| 扬声器 |
抄本 |
| 马塞洛·菲达莱奥 |
大家好，我叫 Marcello Fidaleo，我的演讲是关于应用于食品研磨过程的功能数据分析和实验设计。 |
| |
本研究的目的是研究冰淇淋制造中使用的榛子和可可豆基的研磨步骤。 |
| |
这些过程称为精炼，通常在搅拌球磨机中以批量模式进行，就像右边的这份报告一样。 |
| |
该过程的目的是减少固体成分（例如可可和糖）的颗粒大小，以使最终产品不粗糙。 |
| |
为了实现这一目标，我们设计了中心复合设计，就像右边的报告一样。我们设计了三个因子，N、D 和 S，其中 |
| |
N是轴的转速，D是球的直径，S是球的总质量。 |
| |
作为响应，我们考虑最大固体颗粒的尺寸，也就是细度，以及研磨能量。这两个响应都是作为时间函数测量的，所以这实际上是一个 |
| |
函数设计实验，因为响应不是？？？，而是函数，在这个特定案例中，是时间函数。我们使用 JMP Pro 来设计实验并分析结果。 |
| |
对于结果的分析，我们采用了两种方法。第一种方法是经典的设计实验分析。 |
| |
因此，我们使用响应面模型，将响应回归为两个不同时间点的工艺参数函数。在第二种方法中，即实验设计中的函数数据分析，我们 |
| |
我们能够在最终模型中纳入时间的影响，也就是说，我们考虑了 |
| |
功能性反应的本质……这就是反应的功能性本质。因此，在本次演讲中，我将讨论第二种方法。 |
| |
实验设计中的功能数据分析 |
| |
需要一些中间步骤来构建最终模型并获得系统的设计空间。 |
| |
基本上，我们从函数数据分析开始，以平滑函数数据。 |
| |
然后，我们将函数主成分分析应用于平滑函数。至此，通过保留该系统的几个成分，我们开发了一个函数响应模型。 |
| |
让我们看看结果... |
| |
其结果 |
| |
案例研究。 |
| |
这些是平滑处理的结果。我们应用了β样条函数，并考虑了???细度和能量。我们可以看到，通过使用数据变换和简单的数据过滤， |
| |
拟合函数，我们能够很好地拟合实验数据。实际上，我们使用了一个结点和一个三次样条函数，以及一个结点和一个线性样条函数来计算精细度和能量。 |
| |
然后我们将函数主成分分析应用于平滑函数。在左侧，我们可以看到，对于细度， |
| |
前两个成分解释了96%的方差，而对于能源行业，仅第一个成分就解释了98%的方差。因此，在最终模型中， |
| |
我们用两个分量来表示细度，一个分量来表示能量。右边我报告了实验中16次试验计算出的分数。 |
| |
我们从经验中发现，这些分数有助于理解系统的行为。例如，在这个例子中，第一个组件充当了 |
| |
研磨强度轴，高研磨强度在左侧，低研磨强度在右侧。所以，在这一点上，我们 |
| |
使用响应性（？）模型将分数回归为过程参数的函数 |
| |
通过纳入线性二次函数和交互效应，这些模型对于理解工艺参数对函数的影响也非常有用。 |
| |
回应。 |
| |
所以最后， |
| |
在这里，我们可以看到，正如我所说，我们终于能够构建最终模型了。这里我报告了几次运行中细度和能量随时间的变化。我们可以看到实验数据和预测数据之间的一致性……预测数据 |
| |
真的很好。正如我之前所说，我们用两个组件来表示细度，一个组件来表示能量。 |
| |
所以，最终，我们能够建立设计空间并进行研究......了解工艺参数的影响，即N，D和S， |
| |
在这里的功能响应。在分析器上，我们可以看到，在 N、D 和 S 条件下， |
| |
我们可以预测细度随时间的变化曲线，以及能量随时间的变化曲线。在底部……在底部，我报告了两个等值线图 |
| |
系统。左边的图像是在转速为 55 rpm、球直径为 6.5 毫米的情况下获得的。 |
| |
右侧采用等值线图，球体质量为 29 公斤，运行时间为 80 分钟。 |
| |
例如在左边，我们可以看到，当我们增加操作时间时，在边界上有球体的质量， |
| |
当然，能量会增加，而细度会降低。 |
| |
两个图中的白色区域是设计空间，该区域的细度在 20 到 30 微米之间，因此最终产品不会粗糙且不会过度研磨。 |
| |
因此，从这些结果中，我们可以得出结论，应用于功能设计实验的功能数据分析似乎是一种简单、稳健且易于使用的方法来构建批处理过程的动态设计空间。 |
