スピーカー
|
トランスクリプト
|
| ビクターギラー |
みなさん、こんにちは。今日のトピックは、トライボロジーのパフォーマンスを予測するために、混合物の設計で機能データエクスプローラーを使用することです。 |
| |
それで、私があなたに提示する最初の状況。 したがって、最初の目的は、3つの性能添加剤の混合物を研究して最適化することです。 |
| |
最高の性能を持つ混合物を見つけるためにさまざまな化学物質を使用します。つまり、温度に対して最も低く、最も安定した摩擦係数を意味します。 |
| |
または最高のスカッフィング温度。 したがって、配合間の違いを見つけることができるように、添加剤の総量は油中で5％に固定されています |
| |
配合中の添加剤間の粘度の大きな違いを避けるため。 そこで、ここではトライボロジーについて説明します。 |
| |
これは、相対運動で相互作用する表面の科学と工学です。 これには、摩擦、潤滑、摩耗の原理の研究と適用が含まれます。 |
| |
したがって、混合設計として、シンプレックス重心設計を行います。 ですから、ここで見ることができるように、添加剤A、B、Cを使用すると、 |
| |
ここではドット、円のドットを使用します...実験計画法を行うためのシンプレックス重心です。 ここでは三角形の点を使用します |
| |
モデルの検証ポイントとして、また必要に応じて、これらのポイントを使用して設計を拡張し、拡張されたシンプレックス重心設計を実行できます。 |
| |
性能を評価するために、ここではこのトライボメータを使用します。 トライボメータTE77です。 |
| |
摩擦係数と温度を測定するので、40度から200度までです。 |
| |
と連絡先と。 したがって、この図に示されているように、振動運動における特定の通常の負荷の下でのボールオンプレート構成です。 そのため、ボールは固定された下部プレートに対して機械的に隔離され、駆動メカニズムはオイルバス内で動作します。 |
| |
各テストには、システム内のソフトウェアによって記録される4,140のデータポイントがあるため、このテストに関していくつかの課題があります。 |
| |
したがって、多くの測定値を生成するため、特定の課題が発生します。そのため、冗長な情報や高い自己相関が発生する可能性があります。 |
| |
また、サンプリング時間やサンプリング頻度が不規則になる可能性もあります。 |
| |
そして、これらすべてのポイントの背後にある情報やパターンを分析することは非常に難しい場合があります。 例として、ここに説明できるように、データの海を考えてみましょう。 |
| |
この実験計画法のために行ったすべての実験と、温度に対するすべての摩擦係数曲線を使用します。 |
| |
そして大きな問題は、このデータをどのように使用して何かを予測できるかということです。 では、これらの曲線から特定の点のみを使用するようにする必要がありますか、それともすべてのデータから、つまりすべての曲線から関連する特徴を抽出するようにする必要がありますか？ |
| |
したがって、最初のアプローチは、特定のポイントのみを使用する従来のアプローチです。 |
| |
ここで3つの添加剤だけの摩擦係数曲線と温度を比較すると、いくつかの興味深い点を見つけることができます。 例えば、 |
| |
添加剤Cを見ると、摩擦曲線が青色になっているので、ここでピーク、スカッフィングピークを見つけることができるので、スカッフィングピークの温度と最大摩擦係数を記録できます。 |
| |
このために記録された...このピークのために。 添加剤についても同じことができるので、たとえば、添加剤Bの場合、スカッフィング温度が高くなり、 |
| |
ここでは摩擦係数が低く、いくつかの実験では、たとえばここで添加剤Aを見ると、いくつかの値を記録する必要があることもわかります。 例えば、 |
| |
ここに、摩擦係数が非常に低い最初のスカッフィングピークがあり、次に、摩擦係数が高い2番目のスカッフィングピークが得られます。 したがって、この情報をDOEで使用できます |
| |
モデル内の特定のポイントを使用するため。 |
| |
したがって、この特定のポイントを使用してモデルを作成します |
| |
4つの応答があり、関心のある領域を特定できるようにします |
| |
この混合物の設計では。 したがって、ここではさまざまな応答を見て、これらすべての応答に対して非常に優れたモデリングを行っています。 |
| |
そして、混合プロファイラーの最後を見ると、ここで関心のある領域が約...つまり、添加剤Bの70％と添加剤Aの30％であることがわかります。この領域では、摩擦係数が最も低くなっています。そして最高 |
| |
得られたスカッフィング温度。 |
| |
では、モデルの精度と予測パフォーマンスについてはどうでしょうか。 したがって、実験結果と、モデルおよび拡張モデルからの予測との違いを見ると、 |
| |
すべての実験で、実験結果とモデルからの予測との間にほとんど違いがないことがわかります。 そう |
| |
この場合、シンプレックス重心設計は次のことを提供できるため、検証ポイントをモデルに直接含めることはできません。 |
| |
摩擦の十分に正確な予測...ここでの最初のスカッフィングピークの温度。 |
| |
したがって、結論として、この最初のアプローチにより、パフォーマンスに最適な配合領域を特定できます。この領域では、摩擦係数が最も低く、スカッフィング温度が最も高くなります。 |
| |
この領域の中央にある配合物は、70％の添加剤Bと30％の添加剤Cで構成されています。 |
| |
機能データエクスプローラーで同じ分析アプローチを実行すると、次のようなデータテーブルがあるため、ここに対応するIDがあります。 |
| |
DOE実験番号。 |
| |
ここでは、添加剤A、B、Cの比率と温度を記録し、ここで応答として摩擦係数を取得します。 |
| |
しかし、最初に、Functional Data Explorerとは何ですか？ これは、関数、信号、または系列であるデータ用に設計されたプラットフォームであり、探索的データ分析として使用できるため、これがここでのケースです。 |
| |
または次元削減手法として。 |
| |
この場合、モデルを作成し、温度に応じて摩擦曲線を予測できるようにするために、Functional DataExplorerを使用します。 |
| |
したがって、これを行うために、分析、特殊モデリング、機能データエクスプローラーに関するこのデータテーブルに進みます。 ここではIDをID関数として設定します。 |
| |
次に、入力として温度を、出力として摩擦係数を使用します。 |
| |
添加剤の比率に関する情報もあるので、それらを補足変数に保存し、混合物の設計からの検証ポイントを、ここでのモデルの検証としても使用します。 |
| |
[OK]をクリックしますが、最初に確認できるのは、テストの開始時にここで多くの変動があることです。 |
| |
だから最初に |
| |
私たちがしなければならないのは、ここのすべてのポイントを非常に低い温度で取り除くことです。なぜなら、擦り傷のピークがないからです。 |
| |
添加剤にもよりますが、テストの初期化のためノイズが多いです。 したがって、最初の良好な温度値、つまり約40度に到達するには、温度を室温から40度に上げる必要があります。これは、この勾配に応じて異なります。 |
| |
温度変化により、ノイズが発生する可能性があります。 だから最初に、 |
| |
機能データエクスプローラー、ここでは温度でフィルター処理し、45度を超える値のみを保持します。その後、曲線の先頭のノイズを除去し、説明のみを行うモデルを設定できます。添加剤によるばらつき。 |
| |
そこで、P-スプラインモデルを作成します。 したがって、最初に、モデルに含めるノットの量を選択する必要があります。 したがって、この場合、158ノットを使用すると、最高のノットが得られます。 |
| |
モデリングの妥協。 |
| |
診断プロットを見ると、摩擦係数が高いほど変動が大きく、残差が大きいことがわかります。これは、不安定な状況であるため、ごく普通のことです。 |
| |
ここで興味深いのは、JMPがすべての曲線のモデルを提供できることです。 各曲線について、ここでは平均曲線とここでいくつかの関数で構成されています |
| |
さまざまな摩擦曲線のすべてを可能な限り正確に表現するために、各関数に係数がリンクされています。 |
| |
また、変数を導入したため、添加剤A、B、C、 |
| |
ここで、添加剤の比率を変更して確認することができます。 |
| |
だからここでもやります。 |
| |
ただ |
| |
すでにPスプラインを開いています。 |
| |
完了。 |
| |
158ノット付き。 レート間の双方向性を示すためだけに...加法比とモデルからの曲線予測。 |
| |
以前にフィルタリングを行ったので、ここで最後に移動できます...たとえば、ここに添加剤Aを増やしたり、添加剤Bを減らしたりして、どのように影響するかを確認できます。 |
| |
私の摩擦曲線。 このプロファイラーの唯一の問題は、混合物の設計に制約がないことです。つまり、100％を超える添加剤を使用できるということです。 したがって、たとえばここでは、添加剤Aを100％使用できますが、添加剤BとCも使用できます。 |
| |
しかし、それでも、添加剤と摩擦係数の結果の間の相互作用を知るのに役立ちます。 |
| |
モデルの精度と予測パフォーマンスに関心がある場合は...申し訳ありません。 |
| |
モデルの精度と予測パフォーマンス。たとえば、この曲線を見ることができます。 したがって、P-スプラインモデルからの実験データポイントは青で、滑らかな曲線は赤で表示されます。 |
| |
私たちの検証ポイントは何ですか、あなたは私たちが実験結果と |
| |
Pスプラインモデルからの予測。 |
| |
したがって、次に実行したいのは、混合物プロバイダーからこの実験スペースをスクリーニングできるようにすることですが、直接リンクを設定することです。 |
| |
この実験空間のどこにいるかに応じて、摩擦係数曲線がどのように見えるかを示します。 したがって、最初にDOEデータテーブルに移動する必要があるので、これは、 |
| |
ここにID列を作成します |
| |
これは、Functional DataExplorerデータテーブルのFunctionalDataExplorerのID列と一致します。 したがって、ここでは、DOEの各実験がリンクされています...これは、Functional DataExplorerテーブルのID列と同じ番号です。 |
| |
次に、DOEテーブルで、IDを右クリックしてリンクIDを指定する必要があります。 そして、Functional Data Explorerテーブルで、同じリンクを実行しますが、今回はリンク参照であり、DOEから直接前のデータテーブルを参照する必要があります。 |
| |
これが完了したら、DOEテーブルからFit Groupスクリプトを開くことができるので、ここで最後に混合プロファイラーがあるスクリプトを開きます。 |
| |
また、Functional DataExplorerを開きます |
| |
機能データエクスプローラーテーブルからの分析。 |
| |
だから私がすでに開いたもの。 |
| |
そのため、開くのに数秒かかります。 |
| |
だから私は左側に置きます |
| |
ここと右側の混合プロファイラー |
| |
機能データエクスプローラー分析を配置します。 そして、私たちがしなければならない最後のステップは、この2つのプロファイラーをリンクすることです。そこで、ここで赤い三角形、ファクター設定、そしてここでプロファイラーをリンクします。 |
| |
ここでも同じであることを確認してください。 |
| |
さて、これを実行すると、2つのプロファイルがリンクされます。つまり、ここに移動すると、表示されます。 |
| |
ここの曲線は大きな画面にあるので、ここにポイントを移動すると、摩擦係数曲線の曲線が直接右側に予測されます。 |
| |
つまり、それは...その領域を視覚的に探索するための非常にインタラクティブなツールです。 そして、私たちの最適な領域では、摩擦係数が非常に安定しており、ここでも同じ値であることがわかります。 |
| |
だからここに |
| |
これで、ミキサープロファイラーを使用して実験空間をスクリーニングし、実験空間の任意の点で予測される摩擦係数曲線がどのように見えるかを確認できます。 |
| |
結論として、実験空間のすべての摩擦係数曲線を決定および予測することが可能であり、影響添加剤についての理解が深まりました。 ここでの例として。 |
| |
だから私はここの真ん中から始めています、そこに移動すると、それは私が添加剤Aのレベルを上げていることを意味します。あなたは右側に見ることができます |
| |
ここの傾斜が大きく、スカッフィングのピークが最も高いこと |
| |
添加剤Aのみに近づいているとき。 |
| |
真ん中から始めて、添加剤Cのレベルを上げると、ここでプロファイラーの端の傾斜が減少していることがわかりますが、ここでは80度付近に非常に短いスカッフィングピークがあります。 |
| |
真ん中から始めて添加剤Aに行くと、まだ |
| |
ここの終わりには軽い傾斜がありますが、ここには擦り傷のピークはありません。 そして、私がここで関心のある分野にいるとき、私は最後の2つの添加剤の良い面を持っています。 つまり、 |
| |
80度付近にピークがなく、この部分でも安定した摩擦係数が得られます。 |
| |
そう |
| |
混合プロファイラーと実験プロファイラーの機能設計。 |
| |
機能データエクスプローラーアプローチの利点...最初に、すべてのデータポイントを分析するため、特定のポイントが同様の値を持つ可能性がある場合でも、 |
| |
曲線の動作が異なる場合があります。 したがって、ここでは例として、摩擦係数の値を確認しないと、非常に類似した値であると言えます。 |
| |
2つの実験で同じスカッフィング温度がありますが、ご覧のとおり、ここでは2つの実験で得られた摩擦係数が大きく異なります。 |
| |
したがって、2番目のポイントは、適切な特定のポイントとルールを選択する、より主観的でドメインの専門家によるアプローチと比較して、客観的な分析を行うことができるということです。 |
| |
DOEへの回答として。 ここで例をとると、DOE応答の正しい値は何であるかを自問することがあります。 このグラフのピークを考慮する必要がありますか、それともこれを考慮する必要がありますか？ |
| |
このグラフのピークは小さすぎるのでしょうか、それとも考慮できないのでしょうか。 これを検討する必要がありますか？ そして、このグラフ作成領域も興味深いですか |
| |
その上で私たちのために？ そのため、状況によっては、特定の値または特定の関心のあるポイントのみを見つけることが非常に難しい場合があります。 そして、最後になりましたが、これまで見てきたように、 |
| |
これにより、配合性能に対する添加剤の影響をインタラクティブに視覚化して予測モデリングすることができます。 |
| |
したがって、FUCHSの利点として、この新しいアプローチにより、従来の評価では通常無視される可能性のある添加剤間の複雑な相互作用の理解が深まり、より正確な予測モデルを構築できる可能性があります。 |
| |
ご清聴ありがとうございました。 |
