756667_de-DE

liliconcom

Einsatz des Functional Data Explorers in einem Mischungsdesign zur tribologischen Leistungsvorhersage (2021-EU-30MP-739)

Victor GUILLER, F&E-Ingenieur, FUCHS Lubrifiant FRANCE

Funktionale Daten stellen Herausforderungen dar: Sie generieren zahlreiche Messungen, manchmal mit redundanten Informationen und/oder hoher Autokorrelation. Die Abtastfrequenz ist möglicherweise nicht regelmäßig, und es kann schwierig sein, die Informationen oder Muster hinter den Daten zu analysieren. Eine gängige Praxis besteht darin, die Informationen anhand einiger interessanter Punkte in den Kurven zusammenzufassen. Meist werden Maximal-/Minimalwert, Mittelwert oder andere Punkte gewählt.

Ziel der Studie ist die Entwicklung eines Mischungsdesigns für Formulierungen mit bis zu drei Performance-Additiven und die Analyse der tribologischen Ergebnisse (Reibungskoeffizient vs. Temperatur). Der erste Ansatz besteht darin, die Informationen anhand einiger relevanter Werte zusammenzufassen: maximaler Reibungskoeffizient und Temperatur bei maximalem Reibungskoeffizienten. Diese einfache Methode ermöglicht es, einen optimalen Bereich für die Formulierung zu finden.

Beim Functional Data Explorer werden tribologische Kurven durch ein mathematisches Spline-Modell modelliert. Die Verbindung zwischen der Mischung und den FDOE-Profilern ermöglicht es uns, den experimentellen Raum zu erkunden und die tribologische Reaktion jeder Formulierung vorherzusagen. Dieser neue Ansatz ermöglicht eine ganzheitliche Betrachtung des relevanten Systemverhaltens und ermöglicht ein besseres Verständnis komplexerer Wechselwirkungen, die bei konventionellen Auswertungen typischerweise vernachlässigt werden.

ERRATUM: Um 05:30 Uhr besteht die optimale Mischung aus 70 % Zusatzstoff B und 30 % Zusatzstoff C (nicht Zusatzstoff A).
Um 17:40 Uhr bewerten wir den Einfluss von Zusatzstoff B (nicht Zusatzstoff A).

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
Victor Guillermo	Hallo zusammen, das heutige Thema ist die Verwendung des Functional Data Explorer im Mischungsdesign, um die tribologische Leistung vorherzusagen.
	Ich werde Ihnen die Ausgangssituation vorstellen. Zunächst das Ziel: Wir wollen die Mischung von drei Performance-Additiven untersuchen und optimieren.
	mit unterschiedlichen chemischen Zusammensetzungen, um die Mischung mit der höchsten Leistung zu finden, also mit dem niedrigsten und stabilsten Reibungskoeffizienten im Verhältnis zur Temperatur,
	oder die höchste Fresstemperatur. Daher wird die Gesamtmenge des Additivs auf 5 % im Öl festgelegt, um Unterschiede zwischen den Formulierungen erkennen zu können
	und um zu große Viskositätsunterschiede zwischen den Additiven in der Formulierung zu vermeiden. Hier sprechen wir also über Tribologie,
	Dies ist die Wissenschaft und Technik interagierender Oberflächen in relativen Bewegungen. Es umfasst das Studium und die Anwendung der Prinzipien von Reibung, Schmierung und Verschleiß.
	Als Mischungsdesign verwenden wir ein Simplex-Centroid-Design. Wie Sie hier mit den Additiven A, B und C sehen können,
	Wir verwenden die Punkte hier, die Kreispunkte, für die Versuchsplanung, den Simplex-Schwerpunkt. Und wir verwenden die Dreieckspunkte hier
	als Validierungspunkt für das Modell und diese Punkte können bei Bedarf zur Erweiterung des Designs und damit zu einem erweiterten Simplex-Centroid-Design verwendet werden.
	Zur Leistungsbewertung verwenden wir hier dieses Tribometer. Es handelt sich um ein Tribometer TE 77.
	Wir messen den Reibungskoeffizienten im Verhältnis zur Temperatur, also von 40 Grad bis 200 Grad
	und mit den Kontaktpunkten. Es handelt sich also um eine Kugel-Platte-Konfiguration unter einer bestimmten Normallast in einer oszillierenden Bewegung, wie Sie in dieser Abbildung sehen können. Die Kugel ist mechanisch von der festen unteren Platte isoliert und die Antriebsmechanismen laufen in einem Ölbad.
	Bei diesem Test stehen wir vor einigen Herausforderungen, da wir bei jedem Test 4.140 Datenpunkte haben, die von der Software im System aufgezeichnet werden.
	Dies stellt uns vor besondere Herausforderungen, da wir viele Messungen durchführen und daher möglicherweise redundante Informationen oder eine hohe Autokorrelation vorliegen.
	Und möglicherweise kommt es auch zu unregelmäßigen Probenahmezeiten oder -häufigkeiten.
	Und es kann ziemlich schwierig sein, die Informationen oder Muster hinter all diesen Punkten zu analysieren. Als Beispiel können wir es als ein Meer von Daten beschreiben.
	mit allen Experimenten, die wir für dieses Versuchsdesign durchgeführt haben, und allen Reibungskoeffizientenkurven gegenüber der Temperatur.
	Und die große Frage ist: Wie können wir diese Daten nutzen, 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 uns die Reibungskoeffizientenkurven über der Temperatur für die drei Additive allein ansehen, können wir einige interessante Punkte erkennen. Zum Beispiel:
	Wenn wir uns Additiv C ansehen, also die Reibungskurve in Blau, können wir hier einen Peak erkennen, einen Fresspeak, also können wir die Temperatur am Fresspeak und den maximalen Reibungskoeffizienten aufzeichnen
	für diesen Peak aufgezeichnet. Dasselbe können wir für die Additive tun, so haben wir zum Beispiel für Additiv B eine höhere Fresstemperatur und auch eine
	niedrigeren Reibungskoeffizienten, und wir können auch sehen, dass wir für einige Experimente, zum Beispiel hier, wenn wir uns Additiv A ansehen, mehrere Werte aufzeichnen müssen. Zum Beispiel,
	Wir haben hier den ersten Fresspeak mit einem recht niedrigen Reibungskoeffizienten und dann einen zweiten Fresspeak mit einem höheren Reibungskoeffizienten. Diese Informationen können wir also im DOE verwenden.
	um die spezifischen Punkte im Modell zu verwenden.
	Daher werden wir ein Modell mit diesen spezifischen Punkten erstellen
	so dass es vier Antworten gibt und wir einen Interessenbereich identifizieren können
	in diesem Mischungsdesign. Wir betrachten hier also die verschiedenen Reaktionen und haben für alle diese Reaktionen eine recht gute Modellierung.
	Und wenn wir uns das Ende des Mischungsprofilers ansehen, können wir hier einen interessanten Bereich sehen, der ungefähr ... also 70 % des Zusatzstoffs B und 30 % des Zusatzstoffs A beträgt. Und in diesem Bereich haben wir den niedrigsten Reibungskoeffizienten und den höchsten
	erreichte Fresstemperatur.
	Wie steht es also um die Modellgenauigkeit und die Vorhersageleistung? Wenn wir uns die Unterschiede zwischen den experimentellen Ergebnissen und der Vorhersage des Modells und des erweiterten Modells ansehen,
	Wir können sehen, dass wir bei allen Experimenten einen sehr geringen Unterschied zwischen den experimentellen Ergebnissen und der Vorhersage des Modells haben. Also
	In diesem Fall ist es nicht sinnvoll, den Validierungspunkt direkt in das Modell einzubeziehen, da das Simplex-Centroid-Design in der Lage ist, eine
	ausreichend genaue Vorhersage für die Reibung ... für die Temperatur beim ersten Fresspeak hier.
	Zusammenfassend lässt sich sagen, dass dieser erste Ansatz es uns ermöglicht, einen optimalen Formulierungsbereich für Leistungen zu identifizieren, in dem wir die höchste Fresstemperatur 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, erhalten wir eine Datentabelle, die so aussieht. Hier haben wir also die ID, die dem
	DOE-Experimentnummer.
	Hier das Verhältnis von Additiv A, B und C und wir erfassen die Temperatur und haben hier als Reaktion den Reibungskoeffizienten.
	Aber zunächst: Was ist Functional Data Explorer? Es handelt sich um eine Plattform für Daten, die Funktionen, Signale oder Reihen sind, und sie kann für die explorative Datenanalyse verwendet werden, wie in unserem Fall.
	oder als Technik zur Dimensionsreduzierung.
	In diesem Fall werden wir...wir werden den Functional Data Explorer verwenden, um ein Modell zu erstellen und Reibungskurven in Abhängigkeit von der Temperatur vorhersagen zu können.
	Um dies zu tun, gehen wir in dieser Datentabelle auf „Analysieren“, „Spezialmodellierung“, „Funktionaler Daten-Explorer“. Wir legen hier die ID als ID-Funktion fest.
	Dann haben wir die Temperatur als Eingabe und den Reibungskoeffizienten als Ausgabe.
	Wir haben auch Informationen über das Verhältnis des Zusatzstoffs, also speichern wir sie in den Zusatzvariablen und verwenden die Validierungspunkte aus dem Mischungsdesign auch als Validierung hier in unserem Modell.
	Und wir klicken auf OK, aber was wir zuerst sehen, ist, dass wir hier zu Beginn der Tests eine große Variabilität haben.
	Also zuerst
	was wir tun müssen, ist, alle Punkte hier bei sehr niedriger Temperatur zu entfernen, da Sie dann keine Abriebspitzen haben,
	abhängig von den Additiven, aber es gibt viel Rauschen, weil es sich um die Initialisierung des Tests handelt. Um also den ersten guten Temperaturwert zu erreichen, also etwa 40 Grad, muss man die Temperatur von Raumtemperatur auf 40 Grad erhöhen, und abhängig von der Steigung dieser
	Temperaturschwankungen können zu Lärm führen. Also zunächst
	Im Functional Data Explorer filtern wir hier nach der Temperatur und behalten nur Werte über 45 Grad. Dann können Sie sehen, dass wir das Rauschen am Anfang der Kurven entfernen und ein Modell erstellen, das nur die Variabilität in Abhängigkeit von den Zusatzstoffen erklärt.
	So, dann erstellen wir unser P-Spline-Modell. Zuerst müssen wir auswählen, wie viele Knoten wir im Modell haben möchten. In diesem Fall haben wir mit 158 Knoten die beste
	Kompromisse bei der Modellierung.
	Wenn wir uns die Diagnosediagramme ansehen, können wir erkennen, dass es bei einem höheren Reibungskoeffizienten zu Abweichungen und höheren Residuen kommt, was aufgrund der instabilen Situation ganz normal ist.
	Und das Interessante daran ist, dass JMP mir das Modell für alle Kurven liefern kann. Für jede Kurve besteht es aus einer Mittelkurve hier und einer Funktion hier
	mit Koeffizienten, die mit jeder Funktion verknüpft sind, um alle verschiedenen Reibungskurven so genau wie möglich auszudrücken.
	Und wir haben auch den schönen Teil, dass wir, weil wir die Variablen eingeführt haben, also Additiv A, B und C,
	Wir können hier das Verhältnis der Zusatzstoffe verändern, um es zu verändern.
	Also werde ich es auch hier tun.
	Nur
	Öffnen Sie bereits den P-Spline.
	Erledigt.
	Mit 158 Knoten. Nur um Ihnen die Interaktivität zwischen der Rate, dem additiven Verhältnis und der Kurvenvorhersage des Modells zu zeigen.
	Wir haben also unsere Filterung bereits durchgeführt, und am Ende kann ich hier ... Ich kann hier zum Beispiel mehr Zusatzstoff A oder weniger Zusatzstoff B verwenden und sehen, wie sich das auswirkt
	meine Reibungskurve. Das einzige Problem dieses Profilers ist, dass Sie nicht die Einschränkung des Mischungsdesigns haben, d. h. Sie können mehr als 100 % des Additivs verwenden. So kann ich hier beispielsweise 100 % von Additiv A, aber auch Additiv B und C verwenden.
	Dennoch hilft es uns, die Wechselwirkung zwischen den Additiven und den Ergebnissen des Reibungskoeffizienten zu verstehen.
	Wenn wir an der Modellgenauigkeit und der Vorhersageleistung interessiert sind ... tut uns leid.
	Modellgenauigkeit und Vorhersageleistung, so können wir uns zum Beispiel diese Kurve ansehen. Sie haben die experimentellen Datenpunkte in Blau und die glatte Kurve in Rot aus dem P-Spline-Modell. Wenn wir uns auch ansehen
	Was ist unser Validierungspunkt? Sie können sehen, dass wir eine ziemlich gute Übereinstimmung zwischen den experimentellen Ergebnissen und
	die Vorhersage aus dem P-Spline-Modell.
	Als nächstes möchten wir diesen experimentellen Raum vom Mischungsanbieter aus durchleuchten können, aber direkt einen Link haben
	um uns zu zeigen, wie die Reibungskoeffizientenkurven aussehen, je nachdem, wo wir uns in diesem experimentellen Raum befinden. Zuerst müssen wir in die DOE-Datentabelle gehen, also diese hier,
	und erstellen Sie hier eine ID-Spalte
	Dies entspricht der ID-Spalte des Functional Data Explorer in der Datentabelle des Functional Data Explorer. Hier ist also jedes Experiment aus dem DOE verknüpft ... hat dieselbe Nummer wie die ID-Spalte aus der Tabelle des Functional Data Explorer, also wie dieses hier.
	Und dann müssen wir in der DOE-Tabelle mit der rechten Maustaste auf ID klicken und „Link-ID“ sagen. Und in der Tabelle des Functional Data Explorer machen wir dasselbe, Link, aber dieses Mal Link-Referenz, und wir müssen es auf die vorherige Datentabelle verweisen, also direkt vom DOE.
	Wenn wir dies getan haben, können wir das Fit Group-Skript aus den DOE-Tabellen öffnen, also das mit dem Mischungsprofiler hier am Ende.
	Und wir öffnen auch den Functional Data Explorer
	Analyse aus der Tabelle des Functional Data Explorer.
	Also das, was ich bereits geöffnet habe.
	Das Öffnen dauert also nur wenige Sekunden.
	Also werde ich auf die linke Seite setzen
	der Mischungsprofiler hier und rechts
	Ich werde die Analyse des Functional Data Explorers durchführen. Und der letzte Schritt, den wir tun müssen, ist, diese beiden Profiler zu verknüpfen. Also gehe ich hier auf das rote Dreieck, die Faktoreinstellungen und verknüpfe den Profiler hier.
	Stellen Sie einfach sicher, dass es hier dasselbe ist.
	OK, jetzt habe ich das gemacht, die beiden Profile sind verknüpft, das heißt, wenn ich hierher gehe, zeige ich Ihnen einfach
	die Kurven hier im größeren Bildschirm, also wenn ich hier meine Punkte verschiebe, dann habe ich direkt rechts die Vorhersage der Kurven der Reibungskoeffizientenkurven.
	Es ist also ein sehr interaktives Tool, um den Bereich visuell zu erkunden. Und in unserem optimalen Bereich können Sie sehen, dass der Reibungskoeffizient ziemlich stabil ist und hier den gleichen Wert aufweist.
	Also hier
	Wir können jetzt einen Mixer-Profiler verwenden, um den experimentellen Raum zu durchleuchten und zu sehen, wie die vorhergesagten Reibungskoeffizientenkurven für jeden Punkt des experimentellen Raums aussehen.
	Zusammenfassend lässt sich sagen, dass es möglich ist, alle Reibungskoeffizientenkurven im Versuchsraum zu bestimmen und vorherzusagen und wir haben ein besseres Verständnis für den Einfluss von Additiven. Als Beispiel hier.
	Ich beginne also hier in der Mitte. Wenn ich mich dorthin bewege, erhöhe ich den Wert von Additiv A. Sie sehen rechts
	dass wir hier eine größere Neigung und den höchsten Abriebgipfel haben
	nur wenn ich mich dem Zusatzstoff A nähere.
	Wenn ich ebenfalls in der Mitte beginne und den Wert von Additiv C erhöhe, können Sie sehen, dass die Neigung am Ende des Profilers hier abnimmt, wir haben hier jedoch einen sehr kurzen Abriebpeak bei etwa 80 Grad.
	Von der Mitte ausgehend und bis zum Zusatzstoff A sehen Sie, dass wir noch
	eine leichte Steigung hier am Ende, aber keine Abriebspitze. Und wenn ich hier im Interessenbereich bin, habe ich die guten Aspekte der letzten beiden Additive. Das bedeutet
	Ich bin in der Lage, bei etwa 80 Grad keine Spitzen zu haben und auch in diesem Bereich einen stabilen Reibungskoeffizienten aufrechtzuerhalten.
	Also
	der Mischungsprofiler und das funktionale Design des Experimentprofilers.
	Die Vorteile des Functional Data Explorer-Ansatzes...zuerst analysieren Sie alle Datenpunkte, also auch wenn bestimmte Punkte ähnliche Werte haben können,
	Die Kurve kann sich unterschiedlich verhalten. Wenn Sie beispielsweise den Reibungskoeffizientenwert nicht betrachten, können Sie sagen, dass Sie einen sehr ähnlichen Wert haben, weil
	Sie haben für die beiden Experimente die gleiche Fresstemperatur, aber wie Sie sehen, haben Sie für die beiden Experimente hier sehr unterschiedliche Reibungskoeffizienten erhalten.
	Der zweite Punkt ist, dass Sie eine objektive Analyse durchführen können, im Vergleich zu einem eher subjektiven und fachlichen Ansatz bei der Auswahl der richtigen spezifischen Punkte und Regeln
	als Antworten für das DOE. Wenn wir hier ein Beispiel nehmen, können wir uns fragen, was die richtigen Werte für die DOE-Antwort sind. Sollten wir diesen oder jenen Graphen-Peak berücksichtigen?
	Ist dieser Graphik-Peak zu klein oder nicht zu berücksichtigen? Sollten wir ihn berücksichtigen? Und ist dieser Graphik-Bereich auch interessant
	für uns darauf? Daher kann es in manchen Situationen ziemlich schwierig sein, nur einen bestimmten Wert oder einen bestimmten Punkt des Interesses zu erkennen. Und nicht zuletzt, wie wir gesehen haben,
	Es ermöglicht eine interaktive Visualisierung und prädiktive Modellierung des Einflusses von Additiven auf die Formulierungsleistung.
	Der Nutzen für FUCHS liegt darin, dass dieser neue Ansatz ein besseres Verständnis der komplexen Wechselwirkung zwischen den Additiven ermöglicht, die bei herkömmlichen Auswertungen typischerweise vernachlässigt wird, und dass wir die Möglichkeit haben, präzisere Vorhersagemodelle zu erstellen.
	Vielen Dank für Ihre Aufmerksamkeit.

Erweiterte statistische ModellierungAutomatisierung und SkriptingGrundlegende Datenanalyse und -modellierungKonsumenten- und MarktforschungDatenzusammenführung und -bereinigungDatenexploration und -visualisierungVersuchsplanungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikZuverlässigkeitsanalyseErgebnisse teilen und kommunizieren