Altoparlante
|
Trascrizione
|
| Victor GUILLER |
Ciao a tutti, quindi l'argomento di oggi è quello di utilizzare Functional Data Explorer nella progettazione della miscela per prevedere le prestazioni tribologiche. |
| |
Quindi la situazione iniziale ti presenterò. Quindi prima l'obiettivo, vogliamo studiare e ottimizzare la miscela di tre additivi prestazionali |
| |
con diverse chimiche al fine di trovare la miscela con le prestazioni più elevate, quindi il coefficiente di attrito più basso e più stabile rispetto alla temperatura, |
| |
o la più alta temperatura di sfregamento. Quindi la quantità totale di additivo è fissata al 5% in olio per poter individuare differenze tra le formulazioni |
| |
e per evitare differenze troppo grandi di viscosità tra gli additivi nella formulazione. Quindi qui parleremo di tribologia, |
| |
che è la scienza e l'ingegneria delle superfici interagenti in moti relativi. Comprende lo studio e l'applicazione dei principi di attrito, lubrificazione e usura. |
| |
Quindi, come progetto di miscela, faremo un progetto di baricentro simplex. Quindi, come puoi vedere qui con così con gli additivi A, B e C, |
| |
useremo i punti qui, i punti del cerchio, per il ... per fare il disegno degli esperimenti è il centroide simplex. E qui useremo i punti del triangolo |
| |
come punto di convalida per il modello e, se necessario, questi punti possono essere utilizzati per aumentare il progetto e quindi creare un centroide simplex aumentato. |
| |
Per valutare le prestazioni, utilizzeremo qui questo tribometro. È un tribometro TE 77. |
| |
Misureremo il coefficiente di attrito rispetto alla temperatura, quindi inizia da 40 gradi a 200 gradi |
| |
e con i punti di contatto. Quindi è una configurazione palla su piastra sotto un certo carico normale in un movimento oscillante, come puoi vedere in questa figura. La sfera viene quindi isolata meccanicamente contro la piastra inferiore fissa e i meccanismi di azionamento scorrono all'interno di un bagno d'olio. |
| |
Abbiamo alcune sfide riguardo a questo test, perché per ogni test abbiamo 4.140 punti dati registrati dal software nel sistema. |
| |
Quindi crea sfide particolari, perché generiamo molte misurazioni, quindi potremmo avere alcune informazioni ridondanti o un'elevata autocorrelazione. |
| |
E potremmo anche avere un tempo di campionamento o una frequenza di campionamento irregolari. |
| |
E può essere abbastanza difficile analizzare le informazioni o il modello alla base di tutti questi punti. Quindi, come esempio, ecco, come possiamo descriverlo, diciamo un mare di dati |
| |
con tutti gli esperimenti che abbiamo fatto per questo progetto di esperimenti e tutte le curve del coefficiente di attrito rispetto alla temperatura. |
| |
E la grande domanda è: come possiamo usare questi dati per prevedere qualcosa? Quindi dovremmo provare a usare solo punti specifici da queste curve o dovremmo cercare di estrarre le caratteristiche rilevanti da tutti i dati, quindi da tutte le curve? |
| |
Quindi il primo approccio è un approccio tradizionale che utilizzeremo solo alcuni punti specifici. |
| |
Se guardiamo le curve del coefficiente di attrito rispetto alla temperatura per i soli tre additivi qui, possiamo individuare alcuni punti interessanti. Per esempio, |
| |
se guardiamo l'additivo C, quindi la curva di attrito in blu, possiamo individuare qui un picco, un picco di sfregamento, in modo da poter registrare la temperatura al picco di sfregamento e il coefficiente di attrito massimo |
| |
registrato per questo ... per questo picco. Possiamo fare lo stesso per gli additivi così, ad esempio, per l'additivo B, abbiamo una temperatura di sfregamento più alta e anche una |
| |
coefficiente di attrito inferiore qui, e possiamo anche vedere che per alcuni esperimenti, ad esempio qui quando guardiamo l'additivo A, dobbiamo registrare diversi valori. Per esempio, |
| |
abbiamo qui il primo picco di sfregamento con un coefficiente di attrito abbastanza basso, e poi abbiamo qui, un secondo picco di sfregamento ottenuto con un coefficiente di attrito più alto. Quindi possiamo usare queste informazioni nel DOE |
| |
per poter utilizzare i punti specifici del modello. |
| |
Quindi creeremo un modello con questi punti specifici |
| |
in modo che ci siano quattro risposte e siamo in grado di identificare un'area di interesse |
| |
in questo disegno misto. Quindi esaminiamo qui le diverse risposte, quindi abbiamo un buon modello per tutte queste risposte. |
| |
E quando guardiamo alla fine il profiler della miscela, possiamo vedere qui un'area di interesse che è approssimativamente ... quindi il 70% dell'additivo B e il 30% dell'additivo A. E in quest'area, abbiamo il coefficiente di attrito più basso e il più alto |
| |
temperatura di sfregamento ottenuta. |
| |
E per quanto riguarda l'accuratezza del modello e le prestazioni predittive? Quindi, se guardiamo le differenze tra i risultati sperimentali e la previsione dal modello e dal modello aumentato, |
| |
possiamo vedere che, per tutti gli esperimenti, abbiamo una differenza molto piccola da ... tra i risultati sperimentali e la previsione dal modello. Così |
| |
in questo caso, non è utile includere il punto di convalida direttamente nel modello perché il design del centroide simplex è in grado di fornire un |
| |
previsione abbastanza precisa per l'attrito ... per la temperatura al primo picco di sfregamento qui. |
| |
Quindi, in conclusione, questo primo approccio ci consente di identificare un'area di formulazione ottimale per le prestazioni, dove raggiungiamo la temperatura di sfregamento più alta con il coefficiente di attrito più basso, |
| |
e la formulazione al centro di quest'area è composta per il 70% da Additivo B e per il 30% da Additivo C. |
| |
Quando eseguiamo lo stesso approccio di analisi con Functional Data Explorer, abbiamo una tabella dati simile a questa, quindi abbiamo qui l'ID corrispondente al |
| |
Numero esperimento DOE. |
| |
Qui, la proporzione dell'additivo A, B e C e registriamo la temperatura e abbiamo il coefficiente di attrito come risposta qui. |
| |
Ma prima, cos'è Functional Data Explorer? È una piattaforma progettata per i dati che siano funzioni, segnali o serie e può essere utilizzata come analisi esplorativa dei dati, quindi questo è il nostro caso qui, |
| |
o come tecnica di riduzione delle dimensioni. |
| |
In questo caso, useremo ... useremo il Functional Data Explorer per creare un modello ed essere in grado di prevedere le curve di attrito in base alla temperatura. |
| |
Quindi, per fare ciò, andiamo su questa tabella dati su analisi, modellazione specializzata, esplorazione funzionale dei dati. Qui impostiamo l'ID come funzione ID. |
| |
Quindi abbiamo la temperatura come input e il coefficiente di attrito come output. |
| |
Abbiamo anche informazioni sul rapporto dell'additivo, quindi le salveremo nelle variabili supplementari, e useremo i punti di validazione dal design della miscela, anche come validazione qui nel nostro modello. |
| |
E facciamo clic su OK, ma quello che possiamo vedere prima è che abbiamo molta variabilità qui all'inizio dei test. |
| |
Quindi prima |
| |
quello che dobbiamo fare è rimuovere tutto il punto qui con una temperatura molto bassa, perché non avrai il picco di sfregamento, |
| |
a seconda degli additivi, ma hai molto rumore perché è l'inizializzazione del test. Quindi per raggiungere il primo buon valore di temperatura, quindi intorno ai 40 gradi, bisogna aumentare la temperatura dalla temperatura ambiente a 40 gradi, ea seconda della pendenza di questa |
| |
variazione di temperatura, può introdurre rumore. Quindi prima, avanti |
| |
il Functional Data Explorer, filtreremo qui sulla temperatura e manterremo solo i valori che sono sopra i 45 gradi e poi puoi vedere, rimuoveremo il rumore all'inizio delle curve e possiamo impostare un modello che verrà solo spiegato variabilità a seconda degli additivi. |
| |
Quindi, creiamo il nostro modello P-Spline. Quindi prima dobbiamo selezionare quanti nodi avremo nel modello. Quindi in questo caso quando usiamo 158 nodi, abbiamo il meglio |
| |
compromesso nella modellazione. |
| |
Guardando i grafici diagnostici, possiamo vedere che abbiamo qualche variazione e residui più alti quando abbiamo un coefficiente di attrito più alto, il che è abbastanza normale perché è una situazione instabile. |
| |
E la parte interessante qui è che ... quindi JMP è in grado di fornirmi il modello per tutte le curve. Per ogni curva è composta da una curva media qui e da qualche funzione qui |
| |
con coefficiente legato a ciascuna delle funzioni in modo da esprimere il più accuratamente possibile tutte le diverse curve di attrito. |
| |
E abbiamo anche la bella parte che, poiché abbiamo introdotto le variabili, quindi gli additivi A, B e C, |
| |
siamo in grado di cambiare qui il rapporto degli additivi per guardare. |
| |
Quindi lo farò anche qui. |
| |
Appena |
| |
aprendo già la P-Spline. |
| |
Fatto. |
| |
Con 158 nodi. Solo per mostrarti l'interattività tra il tasso ... il rapporto additivo e la previsione della curva dal modello. |
| |
Quindi abbiamo fatto il nostro filtraggio prima, e quindi alla fine qui, posso muovermi ... posso avere qui, ad esempio, più Additivo A o diminuire l'Additivo B e vedere come influisce |
| |
la mia curva di attrito. L'unico problema di questo profiler è che non hai il vincolo del design della miscela, quindi ciò significa che puoi avere più del 100% dell'additivo. Quindi, ad esempio qui, posso avere il 100% dell'additivo A ma anche dell'additivo B e C. |
| |
Tuttavia, ci aiuta a conoscere l'interazione tra gli additivi e i risultati del coefficiente di attrito. |
| |
Se siamo interessati all'accuratezza del modello e alle prestazioni predittive ... scusate. |
| |
Accuratezza del modello e prestazioni predittive, quindi possiamo dare un'occhiata, ad esempio, qui su questa curva. Quindi hai i punti dati sperimentali in blu e la curva liscia in rosso dal modello P-Spline e, se guardiamo anche |
| |
qual è il nostro punto di convalida, puoi vedere che abbiamo una buona corrispondenza tra i risultati sperimentali e |
| |
la previsione dal modello P-Spline. |
| |
Quindi quello che vogliamo fare è essere in grado di esaminare questo spazio sperimentale dal fornitore della miscela, ma avere direttamente un collegamento |
| |
per mostrarci come sono le curve del coefficiente di attrito, a seconda di come ... dove siamo in questo spazio sperimentale. Quindi prima dobbiamo entrare nella tabella dei dati DOE, quindi questa, |
| |
e crea una colonna ID qui |
| |
che corrisponderà alla colonna ID di Functional Data Explorer nella tabella dati di Functional Data Explorer. Quindi qui ogni esperimento del DOE è collegato ... ha lo stesso numero della colonna ID dalla tabella Functional Data Explorer, quindi come questo. |
| |
E poi dobbiamo, sulla tabella DOE, dobbiamo fare clic con il tasto destro del mouse su ID e dire ID collegamento. E sulla tabella Functional Data Explorer, faremo lo stesso, link, ma questa volta il riferimento al link, e dobbiamo fare riferimento alla tabella dati precedente, quindi direttamente dal DOE. |
| |
Quando abbiamo fatto questo, possiamo aprire lo script Fit Group dalle tabelle DOE, quindi quello con il profilo della miscela alla fine qui. |
| |
E apriremo anche il Functional Data Explorer |
| |
analisi dalla tabella Functional Data Explorer. |
| |
Quindi quello che ho già aperto. |
| |
Quindi ci vogliono solo alcuni secondi per aprirlo. |
| |
Quindi mi metto a sinistra |
| |
il profiler della miscela qui e sulla destra |
| |
Metterò l'analisi di Functional Data Explorer. E l'ultimo passaggio che dobbiamo fare è collegare questi due profiler, quindi andrò sul triangolo rosso qui, le impostazioni dei fattori e collegherò il profiler qui. |
| |
Assicurati solo che sia lo stesso qui. |
| |
OK, quindi ora quando l'ho fatto, quindi i due profili sono collegati, quindi ciò significa che se mi sposto qui, ti mostrerò solo |
| |
le curve qui nello schermo più grande, quindi se sposto qui i miei punti, avrò la previsione delle curve delle curve del coefficiente di attrito direttamente a destra. |
| |
Quindi è uno ... è uno strumento molto interattivo per esplorare visivamente l'area. E nella nostra area ottimale, puoi vedere che il coefficiente di attrito è abbastanza stabile e allo stesso valore qui. |
| |
Ecco |
| |
ora possiamo usare un mixer profiler per schermare lo spazio sperimentale e vedere come appaiono le curve del coefficiente di attrito previste per qualsiasi punto dello spazio sperimentale. |
| |
In conclusione, quindi è possibile determinare e prevedere tutte le curve dei coefficienti di attrito nello spazio sperimentale e abbiamo una migliore comprensione degli additivi di influenza. Come esempio qui. |
| |
Quindi sto iniziando dal centro qui, se mi sposto lì, significa che sto aumentando il livello di Additivo A. Puoi vedere, a destra |
| |
che qui abbiamo una pendenza maggiore e la vetta più alta |
| |
quando mi avvicino solo all'additivo A. |
| |
Se parto anche dal centro e aumento il livello di Additive C, puoi vedere che la pendenza alla fine del profiler qui diminuisce, ma abbiamo un picco di sfregamento molto breve qui a circa 80 gradi. |
| |
Partendo dal centro e andando all'additivo A, puoi vedere che abbiamo ancora |
| |
una leggera pendenza qui alla fine, ma nessun picco strascicato qui. E quando sono nell'area di interesse qui, ho gli aspetti positivi degli ultimi due additivi. Questo significa |
| |
Sono in grado di non avere picchi intorno agli 80 gradi e di avere un coefficiente di attrito stabile anche in quest'area. |
| |
Così |
| |
il profiler della miscela e il design funzionale del profiler dell'esperimento. |
| |
I vantaggi dell'approccio Functional Data Explorer ... in primo luogo, analizzi tutti i punti dati, quindi anche se punti specifici possono avere un valore simile, |
| |
la curva può comportarsi diversamente. Quindi qui come esempio, se non guardi il valore del coefficiente di attrito, potresti dire di avere un valore molto simile perché |
| |
hai la stessa temperatura di sfregamento per i due esperimenti, ma, come puoi vedere, hai un coefficiente di attrito molto diverso ottenuto per i due esperimenti qui. |
| |
Quindi il secondo punto è che sei in grado di fare un'analisi oggettiva rispetto a un approccio più soggettivo ed esperto di dominio per selezionare i punti e la regola specifici giusti |
| |
come risposte per il DOE. Se prendiamo qui un esempio, potremmo chiederci quali sono i valori corretti per la risposta DOE? Dovremmo considerare questo picco grafico o questo? |
| |
Questo picco grafico è troppo piccolo o non deve essere considerato? Dovremmo considerare questo? Ed è interessante anche questa area grafica |
| |
per noi su di esso? Quindi può essere abbastanza difficile in alcune situazioni individuare solo un valore specifico o un punto di interesse specifico. E, ultimo ma non meno importante, come abbiamo visto, |
| |
permette di avere una visualizzazione interattiva e una modellazione predittiva dell'influenza degli additivi sulle prestazioni della formulazione. |
| |
Quindi, come i vantaggi per FUCHS, poiché questo nuovo approccio consente una maggiore comprensione della complessa interazione tra gli additivi che può essere tipicamente trascurata dalla valutazione convenzionale e abbiamo la possibilità di costruire modelli predittivi più precisi. |
| |
Grazie mille per la vostra attenzione. |
