| Oratore |
Trascrizione |
| Victor Guillermo |
Ciao a tutti, l'argomento di oggi è come utilizzare Functional Data Explorer nella progettazione delle miscele per prevedere le prestazioni tribologiche. |
| |
Quindi vi presenterò la situazione iniziale. Quindi, prima di tutto, l'obiettivo: vogliamo studiare e ottimizzare la miscela di tre additivi prestazionali. |
| |
con diverse chimiche per trovare la miscela con le prestazioni più elevate, ovvero il coefficiente di attrito più basso e più stabile in funzione della temperatura, |
| |
o la temperatura di abrasione più elevata. Pertanto 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 moto relativo. Include lo studio e l'applicazione dei principi di attrito, lubrificazione e usura. |
| |
Quindi, come progetto di miscela, faremo un progetto di centroide simplesso. Quindi, come potete vedere qui con l'additivo A, B e C, |
| |
Useremo i punti qui, i punti del cerchio, per... per fare la progettazione degli esperimenti è il centroide simplesso. E useremo i punti del triangolo qui |
| |
come punto di convalida per il modello e, se necessario, questi punti possono essere utilizzati per ampliare il progetto e quindi realizzare un progetto del centroide simplex aumentato. |
| |
Per valutare le prestazioni, utilizzeremo questo tribometro: il TE 77. |
| |
Misureremo il coefficiente di attrito in funzione della temperatura, quindi inizia da 40 gradi a 200 gradi |
| |
e con i punti di contatto. Si tratta quindi di una configurazione a sfera su piastra sottoposta a un certo carico normale in un movimento oscillante, come si può vedere in questa figura. La sfera è isolata meccanicamente dalla piastra inferiore fissa e i meccanismi di azionamento funzionano all'interno di un bagno d'olio. |
| |
Abbiamo riscontrato alcune difficoltà con questo test, perché per ogni test abbiamo 4.140 punti dati registrati dal software nel sistema. |
| |
Ciò crea delle sfide particolari, perché generiamo molte misurazioni e potremmo avere delle informazioni ridondanti o un'elevata autocorrelazione. |
| |
E potremmo anche avere tempi o frequenze di campionamento irregolari. |
| |
E può essere piuttosto difficile analizzare le informazioni o i modelli alla base di tutti questi punti. Quindi, per esempio, ecco, come possiamo descriverlo, un mare di dati. |
| |
con tutti gli esperimenti che abbiamo condotto per questo progetto di esperimenti e tutte le curve del coefficiente di attrito in funzione della temperatura. |
| |
E la domanda fondamentale è: come possiamo usare questi dati per prevedere qualcosa? Dovremmo quindi provare a 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 in cui utilizzeremo solo alcuni punti specifici. |
| |
Se osserviamo le curve del coefficiente di attrito in funzione della temperatura per i tre additivi in questione, possiamo individuare alcuni punti interessanti. Ad esempio, |
| |
se osserviamo l'additivo C, quindi la curva di attrito in blu, possiamo individuare qui un picco, un picco di abrasione, quindi possiamo registrare la temperatura al picco di abrasione e il coefficiente di attrito massimo |
| |
registrato per questo...per questo picco. Possiamo fare lo stesso per gli additivi, quindi, ad esempio, per l'additivo B, abbiamo una temperatura di abrasione più elevata e anche un |
| |
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. Ad esempio, |
| |
Abbiamo qui il primo picco di abrasione con un coefficiente di attrito piuttosto basso, e poi abbiamo qui un secondo picco di abrasione con un coefficiente di attrito più elevato. Possiamo quindi utilizzare queste informazioni nel DOE. |
| |
per 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 di miscela. Quindi, osserviamo le diverse risposte, ottenendo così una buona modellazione per tutte queste risposte. |
| |
E quando guardiamo alla fine del 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 abrasione ottenuta. |
| |
E che dire dell'accuratezza del modello e delle prestazioni predittive? Se osserviamo le differenze tra i risultati sperimentali e le previsioni del modello e del modello aumentato, |
| |
possiamo vedere che, per tutti gli esperimenti, abbiamo una differenza molto piccola tra i risultati sperimentali e la previsione del modello. Quindi |
| |
in questo caso, non ha senso includere il punto di convalida direttamente nel modello perché il design del centroide simplex è in grado di fornire un |
| |
previsione sufficientemente accurata per l'attrito...per la temperatura al primo picco di abrasione qui. |
| |
Quindi, in conclusione, questo primo approccio ci consente di identificare un'area di formulazione ottimale per le prestazioni, dove raggiungiamo la temperatura di abrasione più elevata con il coefficiente di attrito più basso, |
| |
e la formulazione al centro di quest'area è composta per il 70% dall'additivo B e per il 30% dall'additivo C. |
| |
Quando eseguiamo lo stesso approccio di analisi con Functional Data Explorer, abbiamo una tabella dati che appare così, quindi abbiamo qui l'ID corrispondente a |
| |
Numero dell'esperimento DOE. |
| |
Qui, la proporzione dell'additivo A, B e C e registriamo la temperatura e abbiamo il coefficiente di attrito come risposta. |
| |
Ma prima, cos'è Functional Data Explorer? È una piattaforma progettata per dati che sono funzioni, segnali o serie, e può essere utilizzata come analisi esplorativa dei dati, quindi questo è il nostro caso. |
| |
o come tecnica di riduzione dimensionale. |
| |
In questo caso, utilizzeremo Functional Data Explorer per creare un modello e poter prevedere le curve di attrito in base alla temperatura. |
| |
Per fare ciò, andiamo su questa tabella dati, su Analyse, Specialized Modeling, Functional Data Explorer. 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 utilizzeremo i punti di convalida dalla progettazione della miscela, anche come convalida qui nel nostro modello. |
| |
E clicchiamo su OK, ma la prima cosa che possiamo vedere è che all'inizio dei test c'è molta variabilità. |
| |
Quindi prima |
| |
quello che dobbiamo fare è rimuovere tutti i punti qui con una temperatura molto bassa, perché non si avranno picchi di abrasione, |
| |
A seconda degli additivi, ma si verifica molto rumore perché si tratta dell'inizializzazione del test. Quindi, per raggiungere il primo valore di temperatura accettabile, intorno ai 40 gradi, è necessario aumentare la temperatura da temperatura ambiente a 40 gradi, e a seconda della pendenza di questo |
| |
variazione di temperatura, può introdurre del rumore. Quindi, prima di tutto, |
| |
Functional Data Explorer, filtreremo qui in base alla temperatura e manterremo solo i valori superiori a 45 gradi e poi, come puoi vedere, rimuoveremo il rumore all'inizio delle curve e potremo impostare un modello che spiegherà solo la variabilità in base agli additivi. |
| |
Quindi, creiamo il nostro modello P-Spline. Per prima cosa dobbiamo selezionare quanti nodi avremo nel modello. In questo caso, quando usiamo 158 nodi, abbiamo il migliore |
| |
compromesso nella modellazione. |
| |
Osservando i grafici diagnostici, possiamo vedere che abbiamo una certa variazione e residui più elevati quando abbiamo un coefficiente di attrito più elevato, il che è abbastanza normale perché si tratta di una situazione instabile. |
| |
E la parte interessante è che... JMP è in grado di fornirmi il modello per tutte le curve. Per ogni curva, è composto da una curva media qui e da una funzione qui. |
| |
con coefficiente collegato a ciascuna funzione per esprimere nel modo più accurato possibile tutte le diverse curve di attrito. |
| |
E abbiamo anche la parte bella che poiché abbiamo introdotto le variabili, quindi Additivo A, B e C, |
| |
qui possiamo cambiare il rapporto degli additivi per guardare. |
| |
Quindi lo farò anche qui. |
| |
Appena |
| |
aprendo già la P-Spline. |
| |
Fatto. |
| |
Con 158 nodi. Solo per mostrarvi l'interattività tra la velocità...il rapporto additivo e la previsione della curva del modello. |
| |
Quindi abbiamo già fatto il nostro filtraggio prima, e quindi alla fine qui, posso spostare... 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 si ha il vincolo della progettazione della miscela, il che significa che si può avere più del 100% dell'additivo. Quindi, ad esempio, qui posso avere il 100% dell'additivo A, ma anche degli additivi B e C. |
| |
Ma ci aiuta comunque 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... ci dispiace. |
| |
Precisione del modello e prestazioni predittive, quindi possiamo dare un'occhiata, ad esempio qui su questa curva. Quindi abbiamo 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 corrispondenza abbastanza buona tra i risultati sperimentali e |
| |
la previsione del modello P-Spline. |
| |
Quindi, ciò che vogliamo fare ora è essere in grado di esaminare questo spazio sperimentale dal fornitore della miscela, ma avere direttamente un collegamento |
| |
per mostrarci come appaiono le curve del coefficiente di attrito, a seconda di come... dove ci troviamo in questo spazio sperimentale. Quindi, per prima cosa dobbiamo andare nella tabella dei dati del DOE, quindi questa, |
| |
e crea qui una colonna ID |
| |
che corrisponderà alla colonna ID del Functional Data Explorer nella tabella dati del Functional Data Explorer. Quindi, qui ogni esperimento del DOE è collegato... ha lo stesso numero della colonna ID della tabella del Functional Data Explorer, quindi come questo. |
| |
Quindi dobbiamo, nella tabella DOE, cliccare con il tasto destro del mouse su ID e digitare ID collegamento. E nella tabella Functional Data Explorer faremo lo stesso, collegamento, ma questa volta riferimento al collegamento, e dobbiamo fare riferimento alla tabella dati precedente, quindi direttamente dal DOE. |
| |
Una volta fatto questo, possiamo aprire lo script Fit Group dalle tabelle DOE, quindi quello con il profilo della miscela alla fine. |
| |
E apriremo anche l'Esploratore dati funzionali |
| |
analisi dalla tabella Functional Data Explorer. |
| |
Quindi quello che ho già aperto. |
| |
Quindi ci vogliono solo pochi secondi per aprirlo. |
| |
Quindi metterò a sinistra |
| |
il profilo della miscela qui e sulla destra |
| |
Inserirò l'analisi di Functional Data Explorer. L'ultimo passaggio da fare è collegare questi due profiler, quindi andrò sul triangolo rosso qui, sulle impostazioni dei fattori e sul profiler qui. |
| |
Assicuratevi solo che qui sia lo stesso. |
| |
OK, quindi ora che ho fatto questo, i due profili sono collegati, quindi significa che se mi sposto qui, ti mostrerò semplicemente |
| |
le curve qui sullo schermo più grande, quindi se sposto qui i miei punti, avrò la previsione delle curve del coefficiente di attrito direttamente sulla destra. |
| |
Quindi è uno strumento molto interattivo per esplorare visivamente l'area. E nella nostra area ottimale, potete vedere che il coefficiente di attrito è piuttosto stabile e allo stesso valore. |
| |
Quindi qui |
| |
Ora possiamo utilizzare un profiler di mixer per esaminare lo spazio sperimentale e vedere come appaiono le curve del coefficiente di attrito previsto per qualsiasi punto dello spazio sperimentale. |
| |
In conclusione, è possibile determinare e prevedere tutte le curve del coefficiente di attrito nello spazio sperimentale e comprendere meglio l'influenza degli additivi. Ecco un esempio. |
| |
Quindi inizio dal centro qui, se mi sposto lì, significa che sto aumentando il livello dell'additivo A. Puoi vedere, sulla destra |
| |
che qui abbiamo una pendenza maggiore e un picco di abrasione più alto |
| |
quando mi avvicino solo all'Additivo A. |
| |
Se parto anch'io dal centro e aumento il livello di Additivo C, puoi vedere che la pendenza alla fine del profiler qui diminuisce, ma abbiamo un picco di abrasione 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 di abrasione qui. E quando sono nella zona di interesse qui, ho gli aspetti positivi degli ultimi due additivi. Ciò 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...innanzitutto, si analizzano tutti i punti dati, quindi anche se punti specifici possono avere un valore simile, |
| |
la curva potrebbe comportarsi diversamente. Quindi, ad esempio, se non si guarda il valore del coefficiente di attrito, si potrebbe dire che si ha un valore molto simile perché |
| |
si ottiene la stessa temperatura di abrasione per i due esperimenti, ma, come si può vedere, si ottengono coefficienti di attrito molto diversi 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 e specialistico di selezione dei punti e delle regole specifici giusti |
| |
come risposta per il DOE. Se prendiamo un esempio, potremmo chiederci quali siano i valori corretti per la risposta del DOE. Dovremmo considerare questo picco grafico o questo? |
| |
Questo picco grafico è troppo piccolo o non è da considerare? Dovremmo considerarlo? E quest'area grafica è anche interessante? |
| |
per noi? Quindi potrebbe essere piuttosto difficile in alcune situazioni 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, i vantaggi per FUCHS sono che questo nuovo approccio consente una maggiore comprensione della complessa interazione tra gli additivi, che solitamente può essere trascurata dalla valutazione convenzionale, e ci dà la possibilità di costruire modelli predittivi più precisi. |
| |
Grazie mille per l'attenzione. |
