| 扬声器 |
抄本 |
| 维克多·吉列尔莫 |
大家好，今天的主题是使用混合设计中的函数数据探索器来预测摩擦学性能。 |
| |
我将向大家介绍一下最初的情况。首先，我们的目标是研究和优化三种性能添加剂的混合物。 |
| |
用不同的化学成分来找到性能最高的混合物，这意味着摩擦系数随温度变化最低、最稳定， |
| |
或最高磨损温度。因此，添加剂的总量固定为油中的5%，以便能够发现配方之间的差异 |
| |
并避免配方中添加剂之间的粘度差异过大。因此，我们在这里讨论摩擦学， |
| |
这是一门研究相对运动中相互作用表面的科学与工程。它包括摩擦、润滑和磨损原理的研究和应用。 |
| |
因此，作为混合设计，我们将进行单纯形质心设计。正如你在这里看到的，其中有加法 A、B 和 C， |
| |
我们会用这里的圆点，也就是圆形点，来做实验设计，也就是单纯形质心。我们会用这里的三角形点。 |
| |
作为模型的验证点，如有必要，这些点可用于增强设计，从而进行增强单纯形质心设计。 |
| |
为了评估性能，我们将使用这款摩擦仪。它是 TE 77 摩擦仪。 |
| |
我们将测量摩擦系数与温度的关系，因此从 40 度到 200 度 |
| |
以及接触点。所以，正如您在图中看到的，它是一个球在板上的结构，在一定的法向载荷下进行振荡运动。因此，球与固定的下板机械隔离，驱动机构在油槽内运行。 |
| |
我们在这次测试中遇到了一些挑战，因为每次测试都有 4,140 个数据点由系统中的软件记录。 |
| |
因此它带来了特殊的挑战，因为我们生成了大量的测量数据，所以我们可能会有一些冗余信息或高度自相关性。 |
| |
而且我们也可能存在不规则的采样时间或采样频率。 |
| |
分析所有这些点背后的信息或模式可能相当困难。举个例子，我们可以这样描述，假设这是一个数据海洋 |
| |
我们针对该实验设计所做的所有实验以及所有摩擦系数与温度的关系曲线。 |
| |
最大的问题是，我们该如何使用这些数据来预测一些事情？那么，我们应该只使用曲线中的特定点，还是应该从所有数据（也就是所有曲线）中提取相关特征？ |
| |
因此第一种方法是一种传统方法，我们只会使用一些特定的点。 |
| |
如果我们单独观察这三种添加剂的摩擦系数与温度的关系曲线，就能发现一些有趣的现象。例如， |
| |
如果我们观察添加剂 C，也就是蓝色的摩擦曲线，我们可以在这里发现一个峰值，一个磨损峰值，所以我们可以记录磨损峰值的温度和最大摩擦系数 |
| |
记录了……这个峰值。我们可以对添加剂进行同样的处理，例如，对于添加剂B，我们得到了更高的磨损温度，并且 |
| |
这里的摩擦系数较低，我们也可以看到，对于某些实验，例如这里我们观察添加剂A时，需要记录几个值。例如， |
| |
我们在这里得到了第一个摩擦系数相当低的擦伤峰，然后我们得到了第二个摩擦系数较高的擦伤峰。所以我们可以在DOE中使用这些信息 |
| |
以便使用模型中的特定点。 |
| |
因此我们将用这些特定的点创建一个模型 |
| |
这样就有四个回应，我们就能确定一个感兴趣的领域 |
| |
在这个混合设计中。我们在这里观察不同的反应，并对所有这些反应建立了相当好的模型。 |
| |
当我们查看混合物分析器的末端时，我们可以看到一个感兴趣的区域，大约是……添加剂 B 的 70%，添加剂 A 的 30%。在这个区域，我们有最低的摩擦系数和最高的 |
| |
获得磨损温度。 |
| |
那么模型准确率和预测性能如何呢？如果我们看一下实验结果与模型和增强模型预测结果之间的差异， |
| |
我们可以看到，对于所有实验，实验结果和模型预测之间的差异非常小。所以 |
| |
在这种情况下，将验证点直接纳入模型是没有意义的，因为单纯形质心设计能够提供 |
| |
对于摩擦的预测足够准确...对于这里第一个磨损峰的温度。 |
| |
因此，总而言之，第一种方法使我们能够确定性能最佳的配方区域，在该区域中，我们可以达到最高的磨损温度和最低的摩擦系数， |
| |
该区域中心的配方由70％的添加剂B和30％的添加剂C组成。 |
| |
当我们使用函数数据资源管理器进行相同的分析方法时，我们会得到一个如下所示的数据表，因此我们这里有与 |
| |
DOE实验编号。 |
| |
这里，我们记录了添加剂 A、B 和 C 的比例，并得到了摩擦系数作为响应。 |
| |
首先，什么是函数数据探索器？它是一个专为函数、信号或序列数据设计的平台，可以用于探索性数据分析，这就是我们这里的例子。 |
| |
或作为一种降维技术。 |
| |
在这种情况下，我们将...我们将使用功能数据浏览器来创建模型并能够根据温度预测摩擦曲线。 |
| |
为了做到这一点，我们对此数据表进行分析，进行专门建模，然后使用功能数据资源管理器。我们将此处的 ID 设置为函数 ID。 |
| |
然后我们将温度作为输入，摩擦系数作为输出。 |
| |
我们还拥有有关添加剂比例的信息，因此我们将它们保存在补充变量中，并且我们使用混合设计中的验证点，也作为我们模型中的验证。 |
| |
我们点击“确定”，但我们首先看到的是，在测试开始时，这里存在很多变化。 |
| |
所以首先 |
| |
我们要做的就是把这里所有温度非常低的点都去掉，因为这样就不会出现磨损峰， |
| |
取决于添加剂，但由于测试初始化，会产生很多噪音。为了达到第一个合适的温度值，也就是40度左右，你必须把温度从室温提高到40度，并且根据这个斜率 |
| |
温度变化会产生一些噪音。因此，首先， |
| |
在功能数据浏览器里，我们将根据温度进行过滤，并且只保留高于 45 度的值，然后您可以看到，我们将消除曲线开始时的噪音，并且我们可以设置一个模型，该模型仅解释取决于添加剂的变化。 |
| |
那么，我们创建 P 样条模型。首先，我们必须选择模型中节点的数量。在本例中，当我们使用 158 个节点时，我们得到了最佳结果 |
| |
建模中的妥协。 |
| |
查看诊断图，我们可以看到，当摩擦系数较高时，我们会有一些变化和较高的残差，这是很正常的，因为这是一种不稳定的情况。 |
| |
有趣的是……JMP 能够为我提供所有曲线的模型。每条曲线都由这里的均值曲线和这里的某个函数组成。 |
| |
将系数与每个函数联系起来，以便尽可能准确地表达所有不同的摩擦曲线。 |
| |
我们还有一个好处，因为我们已经引入了变量，所以加法 A、B 和 C， |
| |
我们可以在这里改变添加剂的比例以便观察。 |
| |
所以我也会在这里这样做。 |
| |
只是 |
| |
已经打开 P-Spline。 |
| |
完毕。 |
| |
158节。只是为了向你展示速率……加法比率和模型曲线预测之间的互动性。 |
| |
所以我们之前已经完成了过滤，所以最后在这里，我可以移动...例如，我可以在这里添加更多的添加剂 A 或减少添加剂 B，看看它会产生什么影响 |
| |
我的摩擦曲线。这款分析器唯一的问题是它不受混合设计的限制，这意味着添加剂的用量可以超过100%。比如说，我这里可以有100%的添加剂A，也可以有添加剂B和C。 |
| |
但它仍然有助于我们了解添加剂和摩擦系数结果之间的相互作用。 |
| |
如果我们对模型准确性和预测性能感兴趣……抱歉。 |
| |
模型准确率和预测性能，我们可以看看这条曲线。蓝色表示实验数据点，红色表示 P 样条模型的平滑曲线。如果我们再看看 |
| |
我们的验证点是什么？你可以看到实验结果和 |
| |
P 样条模型的预测。 |
| |
因此，我们接下来要做的就是能够通过这个实验空间筛选混合物供应商，但要直接建立链接 |
| |
展示摩擦系数曲线的样子，这取决于我们在这个实验空间中的位置。首先，我们必须进入DOE数据表，所以这个， |
| |
并在此处创建一个 ID 列 |
| |
这将与“功能数据探索器”数据表中“功能数据探索器”的ID列匹配。因此，这里每个来自DOE的实验都链接在一起……其编号与“功能数据探索器”表中的ID列相同，就像这样。 |
| |
然后，在 DOE 表上，右键单击 ID，然后选择“链接 ID”。在“功能数据资源管理器”表上，我们执行相同的操作，选择“链接”，但这次是“链接引用”，并且必须将其引用到上一个数据表，也就是直接从 DOE 引用。 |
| |
完成此操作后，我们可以从 DOE 表中打开 Fit Group 脚本，即这里末尾带有混合分析器的脚本。 |
| |
我们还将打开函数数据资源管理器 |
| |
来自功能数据资源管理器表的分析。 |
| |
我已经打开了。 |
| |
因此只需几秒钟即可打开它。 |
| |
所以我会把左边 |
| |
混合物分析器在这里，右边 |
| |
我会使用函数数据探索器进行分析。最后一步是将这两个分析器关联起来，所以我会在这里使用红色三角形，也就是因子设置，然后在这里关联分析器。 |
| |
只要确保这里也一样即可。 |
| |
好的，现在我完成了这些，两个个人资料就关联起来了，这意味着如果我搬到这里，我就会向你展示 |
| |
这里的曲线在更大的屏幕上，所以如果我在这里移动我的点，那么我将直接在右侧得到摩擦系数曲线的预测。 |
| |
所以这是一个……一个非常互动的工具，可以直观地探索该区域。在我们的最佳区域，你可以看到摩擦系数相当稳定，并且保持相同的值。 |
| |
所以这里 |
| |
我们现在可以使用混合器分析器来筛选实验空间，并查看实验空间中任何一点的预测摩擦系数曲线是什么样的。 |
| |
总而言之，这样就有可能确定并预测实验空间内的所有摩擦系数曲线，并且我们能够更好地理解添加剂的影响。以下是一个例子。 |
| |
我从中间开始，如果我移动到那里，那就意味着我增加了添加剂 A 的含量。你可以看到，在右边 |
| |
这里的坡度更大，而且磨损峰最高 |
| |
当我越来越接近添加剂 A 时。 |
| |
如果我也从中间开始并增加添加剂 C 的水平，您会看到此处轮廓仪末端的斜率会减小，但我们会在 80 度左右处看到一个非常短的磨损峰。 |
| |
从中间开始到添加剂 A，你可以看到我们仍然有 |
| |
末端有一个轻微的斜坡，但没有磨损峰。当我在这里感兴趣的区域时，我得到了最后两种添加剂的优点。这意味着 |
| |
我能够在 80 度左右没有峰值，并且在此区域也具有稳定的摩擦系数。 |
| |
所以 |
| |
混合物分析器和实验分析器的功能设计。 |
| |
功能数据探索器方法的优点是……首先，您可以分析所有数据点，因此即使特定点可能具有相似的值， |
| |
曲线可能表现不同。举个例子，如果你不看摩擦系数值，你可能会说你的值非常相似，因为 |
| |
两个实验的磨损温度相同，但是，正如您所见，这两个实验获得的摩擦系数非常不同。 |
| |
因此，第二点是，与选择正确的具体点和规则的更主观和领域专家方法相比，你能够进行客观分析 |
| |
作为 DOE 的响应。举个例子，我们可能会问自己，DOE 响应的正确值是多少？我们应该考虑这个图表峰值还是这个？ |
| |
这个图上的峰值是不是太小了，或者不值得考虑？我们应该考虑这个吗？这个图上的区域也很有趣吗？ |
| |
对我们来说，这有什么意义？所以在某些情况下，只找到特定的价值或特定的兴趣点可能相当困难。最后，但同样重要的是，正如我们所见， |
| |
它可以对添加剂对配方性能的影响进行交互式可视化和预测建模。 |
| |
因此，对于 FUCHS 来说，这种新方法可以让我们更好地理解添加剂之间的复杂相互作用，而这种相互作用通常会被传统的评估所忽略，因此我们有可能建立更精确的预测模型。 |
| |
非常感谢您的关注。 |
