C.10 Vrednotenje modela model3 5
4.1 Vrednotenje identificiranih modelov
Za nepristransko mero uspeˇsnosti regresijskih modelov procesa pri konˇcnem vre-dnotenju uporabimo poseben nabor podatkov (testna mnoˇzica), katerega pri mo-deliranju nismo uporabili. V tabeli 4.1 so predstavljene ˇstevilske mere uspeˇsnosti modelov na tovrstnem naboru podatkov. Podrobni rezultati pa so predstavljeni v prilogi C.
Najviˇsjo mero uspeˇsnosti ima Model 1, vendar je njegova uporabnost ome-jena na napoved povpreˇcne izhodne kakovosti za celoten prevlek oziroma za eno ustaljeno stanje in ne omogoˇca napovedi izhodne kakovosti med samim obratova-njem, kar je pogoj za sprotno simulacijo delovanja sistema. Glede na visoko mero uspeˇsnosti pa se kaˇze moˇznost uporabe za vnaprejˇsnje nastavljanje parametrov recepta vseh prevlekov.
Svojo uporabno vrednost kaˇze tudi modelModel 3 in ga bo mogoˇce uporabiti za kratkoroˇcno napovedovanje izhodne kakovosti. Uporabnost modela Model 2 79
Tabela 4.1: Vrednotenje identificiranih modelov.
model Rˆ2 mera uspeˇsnosti
Model 1 model1 0,8686
Model 2
pa je posebno pri niˇzjih prevlekih vpraˇsljiva, zato bo potrebno ˇse dodatno vre-dnotenje. Predvsem pa smo ugotovili, da informacije iz prejˇsnjega prevleka niso zadostne, da bi lahko z veliko gotovostjo napovedovali potek v naslednjem pre-vleku.
Pri modelih opazimo tudi, da je mera uspeˇsnosti viˇsja pri viˇsjih prevlekih.
Slednje lahko interpretiramo kot vse veˇcji vpliv valjavskega ogrodja Sendzimir na produkt. V prvem prevleku je velik vpliv s prejˇsnje procesne linije, z veˇc prevleki pa se ta vpliv manjˇsa, veˇca pa se vpliv trenutne obdelave.
Za vrednotenje klasifikacijskega modela napovedovanja trenutkov korekcije sil nategov uporabimo celoten nabor izvornih podatkov brez predhodne korekcije zastopanosti razredov.
Poroˇcilo uspeˇsnosti klasifikacijskega modela je prikazano v tabeli 4.2.
Kratice, ki predstavljajo statistiˇcne mere uspeˇsnosti modela so definirane z enaˇcbami (2.30) - (2.34).
Rezultati modela kaˇzejo, da obstaja povezava med procesnimi vrednostmi in operaterjevo logiko odloˇcanja, saj v veˇcini primerov identificiran model pravilno svetuje o posegu v proces. To je razvidno iz zadovoljivo visoke mere uspeˇsnosti PPV, ki predstavlja relativno ˇstevilo vzorcev, klasificiranih kot change = 1 med
Tabela 4.2: Poroˇcilo uspeˇsnosti klasifikacijskega modela za identifikacijo opera-terske prakse.
TP [/] TN [/] FP [/] FN [/] PPV [/] TPR [/] TNR [/] F1 [/] ACC [/]
545 4881 1314 225 0,2932 0,7078 0,7879 0,4146 0,7790
vsemi vzorci, ki imajo pravo vrednost change = 1. Vzroke za napaˇcno razvrˇsˇcene vzorce pa pripiˇsemo neenotni praksi operaterjev ali pa pomembnejˇsemu podatku, ki ga v naˇsem delu nismo zaobjeli.
4.2 Primer uporabe: nadzorno-svetovalni sistem
V sklopu projekta je bil razvit prototip nadzorno-svetovalnega sistema s pripa-dajoˇcim grafiˇcnim uporabniˇskim vmesnikom (ang. Graphical User Interface – GUI), ki bo omogoˇcal:
• svetovanje optimalnih nastavitev recepta pred priˇcetkom procesa,
• sprotno spremljanje procesa valjanja in svetovanje optimalne korekcije pri-marnega recepta,
• naknadno podrobno analizo uporabe ustreznih receptur na podlagi arhi-vskih podatkov.
Glede na zasledovane cilje je bilo potrebno implementirati jedro nadzorno-svetovalnega sistema, ki ga sestavljata dva neodvisna uporabniˇska vmesnika (Op-timizator in Simulator) ter regresijski model procesa (Optimizator vsebuje Mo-del 2, Simulator vsebuje Model 3). Z nadzorno-svetovalnim sistemom je mogoˇce upravljati preko interaktivnih spletnih strani, od katerih je:
• Optimizator namenjena za izvajanje optimizacije parametrov recepta pred zaˇcetkom procesa, pri ˇcemer mora omogoˇcati moˇznost primerjanja konˇcne kakovosti za primer parametrov recepta podanih s strani uporabnika ter izraˇcunanih z optimizacijo,
• Simulator pa za naknadno podrobnejˇso analizo preteklih delovnih nalogov na podlagi ponovnega simuliranja ˇze konˇcanih nalog ter sprotnega spremlja-nja in zaznavaspremlja-nja potrebe po korekciji parametrov recepta.
4.2.1 Optimizator
Optimizator je uporabniˇsko orodje, ki temelji na uporabi regresijskega modela Model 2 in na podlagi aktualnega stanja na procesni liniji napove izhodno kako-vost za naslednji prevlek. Ta aplikacija operaterjem ˇse pred priˇcetkom prevleka predlaga parametre recepta, ki zagotovijo najviˇsjo izhodno kakovost in najviˇsjo obratovalno hitrost (produktivnost). Oba zasledovana cilja sta si nasprotujoˇca, zato uporabnik preko vmesnika izbere ustrezno prioriteto med obema ciljema.
Orodje Optimizator omogoˇca tudi vnos uporabniˇskih parametrov recepta in primerjava potekov napovedane izhodne kakovosti za celoten prevlek z dodanim povzetkom uˇcinkovitosti, ki prikazuje razlike uporabniˇskih nastavitev in optimal-nih nastavitev v smislu kakovosti in produktivnosti.
Omenili smo, operaterji veˇckrat poseˇzejo v proces, tj. korigirajo nastavitve recepta. V ta namen je bila dodana ˇse moˇznost razdelitve prevleka na veˇc segmen-tov, ki jih interaktivno doloˇci uporabnik. S tem omogoˇcimo izraˇcun optimalnih nastavitev recepta znotraj izbranih segmentov.
Optimizator je strukturiran v veˇc enot, diagram poteka je prikazan na sliki 4.1, izgled grafiˇcnega uporabniˇskega vmesnika pa na sliki 4.2.
PREVZEM UPORABNIŠKIH NASTAVITEV IZRAČUN OPTIMALNIH
NASTAVITEV INICIALIZACIJA ZAŽENI OPTIMIZATOR
PRIPRAVA STATUSNIH PODATKOV
POROČILO O USPEŠNOSTI IZRAČUN IZHODA PROCESA
USTAVI OPTIMIZATOR POSREDOVANJE OPTIMALNIH
NASTAVITEV UPORABNIKU
ANALIZIRAJ NASTAVITVE DA NE
Slika 4.1: Diagram poteka Optimizatorja.
Slika 4.2: Grafiˇcni vmesnikOptimizatorja.
4.2.2 Simulator
Regresijski model Model 3 procesa predstavlja osnovo simulacijskega programa, ki bo operaterjem omogoˇcal testiranje in analizo dejansko uporabljenih in alterna-tivnih kombinacij parametrov recepta za ˇze zakljuˇcene proizvodne naloge. Novim operaterjem pa bo lahko sluˇzil kot uˇcna naprava, v kateri spoznavajo sam pro-ces in na podlagi doseˇzenega rezultata dobijo povratne informacije o ustreznosti izbranih parametrov recepta.
Operaterji lahko med tekom simulatorja spreminjajo parametre, ki jih tudi sicer na realnem procesu in s tem preizkuˇsajo, kako se simulacijski proces odziva.
Poleg same simulacije procesa, v ozadju teˇce tudi sistem za oceno ustreznosti parametrov. Le-ta uporablja Optimizator, ki glede na trenutno izmerjeno sta-nje procesa operaterju podajo oceno o potrebi za korekcijo parametrov recepta.
Ocena je podana v treh stopnjah:
• ni potrebne korekcije(sprememba parametrov recepta bi kakovost izboljˇsala za manj kot 2 %,
• razmisli o korekciji (sprememba parametrov recepta bi kakovost izboljˇsala za 2 % do 5 %,
• izvedi korekcijo (sprememba parametrov recepta bi kakovost izboljˇsala za vsaj 5 %.
Tek simulacije uporabniki lahko spremljajo in nadzirajo z grafiˇcnim upo-rabniˇskim vmesnikom, ki ima dostop do notranjih stanj uporabnikove instance simulatorja.
Simulator je strukturiran v veˇc enot, diagram delovanja je prikazan na sliki 4.3, izgled grafiˇcnega uporabniˇskega vmesnika pa na sliki 4.4.
IZRAČUN OPTIMALNIH NASTAVITEV PREVZEM UPORABNIŠKIH
NASTAVITEV
KONEC DA NE
INICIALIZACIJA ZAŽENI SIMULACIJO
PRIPRAVA STATUSNIH PODATKOV
POROČILO O USPEŠNOSTI IZRAČUN IZHODA PROCESA
ZAKLJUČI SIMULACIJO
Slika 4.3: Diagram poteka Simulatorja.
Slika 4.4: Grafiˇcni vmesnik Simulatorja.
4.2.3 Primer uporabe
Hipotetiˇcni primer je, da ˇzelimo optimizirati parametre recepta za zadnji, peti prevlek izbranega kolobarja. Iz podatkovne baze prenesemo arhivske podatke ob-delave izbranega kolobarja. Razviti program najprej ovrednoti ustrezne znaˇcilke, ki jih regresijski model potrebuje za napovedovanje izhodne kakovosti produkta.
Glede na vhodno odstopanje debeline od reference (vhod v proces) se odloˇcimo prevlek segmentirati na tri dele, kar prikazuje slika 4.5. Z upravljanjem pomiˇcnih gumbov v uporabniˇskem vmesniku izberemo ustrezno razdelitev na segmente.
Slika 4.5: Optimizator – segmentiranje prevleka
Izvedemo optimizacijo in v tabeli se nam prikaˇzejo optimalni parametri za posamezne segmente. Ker ˇzelimo preizkusiti ˇse alternativne nastavitve recepta,
se odloˇcimo ovrednotiti tudi svoj nabor parametrov recepta. Ustrezne vrednosti vnesemo v vnosno okno, kot je to prikazano na sliki 4.6.
Slika 4.6: Optimizator – nastavljanje uporabniˇskih nastavitev recepta.
Za izris napovedane izhodne deviacije debeline od ˇzelene izhodne reference izberemo gumb za izris grafov. Izriˇse se izhodna deviacija debeline za primere dejansko uporabljenega recepta, recepta dobljenega preko optimizacije in upo-rabniˇsko definiranega recepta (slika 4.7).
Slika 4.7: Optimizator – predviden potek izhodne kakovosti naslednjega prevleka.
Na grafu so torej prikazani trije poteki izhodne kakovosti naslednjega prevleka:
• z dejansko uporabljenimi parametri recepta,
• z optimiziranimi parametri recepta in
• z uporabniˇsko nastavljenimi parametri recepta.
Nad grafom sta ovrednoteni izboljˇsavi kakovosti in produktivnosti v primerjavi z uporabljenimi. Z drsnikom lahko prilagodimo uteˇzi optimizacijske funkcije v enaˇcbi (3.5), s ˇcimer smo veˇcjo teˇzo pripisali kakovosti kakor produktivnosti.
Desni tabeli uporabniˇskega vmesnika prikazujeta dejansko uporabljene para-metre recepta in optimalne parapara-metre recepta, ki jih je izraˇcunal Optimizator.
Spodnja tabela pa prikazuje primerjavo kakovosti in produktivnosti med upo-rabniˇsko nastavljenimi ter optimalnimi parametri recepta.
Za preizkus kako bi se optimalni parametri izkazali v dejanskem procesu iz-vedemo simulacijo procesa z uporaboSimulatorja, ki nam bo dal pribliˇzek dejan-skega izhoda (izhodno odstopanje debeline od reference v petem prevleku).
Prednastavimo parametre recepta in zaˇzenemo simulacijo. Med tekom simu-lacije spremljamo priporoˇcila nadzorno-svetovalnega sistema, ki v realnem ˇcasu ponuja optimalne nastavitve recepta za trenutno stanje. Na segmentih, ki smo jih definirali v Optimizatorju korigiramo parametre recepta v skladu z optimalnimi, ki nam jih je podal Optimizator.
Slika 4.8: Simulator – tek simulacije.
Na sliki 4.8 je prikazano stanje med tekom simulacije, kjer vidimo, da potek izhodne kakovosti sledi trendu, ki ga je napovedalOptimizator, prav tako pa nam kazalnik kakovosti in produktivnosti naˇse trenutno nastavljene parametre recepta ocenjuje kot zadovoljive. Sugestije nadzornega sistema operaterju so priˇcakovano
skladne z rezultati Optimizatorja.
Po zakljuˇcku simulacije nam Simulator na podlagi uporabniˇskih nastavitev recepta in nastavitev, ki jih za vsak simulacijski korak Simulatorju (okno, ki je definirano za izraˇcun znaˇcilk) izraˇcunava optimizacijski algoritem, poda oceno operaterskega dela (slika 4.9). Opazimo, da bi z upoˇstevanjem korekcij, ki nam jih je nadzorno-svetovalni sistem podal med tekom simulacije, dosegli boljˇso ka-kovost, vendar s slabˇso mero produktivnosti. V kolikor bi z drsnikom drugaˇce nastavili uteˇzi optimizacijske funkcije vSimulatorju, bi bili kakovost in produktiv-nost bolj podobni napovedanima s strani Optimizatorja, saj je v sploˇsnem oblika poteka izhodne kakovosti dobro napovedana.
Slika 4.9: Simulator – povzetek simulacije.
V diplomskem delu smo prikazali moˇznost optimizacije procesa hladnega valja-nja na podlagi analize arhivskih procesnih podatkov. Predlagali in identificirali smo tri tipe modelov procesa hladnega valjanja, ki se po uporabnosti razlikujejo glede na nabor informacij, ki so na voljo v doloˇcenem trenutku. Identificirani mo-deli omogoˇcajo napovedovanje izhodne kakovosti pred priˇcetkom valjanja, pred naslednjim prevlekom ali med trenutnim prevlekom.
Za namene demonstracije uporabe razvitih modelov smo razvili tudi upo-rabniˇsko orodje, ki bi operaterjem lahko sluˇzilo kot simulacijsko okolje za pre-verjanje razliˇcnih nastavitev receptov in kot namenski optimizacijski program za nastavljanje parametrov recepta glede na znaˇcilnosti posameznega obdelovanca – kolobarja.
V obliki ˇce-potem (ang. if-then) pravil smo formalizirali tudi logiko odloˇcanja operaterjev za korekcijo parametrov recepta, tj. korekcija sile nategov navijalni-kov, na podlagi katerih je moˇzen enostavnejˇsi prenos znanj na nove operaterje, saj dobljena pravila formalizirajo sploˇsno prakso, ki jo operaterji uporabljajo pri odloˇcanju za spremembo recepta.
Razvita operaterska orodja ter predlagani modeli niso vezani na specifiˇcne lastnosti obravnavane valjavske naprave, temveˇc temeljijo zgolj na meritvah, ki jih je moˇzno izvajati na podobnih napravah. S tem je – z modifikacijami – omogoˇcena prenosljivost na podobne valjavske naprave.
Rezultati modelov procesa, ki so predstavljeni v 4. poglavju so vzpodbudni za testno implementacijo razvitih operaterskih orodij v proizvodni proces. Naj-obetavnejˇse orodje je Optimizator, ki predlaga optimalne nastavitve recepta na 91
podlagi napovedi modela iz skupineModel 1 in ponuja tako “offline” uporabo za kasnejˇso vrednotenje in preizkuˇsanje uporabljenih nastavitev recepta kot “online”
uporabo za optimizacijo nastavitev recepta ˇse pred priˇcetkom valjanja.
Uspeˇsnost modelov zaˇcne naraˇsˇcati z zaporednimi prevleki, kar si razlagamo z vse veˇcjim vplivom trenutnih pogojev obdelave kolobarja. Moˇznost za izboljˇsavo mere uspeˇsnosti modelov pri niˇzjih prevlekih je v upoˇstevanju tudi preˇcnega pro-fila kolobarja, ki ga v tem delu nismo upoˇstevali.
Priloˇznost za nadaljnje delo je v integraciji orodij v sam proces ter razvoju funkcionalnosti za sprotno evaluacijo ter avtomatsko posodabljanje modelov. Z uporabo modelov ter sprotne evaluacije bi bila moˇzna tudi analiza opreme valja-vskega ogrodja in implementacije storitev prediktivnega vzdrˇzevanja.
Moˇznost nadaljnjega dela pri identifikaciji le najboljˇsih operaterskih praks je v analizi smiselnosti izvedenih korekcij receptov, s katero bi prepreˇcili uˇcenje modela na vzorcih, ki niso del dobrih praks operaterjev.
[1] “Optimization and performance improving in metal industry by digital tech-nologies – INEVITABLE.” Dosegljivo: http://inevitable-project.eu/.
[Dostopano: 16. 5. 2021].
[2] G. MAY in D. Kiritsis, “Zero Defect Manufacturing Strategies and Plat-form for Smart Factories of Industry 4.0,” v Lecture Notes in Mechanical Engineering, str. 142–152, maj 2019.
[3] S. Garc´ıa, J. Luengo in F. Herrera, Data Preprocessing in Data Mining, vol. 72 of Intelligent Systems Reference Library. Springer International Pu-blishing, 2015.
[4] J. Han in M. Kamber, Data Mining : Concepts and Techniques. San Fran-cisco [u.a.]: Kaufmann, 2005.
[5] C. S. Thirumalai, V. Manickam in R. Balaji, “Data analysis using Box and Whisker Plot for Lung Cancer,” v2017 Innovations in Power and Advanced Computing Technologies (i-PACT), vol. 8, str. 1–6, apr 2017.
[6] J. Brownlee, “How to Choose a Feature Selection Method For Machine Learning.” Dosegljivo: https://machinelearningmastery.com/
feature-selection-with-real-and-categorical-data/, 2019. [Dosto-pano: 27. 4. 2021].
[7] “Regression Analysis: An Intuitive Guide.”
Do-segljivo: https://statisticsbyjim.com/regression/
regression-analysis-intuitive-guide/. [Dostopano: 27.4.2021].
[8] W. N. Wieringen, “Lecture notes on ridge regression,” arXiv: Methodology, sep 2015.
93
[9] A. Juriˇsi´c, “Statistiˇcno sklepanje.” Dosegljivo: http://lkrv.fri.uni-lj.
si/~ajurisic/stat10/folije/z3.pdf, 2010. [Dostopano: 29.4.2021].
[10] T. Robiˇc in B. Filipiˇc, “Veˇckriterijsko optimiranje z genetskimi algoritmi in diferencialno evolucijo,” IJS-DP 9065, Jozef Stefan Institute, 2005.
[11] M. Dudjak in G. Martinovic, “In-Depth Performance Analysis of SMOTE-Based Oversampling Algorithms in Binary Classification,”International jo-urnal of electrical and computer engineering systems, vol. 11, str. 13–23, apr.
2020.
[12] M. Sokolova in G. Lapalme, “A systematic analysis of performance measu-res for classification tasks,” Information Processing & Management, vol. 45, str. 427–437, julij 2009.
[13] S. Ray,Principles and Applications of Metal Rolling. Cambridge: Cambridge University Press, 2016.
[14] A. Bhaduri, Mechanical Properties and Working of Metals and Alloys, vol. 264. Springer Singapore, 2018.
[15] M. Karim, M. Khadir in Tarek, “Predictive Functionnal Control of a Sen-dzimir cold rolling mill,” jan. 2007.
[16] J. Ringwood, “Shape control systems for Sendzimir steel mills,” Control Systems Technology, IEEE Transactions on, vol. 8, str. 70–86, feb. 2000.
[17] “Automatic Gauge Control (AGC).” Dosegljivo: https://www.koteko.
se/vara-tjanster/automatic-gauge-control-agc/. [Dostopano: 29. 4.
2021].
[18] F. Miheliˇc, Signali. Ljubljana: UL Fakulteta za elektrotehniko, 2014. Do-segljivo: http://luks.fe.uni-lj.si/nluks/wp-content/uploads/2014/
11/Signali.pdf. [Dostopano: 1.6.2021].
[19] D. Zwillinger in S. Kokoska, CRC standard probability and statistics tables and formulae. Boca Raton: Chapman & Hall/CRC, 2000.
[20] “Basics - SALib.” Dosegljivo: https://salib.readthedocs.io/en/
latest/basics.html. [Dostopano: 3. 5. 2021].
[21] X.-Y. Zhang, M. Trame, L. Lesko in S. Schmidt, “Sobol Sensitivity Analysis:
A Tool to Guide the Development and Evaluation of Systems Pharmacology Models,” CPT: Pharmacometrics & Systems Pharmacology, vol. 4, str. 69–
79, feb. 2015.
[22] G. E. A. P. A. Batista, A. C. P. L. F. Carvalho in M. C. Monard, “Applying one-sided selection to unbalanced datasets,” v MICAI 2000: Advances in artificial intelligence (O. Cair´o, L. E. Sucar in F. J. Cantu, ur.), (Berlin, Heidelberg), str. 315–325, Springer Berlin Heidelberg, 2000.
97
Tabela A.1: Rezultati obˇcutljivostne analize modela model 1.
znaˇcilka S1 S1α ST STα
velocity mdr 0,114685 0,069886 0,226848 0,047941 tension en 0,133189 0,062850 0,288664 0,068821 tension ex 0,011097 0,017610 0,020515 0,004275 h exit ref 0,052159 0,026481 0,054176 0,012778 h entry ref 0,009473 0,015269 0,013551 0,002786 h reduced -0,003902 0,010000 0,005090 0,001070 pass nr 0,189654 0,067289 0,229300 0,046130 dh entry 0,012712 0,025428 0,058950 0,016766 CU 0,001659 0,024870 0,028488 0,007005 dm bur 0,000179 0,007033 0,005117 0,001291 dh entry std 0,008746 0,035487 0,111445 0,033230 SN 0,127036 0,076445 0,241434 0,052476 NB -0,001515 0,012783 0,010696 0,002640 PB 0,000315 0,011623 0,014103 0,003310 W 0,003369 0,020166 0,022056 0,006041 TA 0,001662 0,009705 0,004735 0,001319 tr en diam 0,017202 0,026933 0,071349 0,014921 CE 0,000461 0,011749 0,005388 0,001566 tr ex diam 0,009430 0,023184 0,037920 0,010903 GRADE 0,000142 0,004304 0,001109 0,000250
Kratica S1 v tabeli A.1 predstavlja indeks prvega reda, ST pa skupni indeks obˇcutljivostne analize. Kratici S1α in STα pa predstavljata stopnji tveganja v 99
rezultatih analize.
Tabela B.1: Izbrane znaˇcilke – model 1.
model1 velocity mdr tension en tension ex h exit ref h entry ref h reduced pass nr dh entry CU
dm bur dh entry std SN
NB PB W TA
tr en diam CE
tr ex diam GRADE
Znaˇcilkidh entryindh entry std sta izraˇcunani na podlagi arhivskih podatkov vhodne meritve merilnika debeline, ki je enakovredna izhodni meritvi merilnika debeline na predhodni liniji obdelave obravnavanega kolobarja. Torej sta znaˇcilki 101
znani pred priˇcetkom prvega prevleka na valjavski napravi Sendzimir.
Tabela B.2: Izbrane znaˇcilke – model 2.
model2 2 model2 3 model2 4 model2 5
velocity mdr velocity mdr velocity mdr velocity mdr
tension en tension en tension en tension en
tension ex tension ex tension ex tension ex
dh entry std dh entry std dh entry std dh entry std
dh exit abs dh exit abs dh exit abs dh exit abs
dh entry max dh entry max dh entry max dh entry max dh entry min dh entry min dh entry min dh entry min
dm bur ex dm bur ex dm bur ex dm bur ex
rgc act std ex rgc act std ex rgc act std ex rgc act std ex rgc pos act std ex rgc pos act std ex rgc pos act std ex rgc pos act std ex tr en diam ex tr ex diam ex tr ex diam ex tr ex diam ex velocity mdr std ex velocity mdr std ex tr en diam ex rgc act min ex
Tabela B.3: Izbrane znaˇcilke – model 3.
model3 1 model3 2 model3 3 model3 4 model3 5
velocity mdr velocity mdr velocity mdr velocity mdr velocity mdr tension en tension en tension en tension en tension en tension ex tension ex tension ex tension ex tension ex rgc pos act std rgc pos act std rgc pos act std rgc pos act std rgc pos act std dh entry std dh entry std dh entry std dh entry std dh entry std rgc act std rgc act std rgc act std rgc act std rgc act std por diam dh entry max dh entry max dh entry max dh entry max dh entry min dh entry min dh entry min dh entry min dh entry min fwd slip std velocity mdr min fwd slip std fwd slip std fwd slip std AgcCg std velocity mdr max AgcCg std AgcCg std AgcCg std rgc act min velocity mdr med tr en diam tr ex diam rgc act min AgcCm std rgc pos act min AgcCm std AgcCm std AgcCm std
Tabela B.4: Izbrane znaˇcilke – identifikacija operaterske prakse.
ANOVA Kendall-ov rang
dh en max abs a 100 fwd slip min b 100 fwd slip std b 100 fwd slip min b 50 dh en max abs a 50 fwd slip std b 100 fwd slip std b 20 fwd slip std b 50 fwd slip std b 50 fwd slip std b 10 fwd slip std b 10 fwd slip std b 20 fwd slip min b 100 fwd slip min b 20 dh en std a 50 dh en mean abs a 200 dh en std a 100 fwd slip min b 10 dh en max abs a 20 dh en mean abs a 100 dh en max abs b 100 dh en mean abs a 50 fwd slip min b 50 dh en mean abs b 200 dh en max abs b 50 dh ex mean abs b 100 dh en max abs a 10 dh ex mean abs b 50 dh en max abs b 20 dh en mean abs a 20 dh en max abs b 10 dh en mean abs b 10 dh en std a 20 dh en mean abs b 50 dh en std a 10 dh ex mean abs b 20 fwd slip min b 20 dh ex mean abs b 10 dh en mean abs b 10 dh en mean abs b 20
Slike prikazujejo uspeˇsnost modelov na testnih mnoˇzicah podatkov, ki niso bile uporabljene v fazi identifikacije modelov.
0 10 20 35 40 50
vzorec [/]
0 5 10
dh[µm]
R
2mera uspeˇsnosti: 0.8686
prava napovedana
0 5 10
prava dh [µm]
0 5 10
napoveddh[µm]
Slika C.1: Vrednotenje modela model1.
105
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.3218
prava
Slika C.2: Vrednotenje modela model2 2.
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.2027
prava
Slika C.3: Vrednotenje modela model2 3.
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.3608
prava
Slika C.4: Vrednotenje modela model2 4.
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.5833
prava
Slika C.5: Vrednotenje modela model2 5.
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.5082
prava
Slika C.6: Vrednotenje modela model3 1.
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.5286
prava
Slika C.7: Vrednotenje modela model3 2.
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.6651
prava
Slika C.8: Vrednotenje modela model3 3.
0 10 20 35 40 50
R
2mera uspeˇsnosti: 0.6635
prava
Slika C.9: Vrednotenje modela model3 4.
0 10 20 35 40 50 vzorec [/]
0 5 10
dh[µm]
R
2mera uspeˇsnosti: 0.668
prava napovedana
0 5 10
prava dh [µm]
0 5 10
napoveddh[µm]
Slika C.10: Vrednotenje modela model3 5.