaften, um das Gemisch mit der höchsten Leistung zu finden, dh den niedrigsten und stabilsten Reibungskoeffizienten gegenüber der Temperatur, |
| |
oder die höchste Abriebtemperatur. Daher wird die Gesamtmenge des Additivs in Öl auf 5% festgelegt, um Unterschiede zwischen den Formulierungen erkennen zu können |
| |
und um zu große Unterschiede in der Viskosität zwischen den Additiven in der Formulierung zu vermeiden. Also hier werden wir über Tribologie sprechen, |
| |
Das ist die Wissenschaft und Technik der Wechselwirkung von Oberflächen in relativen Bewegungen. Es beinhaltet das Studium und die Anwendung der Prinzipien von Reibung, Schmierung und Verschleiß. |
| |
Als Mischungsdesign werden wir also ein Simplex-Schwerpunktdesign erstellen. So wie Sie hier mit so mit Additiv A, B und C sehen können, |
| |
Wir werden hier die Punkte verwenden, die Kreispunkte, für die ... für die Gestaltung von Experimenten ist Simplex-Schwerpunkt. Und wir werden hier die Dreieckspunkte verwenden |
| |
Als Validierungspunkt für das Modell und, falls erforderlich, können diese Punkte zur Erweiterung des Designs und damit zur Erweiterung eines erweiterten Simplex-Schwerpunktdesigns verwendet werden. |
| |
Um die Leistung zu bewerten, werden wir dieses Tribometer hier verwenden. Es ist ein Tribometer TE 77. |
| |
Wir werden den Reibungskoeffizienten gegen die Temperatur messen, also beginnt er bei 40 bis 200 Grad |
| |
und mit den Kontaktpunkten. Wie Sie in dieser Abbildung sehen können, handelt es sich also um eine Kugel-auf-Platte-Konfiguration unter einer bestimmten normalen Last in einer oszillierenden Bewegung. So wird die Kugel mechanisch gegen die feststehende untere Platte isoliert und die Antriebsmechanismen laufen in einem Ölbad. |
| |
Wir haben einige Herausforderungen in Bezug auf diesen Test, da wir für jeden Test 4.140 Datenpunkte haben, die von der Software im System aufgezeichnet werden. |
| |
Dies schafft besondere Herausforderungen, da wir viele Messungen generieren, sodass möglicherweise redundante Informationen oder eine hohe Autokorrelation vorliegen. |
| |
Möglicherweise haben wir auch eine unregelmäßige Abtastzeit oder Abtastfrequenz. |
| |
Und es kann ziemlich schwierig sein, die Informationen oder Muster hinter all diesen Punkten zu analysieren. Als Beispiel, hier ist, wie wir es beschreiben können, sagen wir ein Meer von Daten |
| |
mit allen Experimenten, die wir für diese Versuchsplanung durchgeführt haben, und allen Reibungskoeffizientenkurven gegenüber der Temperatur. |
| |
Und die große Frage ist, wie wir diese Daten verwenden können, um etwas vorherzusagen. Sollten wir also versuchen, nur bestimmte Punkte aus diesen Kurven zu verwenden, oder sollten wir versuchen, die relevanten Merkmale aus allen Daten, also aus allen Kurven, zu extrahieren? |
| |
Der erste Ansatz ist also ein traditioneller Ansatz, bei dem wir nur einige spezifische Punkte verwenden. |
| |
Wenn wir hier nur die Reibungskoeffizientenkurven gegenüber der Temperatur für die drei Additive betrachten, können wir einige interessante Punkte erkennen. Zum Beispiel, |
| |
Wenn wir Additiv C betrachten, also die Reibungskurve in Blau, können wir hier einen Peak, einen Abriebpeak, erkennen, sodass wir die Temperatur am Abriebspeak und den maximalen Reibungskoeffizienten aufzeichnen können |
| |
aufgenommen dafür ... für diesen Peak. Wir können dasselbe für die Additive tun, so dass wir zum Beispiel für Additiv B eine höhere Abriebtemperatur haben und auch a |
| |
niedrigerer Reibungskoeffizient hier, und wir können auch sehen, dass wir für einige Experimente, zum Beispiel hier, wenn wir Additiv A betrachten, mehrere Werte aufzeichnen müssen. Zum Beispiel, |
| |
Wir haben hier den ersten Abriebpeak mit einem ziemlich niedrigen Reibungskoeffizienten, und dann haben wir hier einen zweiten Abriebpeak mit einem höheren erhaltenen Reibungskoeffizienten. Wir können diese Informationen also im DOE verwenden |
| |
um die spezifischen Punkte im Modell zu verwenden. |
| |
Also werden wir ein Modell mit diesen spezifischen Punkten erstellen |
| |
Damit gibt es vier Antworten und wir können einen Bereich von Interesse identifizieren |
| |
in dieser Mischung Design. Wir sehen uns hier die verschiedenen Antworten an, sodass wir für all diese Antworten eine recht gute Modellierung haben. |
| |
Und wenn wir uns das Ende des Mischungsprofilers ansehen, sehen wir hier einen interessierenden Bereich, der ungefähr ... also 70% von Additiv B und 30% von Additiv A beträgt. Und in diesem Bereich haben wir den niedrigsten Reibungskoeffizienten und das Höchste |
| |
Abriebtemperatur erhalten. |
| |
Was ist also mit der Modellgenauigkeit und den Vorhersageleistungen? Wenn wir also die Unterschiede zwischen den experimentellen Ergebnissen und der Vorhersage aus dem Modell und dem erweiterten Modell betrachten, |
| |
Wir können sehen, dass wir bei allen Experimenten einen sehr kleinen Unterschied zu ... zwischen experimentellen Ergebnissen und Vorhersagen aus dem Modell haben. So |
| |
In diesem Fall ist es nicht sinnvoll, den Validierungspunkt direkt in das Modell aufzunehmen, da das Simplex-Schwerpunktdesign in der Lage ist, einen bereitzustellen |
| |
Genaue Vorhersage für die Reibung ... für die Temperatur am ersten Abriebpeak hier. |
| |
Dieser erste Ansatz ermöglicht es uns, einen optimalen Formulierungsbereich für die Leistung zu identifizieren, bei dem wir die höchste Abriebtemperatur mit dem niedrigsten Reibungskoeffizienten erreichen. |
| |
und die Formulierung in der Mitte dieses Bereichs besteht aus 70% Additiv B und 30% Additiv C. |
| |
Wenn wir den gleichen Analyseansatz mit dem Functional Data Explorer durchführen, haben wir eine Datentabelle, die so aussieht, also haben wir hier die ID, die der entspricht |
| |
DOE-Versuchsnummer. |
| |
Hier wird der Anteil von Additiv A, B und C und wir erfassen die Temperatur und wir haben hier den Reibungskoeffizienten als Antwort. |
| |
Aber zuerst, was ist Functional Data Explorer? Es handelt sich um eine Plattform, die für Daten entwickelt wurde, bei denen es sich um Funktionen, Signale oder Serien handelt. Sie kann als explorative Datenanalyse verwendet werden. |
| |
oder als Dimensionsreduktionstechnik. |
| |
In diesem Fall werden wir ... den Funktionsdaten-Explorer verwenden, um ein Modell zu erstellen und Reibungskurven in Abhängigkeit von der Temperatur vorhersagen zu können. |
| |
Um dies zu tun, gehen wir auf diese Datentabelle über Analyse, spezialisierte Modellierung, Functional Data Explorer. Wir setzen hier die ID als ID-Funktion. |
| |
Dann haben wir die Temperatur als Eingabe und den Reibungskoeffizienten als Ausgabe. |
| |
Wir haben auch Informationen über das Verhältnis des Additivs, so dass wir sie in den Zusatzvariablen speichern und die Validierungspunkte aus dem Mischungsdesign verwenden, auch als Validierung hier in unserem Modell. |
| |
Und wir klicken auf OK, aber was wir zuerst sehen können, ist, dass wir hier zu Beginn der Tests eine große Variabilität haben. |
| |
So zuerst |
| |
Was wir tun müssen, ist, den ganzen Punkt hier bei sehr niedriger Temperatur zu entfernen, weil Sie keine Abriebspitze haben werden. |
| |
abhängig von den Additiven, aber Sie haben viel Rauschen, weil es Initialisierung des Tests ist. Um den ersten guten Temperaturwert von etwa 40 Grad zu erreichen, müssen Sie die Temperatur von Raumtemperatur auf 40 Grad erhöhen, abhängig von der Steigung |
| |
Temperaturschwankungen können Rauschen verursachen. Also zuerst weiter |
| |
Im Functional Data Explorer filtern wir hier nach der Temperatur und behalten nur Werte bei, die über 45 Grad liegen. Dann können Sie sehen, dass wir das Rauschen am Anfang der Kurven entfernen und ein Modell festlegen, das nur erklärt wird Variabilität in Abhängigkeit von den Zusatzstoffen. |
| |
Also erstellen wir unser P-Spline-Modell. Also müssen wir zuerst auswählen, wie viele Knoten wir im Modell haben werden. In diesem Fall haben wir also das Beste, wenn wir 158 Knoten verwenden |
| |
Kompromiss bei der Modellierung. |
| |
Wenn wir uns die diagnostischen Diagramme ansehen, können wir sehen, dass wir einige Variationen und höhere Residuen haben, wenn wir einen höheren Reibungskoeffizienten haben, was ziemlich normal ist, weil es eine instabile Situation ist. |
| |
Und der interessante Teil hier ist, dass ... JMP mir das Modell für alle Kurven zur Verfügung stellen kann. Für jede Kurve besteht sie aus der mittleren Kurve hier und einigen Funktionen hier |
| |
mit einem Koeffizienten, der mit jeder Funktion verknüpft ist, um alle unterschiedlichen Reibungskurven so genau wie möglich auszudrücken. |
| |
Und wir haben auch den schönen Teil, dass, weil wir die Variablen eingeführt haben, so Additiv A, B und C, |
| |
Wir können hier das Verhältnis der Additive ändern, um zu schauen. |
| |
Also werde ich es auch hier machen. |
| |
Gerade |
| |
Öffnen Sie den P-Spline bereits. |
| |
Getan. |
| |
Mit 158 Knoten. Nur um Ihnen die Interaktivität zwischen der Rate ... dem additiven Verhältnis und der Kurvenvorhersage aus dem Modell zu zeigen. |
| |
Also haben wir unsere Filterung schon einmal durchgeführt, und so kann ich mich am Ende hier bewegen ... Ich kann hier zum Beispiel mehr Additiv A haben oder das Additiv B verringern und sehen, wie es sich auswirkt |
| |
meine Reibungskurve. Das einzige Problem dieses Profilers ist, dass Sie nicht die Einschränkung des Mischungsdesigns haben, was bedeutet, dass Sie mehr als 100% des Additivs haben können. So kann ich hier zum Beispiel 100% von Additiv A, aber auch Additiv B und C haben. |
| |
Dennoch hilft es uns, die Wechselwirkung zwischen den Additiven und den Ergebnissen des Reibungskoeffizienten zu kennen. |
| |
Wenn wir an der Modellgenauigkeit und den Vorhersageleistungen interessiert sind ... Entschuldigung. |
| |
Modellgenauigkeit und Vorhersageleistung, damit wir zum Beispiel hier auf dieser Kurve einen Blick darauf werfen können. Sie haben also die experimentellen Datenpunkte in Blau und die glatte Kurve in Rot aus dem P-Spline-Modell und, wenn wir uns das auch ansehen |
| |
Was ist unser Validierungspunkt? Sie können sehen, dass wir eine ziemlich gute Übereinstimmung zwischen den experimentellen Ergebnissen und haben |
| |
die Vorhersage aus dem P-Spline-Modell. |
| |
Als nächstes wollen wir in der Lage sein, diesen Versuchsraum vom Mischungsanbieter aus zu durchsuchen, aber direkt einen Link zu haben |
| |
um uns zu zeigen, wie die Reibungskoeffizientenkurven aussehen, je nachdem wie ... wo wir uns in diesem experimentellen Raum befinden. Also müssen wir zuerst in die DOE-Datentabelle gehen, also diese, |
| |
und erstellen Sie hier eine ID-Spalte |
| |
Dies stimmt mit der ID-Spalte des Functional Data Explorer in der Datentabelle des Functional Data Explorer überein. Hier ist also jedes Experiment aus dem DOE verknüpft ... hat dieselbe Nummer wie die ID-Spalte aus der Functional Data Explorer-Tabelle, also wie dieses. |
| |
Und dann müssen wir in der DOE-Tabelle mit der rechten Maustaste auf ID klicken und Link-ID sagen. Und in der Functional Data Explorer-Tabelle werden wir dasselbe tun, verknüpfen, aber diesmal verknüpfen, und wir müssen es auf die vorherige Datentabelle verweisen, also direkt aus dem DOE. |
| |
Wenn wir dies getan haben, können wir das Fit Group-Skript aus den DOE-Tabellen öffnen, also das mit dem Mischungsprofiler am Ende hier. |
| |
Außerdem öffnen wir den Functional Data Explorer |
| |
Analyse aus der Tabelle Functional Data Explorer. |
| |
Also die, die ich schon geöffnet habe. |
| |
Das Öffnen dauert also nur einige Sekunden. |
| |
Also werde ich links setzen |
| |
der Mischungsprofiler hier und rechts |
| |
Ich werde die Functional Data Explorer-Analyse durchführen. Und der letzte Schritt, den wir tun müssen, ist die Verknüpfung dieser beiden Profiler. Daher werde ich hier auf das rote Dreieck, die Faktoreinstellungen und den Verknüpfungsprofiler eingehen. |
| |
Stellen Sie einfach sicher, dass es hier genauso ist. |
| |
OK, jetzt, wo ich das getan habe, sind die beiden Profile verknüpft. Das heißt, wenn ich hierher ziehe, zeige ich es Ihnen nur |
| |
Die Kurven hier auf dem größeren Bildschirm. Wenn ich also meine Punkte hierher bewege, habe ich die Vorhersage der Kurven der Reibungskoeffizientenkurven direkt rechts. |
| |
Es ist also ein ... es ist ein sehr interaktives Werkzeug, um die Gegend visuell zu erkunden. Und in unserem optimalen Bereich können Sie sehen, dass der Reibungskoeffizient hier ziemlich stabil und auf dem gleichen Wert ist. |
| |
Also hier |
| |
Wir können jetzt einen Mischerprofiler verwenden, um den Versuchsraum zu screenen und zu sehen, wie die vorhergesagten Reibungskoeffizientenkurven für jeden Punkt des Versuchsraums aussehen. |
| |
Zusammenfassend ist es also möglich, alle Reibungskoeffizientenkurven im Versuchsraum zu bestimmen und vorherzusagen, und wir haben ein besseres Verständnis der Einflussadditive. Als Beispiel hier. |
| |
Ich fange hier also von der Mitte aus an, wenn ich dorthin ziehe. Das bedeutet, dass ich das Niveau von Additiv A erhöhe. Sie können rechts sehen |
| |
dass wir hier einen größeren Hang und den höchsten Abriebgipfel haben |
| |
wenn ich mich nur Additiv A nähere. |
| |
Wenn ich auch von der Mitte aus beginne und das Niveau von Additiv C erhöhe, können Sie sehen, dass die Steigung am Ende des Profilers hier abnimmt, aber wir haben hier einen sehr kurzen Abriebpeak bei etwa 80 Grad. |
| |
Ausgehend von der Mitte bis zu Additiv A können Sie sehen, dass wir noch haben |
| |
hier am Ende ein leichter Hang, hier aber kein Abrieb. Und wenn ich hier im Bereich des Interesses bin, habe ich die guten Aspekte der letzten beiden Zusatzstoffe. Das bedeutet |
| |
Ich kann keinen Spitzenwert um 80 Grad haben und auch in diesem Bereich einen stabilen Reibungskoeffizienten haben. |
| |
So |
| |
der Mischungsprofiler und das funktionale Design des Experimentprofilers. |
| |
Die Vorteile des Functional Data Explorer-Ansatzes ... Zunächst analysieren Sie alle Datenpunkte. Selbst wenn bestimmte Punkte einen ähnlichen Wert haben können, |
| |
Die Kurve kann sich anders verhalten. Wenn Sie sich hier als Beispiel den Reibungskoeffizientenwert nicht ansehen, können Sie sagen, dass Sie einen sehr ähnlichen Wert haben, weil |
| |
Sie haben für beide Experimente die gleiche Abriebtemperatur, aber wie Sie sehen, haben Sie für die beiden Experimente hier einen sehr unterschiedlichen Reibungskoeffizienten. |
| |
Der zweite Punkt ist also, dass Sie eine objektive Analyse durchführen können, verglichen mit einem subjektiveren und domänenexperten Ansatz bei der Auswahl der richtigen spezifischen Punkte und Regeln |
| |
als Antwort für das DOE. Wenn wir hier ein Beispiel nehmen, fragen wir uns vielleicht, was die richtigen Werte für die DOE-Antwort sind. Sollten wir diesen oder diesen grafischen Peak berücksichtigen? |
| |
Ist dieser Grafikpeak zu klein oder nicht zu berücksichtigen? Sollten wir diesen in Betracht ziehen? Und ist dieser Grafikbereich auch interessant? |
| |
für uns drauf? Daher kann es in manchen Situationen ziemlich schwierig sein, nur einen bestimmten Wert oder einen bestimmten Punkt von Interesse zu erkennen. Und zu guter Letzt, wie wir gesehen haben, |
| |
Es ermöglicht eine interaktive Visualisierung und prädiktive Modellierung des Einflusses von Additiven auf die Formulierungsleistung. |
| |
Als Vorteil für FUCHS ermöglicht dieser neue Ansatz ein besseres Verständnis der komplexen Wechselwirkung zwischen den Additiven, die bei der herkömmlichen Bewertung normalerweise vernachlässigt werden, und wir haben die Möglichkeit, präzisere Vorhersagemodelle zu erstellen. |
| |
Vielen Dank für Ihre Aufmerksamkeit. |
