Altoparlante
|
Trascrizione
|
| Victor Guiller |
Ciao a tutti, quindi l'argomento di oggi è utilizzare Functional Data Explorer nella progettazione della miscela per prevedere le prestazioni tribologiche. |
| |
Quindi la situazione iniziale che 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 ciò significa 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% nell'olio per poter individuare le differenze tra le formulazioni |
| |
e per evitare differenze troppo grandi di viscosità tra gli additivi in 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 design misto, faremo un design del baricentro simplex. Quindi, come puoi vedere qui con così con l'additivo A, B e C, |
| |
useremo i punti qui, i punti del cerchio, per il...per fare il disegno degli esperimenti è il baricentro 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 realizzare un progetto di centroide simplex aumentato. |
| |
Per valutare le prestazioni, useremo 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 è quindi isolata meccanicamente contro la piastra inferiore fissa ei 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 che vengono 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 dietro 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 cercare di utilizzare solo punti specifici di 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 alle curve del coefficiente di attrito in funzione della temperatura per i soli tre additivi qui, possiamo individuare alcuni punti interessanti. Per esempio, |
| |
se osserviamo l'additivo C, quindi la curva di attrito in blu, possiamo individuare qui un picco, un picco di attrito, quindi possiamo registrare la temperatura al picco di attrito e il coefficiente di attrito massimo |
| |
registrato per questo... per questo picco. Possiamo fare lo stesso per gli additivi così, per esempio, per l'additivo B, abbiamo una temperatura di sfregamento più alta e anche un |
| |
coefficiente di attrito inferiore qui, e possiamo anche vedere che per alcuni esperimenti, ad esempio qui quando guardiamo all'additivo A, dobbiamo registrare diversi valori. Per esempio, |
| |
abbiamo qui il primo picco di sfregamento con un coefficiente di attrito piuttosto basso, e poi abbiamo qui un secondo picco di sfregamento con un coefficiente di attrito più alto ottenuto. Quindi possiamo usare queste informazioni nel DOE |
| |
per utilizzare i punti specifici nel 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 progetto di miscela. Quindi guardiamo qui alle diverse risposte, quindi abbiamo un buon modello per tutte queste risposte. |
| |
E quando guardiamo alla fine il profilo 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 alle differenze tra i risultati sperimentali e la previsione del modello e del modello aumentato, |
| |
possiamo vedere che, per tutti gli esperimenti, abbiamo una piccola differenza da... tra i risultati sperimentali e la previsione del modello. COSÌ |
| |
in questo caso, non serve includere il punto di convalida direttamente nel modello perché il design del centroide simplex è in grado di fornire un |
| |
previsione abbastanza accurata 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 di dati simile a questa, quindi abbiamo qui l'ID corrispondente al |
| |
Numero dell'esperimento DOE. |
| |
Qui, la proporzione dell'additivo A, B e C e registriamo la temperatura e qui abbiamo il coefficiente di attrito come risposta. |
| |
Ma prima, cos'è Functional Data Explorer? È una piattaforma progettata per i dati che sono 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 il Functional Data Explorer per creare un modello ed essere in grado di prevedere le curve di attrito in funzione della temperatura. |
| |
Quindi, per fare ciò andiamo su questa tabella di dati su analisi, modellazione specializzata, Functional Data Explorer. Impostiamo qui 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 utilizzeremo i punti di convalida dal progetto della miscela, anche come convalida 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 picchi 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, e a seconda della pendenza di questo |
| |
variazione di temperatura, può introdurre qualche rumore. Quindi prima, su |
| |
il Functional Data Explorer, filtreremo qui sulla temperatura e manterremo solo valori superiori a 45 gradi e quindi puoi vedere, rimuoveremo il rumore all'inizio delle curve e possiamo impostare un modello che sarà solo spiegato variabilità in funzione 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 la meglio |
| |
compromesso nella modellazione. |
| |
Osservando i grafici diagnostici, possiamo vedere che abbiamo alcune variazioni e residui più elevati quando abbiamo un coefficiente di attrito più elevato, 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 dalla curva media qui e da qualche funzione qui |
| |
con coefficiente legato a ciascuna funzione per esprimere il più accuratamente possibile tutte le diverse curve di attrito. |
| |
E abbiamo anche la bella parte che poiché abbiamo introdotto le variabili, quindi additivo 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, per 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 l'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. |
| |
Precisione 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 a |
| |
qual è il nostro punto di convalida, puoi vedere che abbiamo una buona corrispondenza tra 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 ci troviamo in questo spazio sperimentale. Quindi prima dobbiamo andare 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 della tabella Functional Data Explorer, quindi come questa. |
| |
E poi dobbiamo, sul tavolo DOE, dobbiamo fare clic con il tasto destro su ID e dire link ID. E sulla tabella Functional Data Explorer, faremo lo stesso, collegamento, ma questa volta riferimento al collegamento, e dobbiamo fare riferimento alla precedente tabella di dati, quindi direttamente dal DOE. |
| |
Quando abbiamo fatto questo, possiamo aprire lo script Fit Group dalle tabelle DOE, quindi quello con il profiler della miscela alla fine qui. |
| |
E apriremo anche Functional Data Explorer |
| |
analisi dalla tabella Functional Data Explorer. |
| |
Quindi quello che ho già aperto. |
| |
Quindi bastano pochi secondi per aprirlo. |
| |
Quindi metterò a sinistra |
| |
il profiler della miscela qui e sulla destra |
| |
Metterò l'analisi di Functional Data Explorer. E l'ultimo passo che dobbiamo fare è collegare questi due profiler, quindi andrò sul triangolo rosso qui, impostazioni fattore e link profiler qui. |
| |
Assicurati solo che sia lo stesso qui. |
| |
OK, quindi ora che l'ho fatto, quindi i due profili sono collegati, quindi significa che se mi trasferisco qui, te lo mostrerò |
| |
le curve qui nello schermo più grande, quindi se sposto qui i miei punti, allora avrò la previsione delle curve delle curve del coefficiente di attrito direttamente sulla 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 utilizzare 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 del coefficiente 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 abbiamo una pendenza più grande qui e il picco più alto |
| |
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 qui abbiamo un picco di sfregamento molto breve a circa 80 gradi. |
| |
Partendo dal centro e andando all'additivo A, puoi vedere che abbiamo ancora |
| |
un leggero pendio qui alla fine, ma nessun picco graffiato 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 questa zona. |
| |
COSÌ |
| |
il profiler della miscela e il design funzionale del profiler dell'esperimento. |
| |
I vantaggi dell'approccio Functional Data Explorer...in primo luogo, si analizzano 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 che hai 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 obiettiva 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, possiamo 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 quest'area grafica |
| |
per noi su di esso? Pertanto, in alcune situazioni potrebbe essere abbastanza difficile individuare solo un valore specifico o un punto di interesse specifico. E, ultimo ma non meno importante, come abbiamo visto, |
| |
consente 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. |
