다음 방법을 참조하십시오.
- 이상적인 응력-변형 거동을 달성하는 데 도움이 되는 방식으로 실험 설계 데이터 분석
- 새롭고 더 단단한 제품을 만드는 것이 목표인 사례 연구 이해
- 실험적 요인은 1) 유리구슬, 탄산칼슘의 첨가량, 2) 압력 및 온도 공정 변수이다.
- 시험실에서 사용할 수 있는 데이터는 응력(힘/면적) 및 변형률(길이/길이의 변화)입니다.
- 분석에 일반적으로 사용되는 요약 데이터는 계수(탄성 영역의 기울기), 항복 응력(응력 대 얼룩이 비선형인 지점), 인장 응력(최대 응력) 및 파괴 지점(파단점 응력)입니다. 사례 연구를 위한 이상적인 응력-변형 거동을 달성하는 데 도움이 되는 실험.
- JMP Pro Functional Data Explorer를 사용하여 곡선의 몇 가지 주요 지점으로 요약하는 대신 전체 곡선의 응력 대 변형률을 이해하고 모델링합니다.
- 플라스틱 제형 실험 설계, 시험편에 대한 인장 데이터 수집, 응력 및 변형 데이터 모델링
- Predition Profiler를 사용하여 이상적인 응력-변형 거동 식별
Stress vs. Strain스트레스 대 스트레인
Jason이 답변한 질문 @Jason_Wiggins 그리고 피터 @Peter_Hersh 데모 후.
Q: 각 요인과 관련된 수준은 몇 개입니까?
A: 3단계이므로 확정 선별 설계였습니다.
Definitive Screening Design Used in the Example예제에 사용된 최종 선별 설계
Q: 시행 착오 대신 사용할 수 있는 자동 맞춤 옵션이 있습니까?
A: Functional Date Explorer는 기본적으로 자동 맞춤 옵션인 Direct Functional PCA를 제공합니다.그러나 어떤 경우에는 다른 핏 유형으로 더 잘 맞을 것입니다.이는 데이터가 얼마나 복잡한지, 얼마나 많은 봉우리와 계곡이 있는지에 따라 달라집니다.
Q: target function이 없어도 분석이 가능한가요?
답: 물론입니다. target 함수는 최적화 문제에서 실제로 도움이 되지만 반드시 필요한 것은 아닙니다. 우리가 원하는 모양을 다이얼링하려고 시도하는 예측 프로파일러를 사용하는 것보다 많은 시간을 절약할 수 있습니다.
Q: 선호도 분석을 위해 선호도를 먼저 설정해야 했습니까?
A: 아니요. 목표 함수를 사용하여 이미 이상 곡선을 정의했고 JMP는 해당 목표 함수에서 통합 공기를 최소화하려고 시도하므로 선호도를 먼저 설정할 필요가 없습니다.
Q: 선호도 분석을 위해 선호도를 먼저 설정해야 했습니까?
A: 아니요. 목표 함수를 사용하여 이상적인 곡선 모양을 이미 정의했고 JMP는 해당 목표 함수에서 통합 오류를 최소화하려고 하기 때문에 선호도를 먼저 설정할 필요가 없습니다. 바람직함 함수 그래프를 켜면 바로 볼 수 있습니다.다른 목표가 있는 경우 바람직함도 설정할 수 있습니다.제어가 결과에 어떤 영향을 미칠 수 있는지 확인하십시오.
Q: 선호도 분석을 위해 선호도를 먼저 설정해야 했습니까?
A: 아니요. 목표 함수를 사용하여 이상적인 곡선 모양을 이미 정의했고 JMP는 해당 목표 함수에서 통합 오류를 최소화하려고 하기 때문에 선호도를 먼저 설정할 필요가 없습니다. 바람직함 함수 그래프를 켜면 바로 볼 수 있습니다. 다른 목표가 있는 경우 바람직함을 설정할 수도 있습니다. 제어가 결과에 어떤 영향을 미칠 수 있는지 확인하십시오.
Q: 실제 모델은 어디에 있습니까?
A: 가지고 있는 숫자 또는 모양 매개변수를 기반으로 하는 일반화 회귀 모델입니다. 이 경우에는 3개가 있습니다. JMP는 그것들을 보고 JMP가 Best Subset이라고 부르는 것을 생성하기 위해 변수를 선택합니다. 이 예에서 모델에 몇 가지 요소가 포함되지 않은 것을 확인했습니다. 그들은 그 모양에 영향을 미치지 않았기 때문에 포함되지 않았습니다.
Generalized Regression Models for Each Shape각 모양에 대한 일반화 회귀 모델
Q: 대화에서 ID 및 Z 선택의 목적은 무엇입니까?
A: ID는 배치입니다. 우리는 이러한 각 배치에 대한 응력 대 변형률 곡선을 보고 있으며 하나가 아니기 때문에 분리해야 합니다.
곡선. Z 매개변수는 우리가 보고 있는 DOE 요인입니다. 그것들은 전체 응력 변형 곡선에 걸쳐 일관되며 우리는 기능 분석을 수행하기 위해 그것들을 사용하고 있습니다. 따라서 데이터를 보면 변경되지 않지만 해당 곡선 분석을 위한 수준으로 설정됩니다.
ID and Z Value OptionsID 및 Z 값 옵션
Q: 모델링을 위해 P-스플라인을 어떻게 선택했습니까? 아니면 시행착오였습니까?
A: 그것은 약간의 시행착오이며 기본 함수에 대해 해당 모델을 실행할 때 얻을 수 있는 가장 좋은 단서는 적합성을 살펴보는 것입니다. 맞춤이 각 배치에 대한 곡선의 모양을 설명한다면 잘 한 것입니다. B-스플라인은 약간 이상한 결과를 주었습니다. 이러한 곡선 중 일부는 평평해지고 수집된 실제 데이터에서 멀어졌습니다. 이것이 B-스플라인이 작동하지 않는 이유입니다. 그래서 우리는 반복했습니다. P-스플라인은 우리의 다음 선택이었고 결국 신호 데이터를 훨씬 더 잘 일치시켰습니다.
Q: DOE 곡선을 생성하기 위한 데이터에서 테스트 데이터를 업로드했습니까 아니면 참조한 4개의 요약 포인트만 업로드했습니까?
A: 모든 응력 변형률 곡선 데이터를 사용했습니다. 일반적으로 실험실에 가서 각 테스트를 실행한 다음 Graph Builder에서 그래프로 보여준 것과 같은 종류의 응력 변형 신호를 얻습니다. 그런 다음 이를 DOE 테이블과 일치시켜야 합니다. 따라서 하나의 배치 287만 있지만 내 응력 변형 곡선 데이터를 보면 DOE에서 해당 시험에 대한 응력 변형 곡선을 따라 8개의 데이터 포인트를 수집한 것을 볼 수 있습니다. 따라서 테스트 데이터를 DOE 테이블과 병합해야 합니다.
Q: Z 변수에 의해 설명되는 분산의 정도를 설명하는 함수가 있습니까?
A: 확실히 내보낼 수 있고 요약에서 별도로 모델을 실행할 수 있습니다. 상호 작용 프로파일러에서 변수 중요도를 평가할 수도 있습니다. 이 경우 변수 중요도 요약 보고서를 작성하면 의도적으로 변경되기 때문에 변형이 최상위가 될 것이지만 압력과 유리가 전반적으로 큰 영향을 미치고 칼슘의 영향이 거의 없음을 알 수 있습니다. 온도의 탄산염. 긴장이 항상 최고 기여자가 될 것이기 때문에 일반적으로 보이는 것과 약간 다릅니다. 우리는 적어도 다른 요소들이 서로 상대적으로 떨어지는 위치에 대한 아이디어를 얻을 수 있으며 응답이기 때문에 해당 상단 라인을 무시할 수 있습니다.
