24h di Didattica

La statistica dell’elicottero di carta

Ing. Gianni Campatelli

gianni.campatelli@unifi.it

Modello matematico
Alla base dell’ottimizzazione di un qualsiasi processo industriale si ha la conoscenza stessa del processo “Si conosce un processo solo quando è possibile realizzare un modello matematico dello stesso”

L’obiettivo è quello di ricostruire un modello matematico del processo utilizzando gli strumenti possibili

2

Modello matematico Fra questi si hanno: Sperimentazione Quando non si hanno dati storici del processo ed il valore di ottimo è una combinazione mai utilizzata Strumenti Regressione Quando si hanno molti dati storici e la combinazione ottimale è già stata sperimentata 3 .

Misura Ogni prodotto/processo ha una performance Se vogliamo migliorare un processo è necessario stabilire una misura per la performance 4 .

Ripetibilità La misura è affetta da variabilità Variabilità del processo Variabilità della misura 5 .

Variabilità La misura della variabilità è la Deviazione Standard  (X i  X) 2 N 1 Graficamente la distanza fra la media di un processo ed il flesso della curva di probabilità 6 1 0 .

Misura prestazioni Per valutare le prestazioni del processo è necessario poter misurare delle caratteristiche in uscita in funzione delle specifiche 7 .

Ricerca fattori Per prima cosa si individuano i fattori potenzialmente influenti sul processo e si effettua la raccolta dati » Data » Turno di lavoro » Temperatura acqua di spegnimento » Portata acqua di spegnimento » Colata dell’acciaio » Potenza trasferita 8 .

Regressione • Regressione sui dati di processo: Y  f (Xi) Variabili di controllo Xi » Temperatura acqua Variabili di uscita Y » Profondità di tempra » Portata acqua » % olio di tempra » Potenza impiegata » Durezza superficiale » freccia » Velocità induttore 9 .

Regressione Si quantifica l’influenza di un fattore continuo su una risposta continua Tasso colesterolo OBIETTIVO: Determinare un modello matematico del processo Kcal giornaliere 10 .

etc… 11 .Tipologie regressione lineare semplice quadratica Regressione multipla cubica lineare etc.

Regressione semplice Si analizza l’influenza di un singolo fattore su una risposta ES: ROI – investimenti Tempo ciclo – addetti produzione Confort – imbottitura sedia Tempo irrigazione – m2 prato Out fattore 12 .

Campatelli cubica 13 . G.Ing.Regressione semplice Out Out fattore lineare Out quadratica fattore fattore Studio del Processo e del Prodotto .

Accuratezza regressione E’ sempre possibile interpolare i dati con una regressione Out fattore 14 .

Campatelli accettabile 15 possa ritenuta .Ing.Accuratezza regressione R-square (R-Sq %) Out Out fattore fattore R-Sq basso R-Sq alto R-Sq > 70 % perché la regressione Studio del Processo e del essere Prodotto . G.

005363 2.693578 0.292411 4.4% 5.Accuratezza regressione Coefficiente retta Termine noto R-Sq F (da utilizzare per test significatività) Gdl (per test) m b SEm SEb R-Sq SEy F Gdl sq reg sq resid 0.0868 I valori F e Gdl servono per effettuare un test di significatività della regressione 16 .91 522.606 18 86219.616451 99.385613 2972.

Accuratezza regressione R-Sq % è calcolato utilizzando i residui Residuo =|valore calcolato – valore reale| A parità di equazione di regressione Residui Out residuo R-Sq fattore 17 .

Intervallo predizione E’ possibile calcolare un intervallo all’interno del quale cadranno una data percentuale (95% ad esempio) delle possibili risposte Out Intervallo di predizione al 95% fattore 18 .

Limite dei dati attuali La regressione può essere utilizzata solo nel range per il quale si hanno dati disponibili Out ? fattore 19 .

Design of Experiments Utilizzato per conoscere l’influenza dei vari parametri di controllo (ali.O. Ad ogni prova i parametri vengono impostati a valori differenti 20 .E. massa) in relazione al tempo di volo D.: metodo per ottenere il massimo numero di informazioni eseguendo il minimo numero di prove.

) Livello: valore plausibile del fattore numero operatori: 2 .4 temperatura: 10°C – 20°C sistema gestione: nuovo – vecchio Il numero di livelli dipende dal fattore. sistema di gestione. etc.Definizioni DOE Fattore: caratteristica del processo/prodotto che può essere configurata (es: numero operatori. solitamente si preferisce scegliere solo due livelli 21 . temperatura processo.

Organizzazione esperimenti Calcolo degli effetti più accurato (replicazione latente) Calcolo delle interazioni possibile approccio intuitivo approccio fattoriale 22 .

Approccio fattoriale Si considerano tutte le possibili combinazioni dei livelli dei fattori prova A B C 1 2 3 4 5 6 7 8 + + + + - + + + + - + + + + 23 .

Numero prove Il numero delle prove da eseguire dipende dal numero di fattori e da numero di livelli n = numero fattori m = numero livelli Più frequentemente prove  m n prove  2 n 24 .

Replicazioni E’ necessario eseguire delle replicazioni per individuare un valore medio della prova in tali condizioni e valutare il “rumore” della prova Si consigliano sempre almeno 2-3 replicazioni 25 .

Calcolare gli effetti Obiettivo della sperimentazione è creare un modello matematico del sistema L’effetto è la differenza fra le medie dei vari esperimenti condotti in con un fattore allo stesso livello Effetto A = =media(A+) – media(A-)= =(Y1+Y2)/2 – (Y3+Y4)/2 1 2 A + + B + - 3 4 - + 26 .

Interazioni Per interazione si intende la differenza di effetto che una variabile può avere dipendentemente da un’altra Matematicamente è la differenza fra la media delle prove fatte con livelli dei fattori concordi e livelli dei fattori discordi A + + B + AB + Effetto AB = =media(AB+) – media(AB-)= =(Y1+Y4)/2 – (Y2+Y3)/2 27 1 2 3 4 - + - + .

interazioni lineari .lineari y  a1  x1  a2  x2  a3  x1  x2  c 28 .Modello matematico Il modello matematico delle DOE è costituito dai seguenti termini: .