S fcte& w ten ty nr 3 maj - czerwiec 2001 r. TOM 5
Zbigniew Wasilewski*, Zbigniew Nahorski**
O ptym alizacja kosztu składni
ków m ieszanki gumowej
W artykule przedstaw iono m etodę projektow ania mieszanki gumowej o zad an ych ogran iczeniach nało żo n ych na j e j w ła ściw ości techniczne i o najmniejszym koszcie. Sformułowanie zadania optymalizacji wymaga określenia zależności między właściwościam i m ieszanki i je j składem w postaci funkcji, które uzyskuje się metodą identyfikacji statystycznej na podstawie zaplanowanej serii dośw iadczeń. M etoda była spraw dzona w p rojektow aniu m ieszanek produkcyjnych przynosząc znaczne oszczędności.
Słowa kluczowe: mieszanka gumowa, optymalizacja, identyfikacja modelu, planow anie eksperymentu
Optimization of rubber mixture raw material cost
A m ethod o f designing rubber mixtures satisfying the given constraints p u t on the technical properties and giving the least cost is presented. To form ulate the optimization problem the knowledge o f the dependence o f the properties on the mixture composition in the fu nctiona l fo rm is needed. This is realized by identifying the appropriate models using measurements taken during the planned experiments. The m ethod was tested when designing the mixtures produced in a plant. As a result, a considerable econom ical profit was obtained.
Keywords: rubber mixture, optimization, system identification, experiment planning
1. Wprowadzenie
Projektując now ą m ieszankę gum ową technolog przede wszystkim dba o uzyskanie jej odpowiednich właściwości technicznych. Jednak podobne właściwo
ści może mieć gum a o różnym składzie. W naturalny sposób pojaw ia się więc zadanie poszukiw ania składu mieszanki gum owej, spełniającej zadane właściwości, lecz m ożliw ie najtańszej. O ptym alizacja składu m ie
szanki gumowej z uw zględnieniem kosztu surowców pozwala uzyskiw ać m ieszanki tańsze, wpływając po
średnio na obniżenie kosztów produkcji. W przypad
ku w ielotonażow ej produkcji wyrobów gum ow ych zagadnienie nabiera strategicznego znaczenia w dzia
łaniach m arketingow ych firm.
* Instytut Przemysłu Gumowego, Piastów
** Instytut Badań Systemowych PAN, Warszawa
Zadanie optym alizacji składu mieszanki gum o
wej jest w ogólności zadaniem program owania nieli
niow ego, w ym agającym znalezien ia optym alnych wartości skalarnej funkcji wielu zmiennych w ograni
czonym obszarze [4]. Rozw ażm y m inim alizację w obszarze G funkcji F(x) zależnej od n zmiennych ze
branych w wektorze x T = [xv x v x j , gdzie T ozna
cza transpozycję wektora. Należy znaleźć taki punkt x *, że
F(x*) = m in F(x) (1)
x eG
przy czym G jest obszarem rozwiązań dopuszczalnych, wyznaczonym przez ograniczenia:
g. (x) = a. i = l, /
h. (x) < b. i = l , . . . , m (2) x. > 0 7 = 1, n
TOM 5 maj - czerwiec 2001 r. S fa d fo ttt& U f, nr 2
Funkcja F(x) oraz funkcje występujące w ogra
niczeniach mogą być nieliniowe.
Trudność ustalenia obszaru w przestrzeni skła
dów, w którym należy poszukiw ać składu najtańsze
go, polega na tym, że nie jest on zadany w sposób jawny, lecz jedynie przez ograniczenia nałożone na właściwości gumy, zależne od jej składu. Inaczej m ó
wiąc, obszar poszukiw ań jest wyznaczony przez pew ne, nieznane funkcje g. i h.. Do ich aproksym acji uży
to m odeli zależności po szczególnych w łaściw ości mieszanki od jej składu, w postaci funkcji liniowych lub kwadratowych. W spółczynniki tych funkcji w y
znaczono na podstaw ie pom iarów m etodą regresji.
Dokładność w yznaczania w spółczynników za
leży od liczby pomiarów. Przy ustalonej liczbie po
miarów m ożna jednak tę dokładność zwiększyć, od
powiednio rozm ieszczając punkty (wybierając składy mieszanki) w przestrzeni pomiarów, czyli odpow ied
nio planując eksperym ent - serię doświadczeń um oż
liwiającą utworzenie m odelu matematycznego. Pomia
ry wielu właściwości są dosyć kosztowne. Planując eksperyment m ożna uzyskać lepszą dokładność m niej
szym kosztem.
W rezultacie, w celu rozw iązania zadania nale
ży:
• określić modele m atem atyczne opisujące zależno
ści właściwości m ieszanki gumowej od jej składu,
• sformułować zadanie optymalizacji wybierając funk
cję celu oraz określając ograniczenia wynikające ze stawianych wym agań,
• zastosować odpow iednie algorytmy prowadzące do rozw iązania postaw ionego zadania optymalizacji.
Powyższa m etoda postępow ania była opracow a
na przez zespół prof. Kazim ierza M ańczaka z Instytu
tu Badań System owych PAN dla optym alizacji składu szkła, jednak nie została nigdy opublikowana. Później była ona wykorzystana przez zespół kierowany przez autorów niniejszej pracy do optym alizacji składu m ie
szanek gum owych i spraw dzona praktycznie w D ę
bickich Zakładach Przem ysłu Opon Sam ochodow ych
“Stom il” *, przynosząc bardzo obiecujące rezultaty.
Otrzym ane wyniki były tylko skrótowo prezentow a
ne na konferencjach. Publikacja, jak a ukazała się w m ateriałach jednej z konferencji nie związanej ze śro
dowiskiem technologów gumy [2], zawierała jedynie opis wyników fazy modelowania. Tak więc ta praca jest pierwszym pełnym opisem metody i wyników jej
zastosowania.
* obecnie Firma Oponiarska Dębica S.A.
A utorzy chcieliby p o dziękow ać człon kin iom zespołu prof. K. M ańczaka: dr W. A rczew skiej i dr E. K o w alskiej, które w spółpracow ały w w yk o na
niu tej pracy, użyczając m. in. sp ecjalisty czn eg o oprogram o w ania oraz w ykonując o b liczen ia ko m puterow e. P odzięk o w an ia n ależą się także zesp o łow i z DZOS w D ębicy, kierow anem u przez m gra inż. Z. C habow skiego i m gra inż. W. W iktorskiego, w drażającem u m ieszanki op racow ane za pom ocą p o w y ż sz e j m etody, oraz In sty tu to w i P rz e m y słu G um ow ego „S tom il” w P iastow ie, w spierającem u organizacy jnie przedsięw zięcie.
2. Planowanie eksperymentu
Wprowadzenie
Planow anie eksperym entu przeprow adza się w celu w y znaczenia o ptym alnego planu ek sp ery m en tu, którego w yniki posłużą do statystycznej o b ró b ki danych uzyskanych z pom iarów [3,5,6,7]. H eu
rystyczn e sposoby k o n stru o w ania planów dla ty p o w ych funkcji regresji i stan dardow y ch obszarów zaw o dzą przy bardziej zło żo n y ch typach funk cji regresji i przy n iestan d ardo w y ch obszarach p lan o w ania. W ym agają one szczególnego postępow ania.
Takim przypadkiem je s t planow an ie eksperym entu dla m ieszanki gum ow ej.
O ptym alizacja eksperym entu dla m ieszanek gu
m owych jest realizow ana głównie w następujących celach:
• ustalenia obszaru badań pozwalającego w sposób możliwie pewny i z m inim alnym nakładem kosz
tów przybliżyć zależnością funkcyjną rzeczyw i
ste zależności zachodzące między właściwościam i m ieszanki i jej składem,
• określenia szukanej docelowej receptury mieszanki gumowej oraz zarysu jej właściwości technicznych (cech produktu).
Niech f^x), f2(x),...,fK(x) oznaczają funkcje cią
głe przedstaw iające m ożliwe eksperymenty. Dla każ
dego x, y.(x) jest wynikiem obserwacji, obarczonym błędem losowym. Założymy, że obserw acja y.(x) ma postać
y i ( x ) = ^ i b j f j ( x ) + z i( x) (3)
■ y=o
gdzie z^x)- zakłócenie losowe obserwacji, o rozkła-
SCa& tM t& U f, nr 3 maj - czerwiec 2001 r. TOM 5
dzie normalnym, takie że zachodzi
E(z.(x)) = 0 (4)
E { Z l( x ) Z j ( x ' ) } f 1 x = x ' i i - j [O x ^ x ' lub i & j przy czym E ozn acza w artość oczekiw aną zm ien
nej losow ej. F u n k cje / 0, / , . . . , f K są znanym i fu n k cjam i, n ato m iast param etry bQ, b v ..., bK p ozostają nieznane.
P rzez plan e k sp ery m en tu ro zum iem y m iary praw dopodobieństw a q v ..., qk w punktach x p x k, przy czym n. = q. N , j = 1, ..., k , są liczbami całko wi-
k
tymi, a więc = ^ . O dpow iadający ekspery-
7=1
ment zawiera nj nieskorelow anych obserwacji w każ
dym punkcie x
y.(x.), i= l,...,rc ., 7 = 1, ..., k (5) Należy oszacow ać wartości param etrów ..., na podstaw ie A obserw acji (3). Do oceny para
metrów bQ, Z?j,..., ^ w y k o rz y stu jem y standardową pro
cedurę obliczeniow ą regresji.
Zadanie polega zatem na określeniu planu eks
perymentu, który pozw ala na optymalną, w pewnym sensie, ocenę parametrów. Optym alizacja planu eks
perym entu powoduje, że m odele m atematyczne wy
znaczone na podstaw ie pom iarów przeprowadzonych zgodnie z optym alnym planem są dokładniejsze, po
mimo niezbyt dużej liczby doświadczeń.
Kryteria optymalności planu ekspery
mentu
Dokładność estym acji wektora param etrów
bT
= [bv bv bK] m ożna ocenić za pom ocą macierzy kowariancji
c o v ( * ) = E{ [ £ - E ( £ ) ] [ £ - E ( £ ) ] 7 }
/V
gdzie przez
b
oznaczono estym ator wektora param etru b .Oznaczmy przez £ p lan eksperym entu, zas' przez M ( £) m acierz o elem entach
m‘j = \ f ‘fjd%
(6
)P
zw aną m acierzą in fo rm acy jn ą planu ek sp ery m en tu. Jeśli w liniow ej zależno ści funkcji W od p a ra m etrów (3) w ektor n iezn an ych p aram etrów
b
= (6 b v bn) je s t oszacow any m etodą najm niejszy ch kw adratów , dającą najlepszy nieobciążony liniowy estym ator
b
, to m acierz kowariancji estym atorab
jest określona wyrażeniemE [ ( b - b ) ( b - b ) r ] = ^ M - ' ( $ ) (7) przy czym £ przypisuje punktom x. praw dopodobień
stwa q = n. N, i = 1, ..., k.
M acierzą inform acyjną odpowiadającą planowi eksperym entu który skupia wszystkie eksperym en
ty w punkcie x Q, jest m acierz rzędu pierwszego o po
staci [/(x0)][/(x0)]T, natom iast jeżeli plan eksperym en
tu £ składa się z praw dopodobieństw q v ..., qk w punk
tach x , ..., x^ m acierz inform acyjna ma postać
M © = Ś « ,[ / ( * ,) ] [ / ( x i) f (8)
/=1 g d z ie / 7 = |
Jeżeli m acierz [M (£)]J jest w pewnym sensie
„mała”, albo inaczej mówiąc M (£) jest „duża”, to b jest bliskie b , co z kolei wyraża się „małością” wyrażenia (7). Większość kryteriów optymalności planu ekspery
mentu polega na maksymalizacji określonego funkcjo
nału macierzy informacyjnej planu eksperymentu M (£).
Zakłada się przy tym, że maksimum istnieje.
Jedna z m etod optym alizacji planu eksperym en
tu polega na znalezieniu planu ^m aksym alizującego wyznacznik m acierzy informacyjnej M (£). Postępo
wanie to jest ekw iw alentne m inimalizacji wyznaczni
ka macierzy kowariancji Jest to tak zwany plan typu D. Oprócz m aksym alizacji wyznacznika m acie
rzy informacyjnej det M, stosuje się często inne wskaź
niki jakości planu, na przykład plan typu G polegają
cy na m inim alizacji największej wariancji funkcji re
gresji, plan typu A polegający na m inimalizacji śred
niej wariancji współczynników, plan typu E, w któ
rym m aksym alizuje się najw iększą wartość własną m acierzy M. Przykłady planów optymalnych typu D, E, A oraz G opisano w książce M ańczaka [6], s. 198- 203.
Planowanie eksperymentu dla mieszanin
M ieszanina stanowi obiekt badań, w którym na wektor x = ( x} 9 x j określający jej skład są nałożo
ne ograniczenia fizykalne typu m
2 > < = 1 (9)
/=1
gdy x. jest wyrażone w częściach całej masy lub obję
TOM 5 maj - czerwiec 2001 r.
SfaatMtentf,
nr 2tości, albo
m
5 > = i o o
/=1
gdy x. jest wyrażone w procentach, oraz dodatkowo
x. > 0 , i = 1, m (10)
Na przykład, dla m ieszaniny o 3 składnikach x v x v x 3 spełnione są zależności (9), (10) o postaci
X } + X 2 + X 3 = 1 ( 1 1 )
x ] > 0, x 7 > 0, x 3 > 0 (12) W szystkie składniki x v x v x 3 m ieszaniny znaj
dują się w przestrzeni trójwym iarowej na płaszczyź
nie (11), to znaczy na hiperpłaszczyźnie dw uw ym ia
rowej, w trójkącie ograniczonym zależnościam i (12).
Uogólniając, przestrzeń czynnikow a w przypadku m składników m ieszaniny jest sym pleksem określonym wzorami (9), (10) o m wierzchołkach na (m -1)-wy
miarowej hiperpłaszczyźnie (9).
Metoda optymalizacji planu ekspery
mentu
P rz e d sta w im y m eto d ę o p ty m a liz a c ji p lan u eksperym entu zastosow aną do zb ad an ia w łaściw o ści m ieszanek gum ow ych. Zakładam y, że ro zw a ża ny obiekt poddany n iem ierzaln y m zak łó ceniom z ma L w ejść x v x v ..., x L - składników m ieszanki - oraz jed n o w yjście y będące o k reślo n ą w łaściw o ścią danej m ieszanki.
Zakładamy, że obiekt m ożna opisać zależnością liniową względem współczynników, o postaci
y n = b Tf ( x J + e n (13)
gdzie
b T = [bv ..., bk] jest wektorem współczynników, / T(*„) = [/,(*„), ••.,/*.(*„)] jest wektorem funkcji określających postać m odelu,
x Tn = O,,,, x 2n,xLn] jest wektorem wejść w tym doświadczeniu, natom iast
y T
= I
yN] jest wektorem wyjść m ierzonych w n = l , ..., /^dośw iadczeniach,en jest zakłóceniem n-tej obserwacji, przy czym dla różnych n są to zmienne losowe niezależne o je d nakowej wariancji o 2.
O znaczm y przez X m acierz eksp ery m entu o wym iarach N x K
/ 1 O 1 ) ••• A ( * i )"
X = : '• : (14)
_ A (xn ) ••• f K( x N)
M acierz inform acyjna eksperym entu M ma te
raz postać M =
XTX.
Stosując m etodę najm niejszej sumy kwadratów, w której m inim alizuje się wskaźnikN
S (b J = - 6 0m- b imx l ( u „ ) - . . . b Kmx K( u n )]2
/7=1
(15) wyznaczam y oceny w spółczynników
b =
(XTX)-]XT y
(16)o macierzy kowariancji
co v ( b ) =
[XTX]-'c2
(17)przy czym a 2 je s t w ariancją zakłóceń. W każdym punkcie x m ożem y w yznaczyć przew idyw aną war
tość wyjścia
y ( x ) = b Tf ( x ) (18)
z wariancją
var ( y ( x ) ) = \f(x )(X rX )-'f(x )+ l] a 2 (19) Z a d a n ie o p ty m a liz a c ji p lan u e k sp e ry m e n tu (typu D) polega na znalezieniu w przestrzeni L-wy- m iarow ej takich punktów x v x v ..., x N, które m aksy
malizują wyznacznik macierzy informacyjnej M . M ak
sym alizacja wyznacznika macierzy informacyjnej M odpowiada m inim alizacji objętości elipsoidy koncen
tracji rozkładu ocen współczynników b modelu.
Aby rozw iązać postaw ione zadanie stosujemy metodę iteracyjną wykorzystującą właściwości m acie
rzy informacyjnej. M etoda polega na starcie z punktu początkowego, który stopniowo popraw ia się przez wym ianę punktów z planu początkowego z punktami nie należącymi do planu. Przebieg procesu iteracyjne- go opisany dokładniej w pracy Arczewskiej [1] jest dość pracochłonny, wym aga wielokrotnej m odyfika
cji macierzy informacyjnej, odwracania tej macierzy oraz wyznaczania wariancji.
Przykład optymalizacji planu ekspery
mentu dla mieszanek gumowych
Poszukujem y optym alnego planu eksperym en
tu, m ającego na celu zbadanie właściwości mieszanki gum owej używanej w produkcji opon sam ochodo
wych, składającej się z 14 składników wym ienionych w tabeli 1. Zgodnie z sugestiam i technologicznym i będziemy zmieniać 6 pierwszych składników z tabeli, natom iast pozostałych 8 składników ustalimy na za
danym poziomie. W tabeli przedstaw iono surowce i zakres ich zmienności w odniesieniu do 100 części wagowych kauczuków.
S ta a tw te n x f, nr 3 maj - czerwiec 2001 r. TOM 5
Tabela 1. Składniki m ieszanki
Lp. Nazwa surowca Zakres zmian
1 Kauczuk RSS 15-40
2 Kauczuk SKI 20-60
3 Kauczuk KER 8512 0-50
4 Kauczuk KER 1712 0-50
5 Sadza JAS 539 40-60
6 Plastyfikator P 5-15
7 Tlenek ZnO 5,40
8 Żywica kumaronowa 6,00
9 AntyutleniaczAR 1,40
10 Antyutleniacz Polnox R 1,00
11 Stearyna roślinna 1,48
12 Przyspieszacz Vulkasil CBS 0,83
13 Przyspieszacz M 0,20
14 Siarka olejowana 2,40
Oznaczając przez x v x>, x 6 zmieniane surow ce, ze względu na odniesienia surowców do 100 czę
ści wagowych kauczuków, otrzym ujem y następujący obszar planow ania eksperym entu
jCj + X, + x3 + x Ą = 100 15 < jc] < 40
20 < x 2 < 60
0 < x3 < 50 (20)
0 < x Ą < 50 40 < x5 < 60 5 < x, < 15o
D odatkow e og raniczenie narzucone na sumę kauczuków sprow adza obszar badań do pewnego hi- perw ielościanu.
Do estym acji w spółczynników przeliczono czę
ści w agow e odniesione do 100 części kauczuków x na zawartości procentowe u.. Przyjmujemy, że m ode
le opisujące właściwości m ieszanek gum owych mogą mieć postać w ielom ianu drugiego stopnia o 21 nie- Tabela 2. Optymalny plan składu recepturowego
Lp. «1 u2 U3 U4 “ 5 «6 Uy
1 0,2177 0,3266 0,0000 0,0000 0,3266 0,0272 0.1019
2 0,0864 0,2015 0,2878 0,0000 0,2303 0,0864 0,1076
3 0,0819 0,1092 0,1774 0,1774 0,2700 0,0819 0,1022
4 0,0817 0,1905 0,2722 0,0000 0,3266 0,0272 0,1018
5 0,2303 0,3454 0,0000 0,0000 0,2303 0,0864 0,1076
6 0,0866 0,3466 0,0000 0,1444 0,2855 0,0289 0,1080
7 0,0774 0,3097 0,1291 0,0000 0,3097 0,0774 0,0967
8 0,2443 0,3665 0,0000 0,0000 0,2443 0,0305 0,1144
9 0,1425 0,2201 0,1241 0,1241 0,2443 0,0305 0,1144
10 0,0916 0,2138 0,0000 0,3054 0,2443 0,0305 0,1144
11 0,2443 0,1222 0,0000 0,2443 0,2443 0,0305 0,1144
12 0,0817 0,1089 0,0817 0,2722 0,3266 0,0272 0,1017
13 0,1574 0,3560 0,0799 0,0000 0,2373 0,0584 0,1110
14 0,0916 0,1222 0,3054 0,0916 0,2443 0,0305 0,1144
15 0,2303 0,1151 0,2303 0,0000 0,2303 0,0864 0,1076
16 0,0864 0,3454 0,0000 0,1439 0,2303 0,0864 0,1076
17 0,2065 0,3097 0,0000 0,0000 0,3097 0,0774 0,0967
18 0,0774 0,1807 0,0000 0,2581 0,3097 0,0774 0,0967
19 0,2177 0,1089 0,2177 0,0000 0,3266 0,0272 0,1019
20 0,0817 0,3266 0,0000 0,1361 0,3266 0,0272 0,1018
21 0,1549 0,1032 0,2581 0,0000 0,3097 0,0774 0,0967
22 0,2065 0,1032 0,0000 0,2065 0,3097 0,0774 0,0967
23 0,2310 0,2310 0,1155 0,0000 0,2855 0,0289 0,1081
24 0,0843 0,1966 0,2809 0,0000 0,2777 0,0554 0,1051
25 0,0916 0,3665 0,1527 0,0000 0,2443 0,0305 0,1144
26 0,2373 0,2373 0,0000 0,1187 0,2373 0,0584 0,1110
27 0,1833 0,1222 0,3054 0,0000 0,2443 0,0305 0,1143
28 0,1727 0,1151 0,0000 0,2878 0,2303 0,0864 0,1077
29 0,1733 0,1155 0,0000 0,2888 0,2855 0,0289 0,1080
30 0,0890 0,1187 0,0890 0,2966 0,2373 0,0584 0,1110
TOM 5 maj - czerwiec 2001 r. Sta & tam en cf, nr 2
znanych współczynnikach
9 = +...+ b6u6 + b nu xu2 + b n u xu2 +...+ b%u5u6 (21) gdzie przez u r ..., u6 oznaczo n o zaw arto ści p ro ce n tow e p o szczegó lny ch składników w m ieszance. W rozpatryw anym obszarze badań znajduje się 68 wierz
chołków, 125 środków kraw ędzi, 104 środki ścian, 55 środków hiperpłaszczyzn 3-w ym iarow ych oraz śro
dek obszaru. Łącznie otrzym ujem y 353 punkty kan
dydujące do planu eksperym entu. Należy wyznaczyć plan eksperym entu złożony z N = 30 m ieszanek gu
mowych, na podstaw ie którego wyznaczym y m ożli
wie dokładnie m odel zawierający do 21 w spółczynni
ków. Obliczenia rozpoczynam y startując z kilku róż
nych planów początkowych, aby zwiększyć szansę wy
generowania planu eksperym entu, który jest global
nie optymalny względem założonego kryterium . W tabeli 2 (na poprzedniej stronie) p rze d sta wiono optym alny plan składu recepturow ego dla 30 w zorcow ych m ieszanek gum ow ych w p ostaci p ro centow ych udziałów po szczeg ó ln y ch składników , gdzie u7 oznacza procentow ą zaw artość sumy skład
ników x v ..., x 14.
Optym alny plan eksperym entu zawierający 30 m ieszanek gum ow ych m ożna ponadto wyprowadzić z program u kom puterow ego w dogodnej do prow a
dzenia eksperym entu postaci:
• recepty na 100 części kauczuków,
• namiaru w gram ach na zadaną masę mieszanki.
Dla każdej mieszanki można także obliczyć cenę (zł/kg), gęstość (kg/m 3) oraz procentow ą zawartość wszystkich kauczuków.
3. Identyfikacja modeli mate
matycznych
Przeprowadzono identyfikację modeli właściwo
ści m ieszanki gumowej w zależności od jej składu, wyrażonego przez zawartości procentow e u ., dla roz
patrywanej już mieszanki stosowanej w produkcji opon samochodowych. Do badań przyjęto dwa typy m ode
li. Pierwszy z nich, liniowy względem L składników, zawiera K - L nieznanych param etrów
y - b ]u ] + ... + bLuL (22) Drugi model, nieliniowy względem L składni
ków, ma postać zredukow anego wielom ianu stopnia drugiego
y =
V , +- +
b LU L + b M U XU 2+-+ (23)
0 nieznanych param etrach K = L (L -l)/2 + l. Korzysta
jąc z ograniczenia norm ującego (9) m ożna by było wyelim inować z pełnego wielom ianu kwadratowego jedną ze zmiennych. Zam iast tego, w wielom ianie zre
dukow anym elim inuje się składniki kw adratow e i wyraz wolny, zmniejszając w ten sposób liczbę w spół
czynników o L + l. W spółczynniki wielom ianu zredu
kowanego są oczywiście funkcjami współczynników w ielom ianu pełnego. Szczegółow e przekształcenia m ożna znaleźć w monografii M ańczaka [6], s. 175- 182.
B adaniu poddano m ieszanki 7-skład nikow e, (L=7) przedstaw ione w tabeli 1.
u ] - RSS kauczuk
u2 - SKI-3 kauczuk - KER 8512 kauczuk uĄ - KER 1712 kauczuk u5 - JAS 539 sadza u6 - P plastyfikator
un - reszta: zaw ierająca m iędzy innymi ZnO, żywicę, siarkę i inne.
M odele liniowe (24) i nieliniowe (25) dla tych m ieszanek zaw ierają liczbę w spółczynników odpo
wiednio K=7 i K= 22
y m = + - + blUl(24)
9m
= V . + - +blUl
+ + - + (25)m = 1 ,...,35
M odele te należy wyznaczyć dla 35 właściwości m ie
szanek przedstaw ionych w tabeli 3.
Do tego celu użyto pom iarów w y k on anych zgodnie z planem eksperym entu przestaw io n ym w tabeli 2. K orzystając z nich przeprow adzono id en tyfikację m odeli stosując program regresji k roko wej z elim inacją n ieisto tn y ch zm iennych za pom o cą testu /-S tud enta, począw szy od m odelu pełnego, 1 próbą d ołączan ia do m odelu po każdym kroku e li
m inacji zm iennych od rzuconych w cześniej. K oń
cow e m odele liniow e zaw ierały od siedm iu do j e d nej zm iennej. W m odelach nielinio w ych n a stę p o w ała w iększa elim in acja składników i na ogół ich liczba nie przek raczała połow y liczby składników w ystępu jący ch w pełnym m odelu.
O prócz m odeli w pełni zadow alających, o du
żych w artościach testów i w spółczy n nik ach k o re lacji oraz m ałyęh ocenach odchyleń standardow ych param etrów , w ko ńcow ym zestaw ie zn alazły się także m odele o słabszych w artościach tych w skaź
ników. M iędzy innym i z tego w zględu po w y zn a
czeniu m ieszanki optym alnej po stanow iono w yko-
S ta A to tK & ity nr 3 maj - czerwiec 2001 r. TOM 5
Tabela 3. Badane w łaściw ości mieszanek
Błąd, Błąd
Lp. Nazwa właściwości % popr., %
1 czas podwulkanizacji T2,170°C, min 6,5
2 czas wulkanizacji T40,170°C, min 8
3 czas optimum wulkanizacji T90,170°C, min 15,5
4 moment minimalny ML,170°C, dNm 21
5 moment maksymalny MH,170°C, dNm 16,5
6 lepkość Mooneya ML(1+3),100°C, M 17
7 czas podwulkanizacji T5,130°C, min 14 8 szybkość wulkanizacji V30,130°C, M/min 19
9 wydłużenie przy zerwaniu ER, % 4
10 wytrzymałość na rozciąganie RR, MPa 6 11 naprężenie przy wydłużeniu 100%, MPa 10 12 naprężenie przy wydłużeniu 300%, MPa 18
13 twardość Shore'a, °Sh 3
14 wytrzymałość na rozdzieranie RRD, kN/m 14
15 wydłużenie trwałe ET, % 34 7,5
16 elastyczność wg Schoba ESC, % 14
17 przyrost temp. ap. Goodricha DT, °C 32 15
18 odkształcenie trwałe ap. Goodricha, ET G, % 16
19 odporn. na zmęczenie przy zginaniu de Mattia, 2-4 kcykl 38 10,5 20 odporn. na zmęczenie przy zginaniu de Mattia, 4-8 kcykl 22
21 odporn. na zmęczenie przy zginaniu de Mattia, 8-12 kcykl 21,5 Właściwości po starzeniu termicznym 7 dni, 70°C
22 wydłużenie przy zerwaniu ER, % 5
23 wytrzymałość na rozciąganie RR, MPa 5 24 naprężenie przy wydłużeniu 100%, MPa 10 25 naprężenie przy wydłużeniu 300%, MPa 22 26 wytrzymałość na rozdzieranie RRD, kN/m 7
27 wydłużenie trwałe ET, % 6
28 zmiana wydłużenia po starzeniu brak
29 zmiana wytrzymałości po starzeniu brak Inne testy
30 H-test, N zmiana
31 pull-test, siła zrywania, N zmiana
32 pull-test, ocena pokrycia, pkty 15
33 szybkość tłoczenia, m/min 32,5 7,5
34 skurcz liniowy, % 35,5 11,5
35 pęcznienie, % 7
nać d o d atk ow o 5 zestaw ó w pom iaró w w rejonie optim um , które użyto także do spraw dzenia popraw ności przew id yw ań m odelu. W tabeli 3 p rzed sta
w iono u zyskane średnie błędy bezw zględne o b li
czone w edług w zoru
gdzie y™00 są w artościam i u zy sk a
nym i z m odelu. W iększość błędów w y n io sła k ilk a do kilk un astu p ro cent. D uże błędy dla kilku w łaści
w ości, w ynoszące pow yżej 30% , są zw iązan e z dużą zależn o ścią tych pom iaró w od sposobu p rzy g o to w a
nia próbki do badań oraz od d efek tów w ew nętrznych badanego m ate
riału. B łędy te są głów nie zw iąza
ne z przesunięciem poziom u pom ia
rów. M ożna by je było p raw d o p o dobnie zm niejszyć przez w cześniej
sze skalow anie m odeli. W idać to ze średnich błędów w zględnych o b li
c z o n y c h po d o d a n iu do w a rto śc i uzy sk an ych z m odeli różnicy m ię
dzy średnim i z pom iarów i średni
mi w artościam i uzyskanym i z m o
deli, podan y ch w tabeli 3 w k olu m nie „błąd p opr.” .
4. O ptym alizacja kosztu wsadu surow
cowego
Do m inim alizacji kosztów su
rowców przyjęto m ieszankę gumową na kapę podkładow ą opon, złożoną z 14 surowców przedstaw ionych w ta
beli 4. D la tego składu surow ców opracow ano wcześniej plan ekspery
mentu, wykonano pom iary i wyzna
czono m odele w łaściw ości, czego wyniki przedstawiono w poprzednich punktach.
K au czuk i (1-4) oraz sadza i p lasty fik a to r (5-6) m ogły zm ieniać się w zadanych p rzedziałach , natom iast pozostałe składniki (7-14) były ustalone. R ozw iązań po szu kiw ano w śród m ieszanek, które na 100 części W a
gow ych kauczuków m ieściły się w ograniczonym o bszarze surow ców i których 35 w łaściw ości znaj
dow ało się w zad any ch przedziałach , gdzie YDm, YGm stanow ią dolną i górną granicę m-tej w łaści
w ości dla m = 1 ,..,35.
Do w yznaczenia 35 w łaściw ości m ieszanki gu
m owej y m (m = l,...,3 5 ) przyjęto m odele m atem atycz-
TOM 5 maj - czerwiec 2001 r. nr 2
Tabela 4. Przykładowa mieszanka g ili!
Lp Nazwa surowca
Punkt startowy, kg:
Cena*, zł/kg
Gęstość, kg/dm3
Zakres zmian od do
1 Kauczuk RSS 38,89 0,92 15 40
2 Kauczuk SKI-3 30,55 0,92 20 60
3 Kauczuk KER 8512 30,55 0,925 0 50
4 Kauczuk KER 1712 0,01 0,95 0 50
5 Sadza JAS 539 47,22 1,80 40 60
6 Plastyfikator P. 10,00 1,01 5 15
7 Tlenek cynku ZnO 5,37 5,61
8 Żywica kumaronowa 6,02 1,02
9 AntyutleniaczAR 1,39 1,21
10 Antyutleniacz P0LN0X 1,02 0,97
11 Stearyna roślinna 1,48 0,92
12 Przyspieszacz Vulkasil CBS 0,83 1,27
13 Przyspieszacz M 0,19 1,42
14 Siarka olejowana 2,41 2,07
* Uwaga: do obliczeń przyjmowano aktualne ceny składników.
ne (23) w p o sta c i z re d u k o w an y c h w ielo m ian ó w sto p n ia d ru gieg o . W sp ó łc z y n n ik i m o d eli zo stały w yznaczone za po m ocą m etody id en ty fik acji o p i
sanej w p. 2. - P lano w a n ie eksp erym en tu dla m ie szanin.
Należy rozw iązać zadanie m inim alizacji funkcji kosztów
14
F(x) = (26)
/=1 gdzie
x - naw ażka surowcai c - cena surowcai
w obszarze określo nym przez n astęp u jące o g ran i
czenia:
a) liniowe równościow e
• wynikające ze stałej sumy kauczuków
Xj + x2 + *3 + x Ą = 100 (27)
• wynikające ze stałego dodatku surowców
x 7 + +...+ x ^ — 18.71 (28)
b) liniowe nierów nościow e ograniczenia na surowce 0 < jej < 40
0 < x 2 < 60
0 < x3 < 50 (29)
0 < *4 < 50 40 < *5 < 60 5 < * 6 < 1 5
c) nieliniowe nierów nościow e ograniczenia na w ła
ściwości
YD < y (x ) < Y G (30) gdzie YD m, YG m stanow ią dolną i górną granicę m-tej w łaściw ości.
Są one podane w tabeli. 5 (kreska oznacza brak o graniczenia). W ła
śc iw o śc i m ie s z a n e k g u m o w y c h b y ły w y z n a c z a n e na p o d s ta w ie m o d e li o w s z y s tk ic h is to tn y c h w s p ó łc z y n n ik a c h (na p o d sta w ie testu r-Studenta). W w yniku o p ty m alizacji przeprow adzonej m eto dą R osena [8], stosując o p racow a
ne m odele m atem aty czne, o trz y m ano m ieszankę o niższym k o sz cie składu surow cow ego i w ła ści
w o śc ia c h o d p o w ia d a ją c y c h w y m ogom techno log iczny m . P o m ia
ry jej w łaściw ości podano w ta b e li 5 w kolum nie oznaczonej y .
Po op ty m alizacji dołączono d odatkow o do planu ek sperym entu 5 punktów w rejonie uzyskanej m ieszanki optym alnej i p o w tó rzono postępo w an ie w yznaczając od now a m odele w łaściw ości (które w w iększości przypadków nie uległy w iększym zm ianom ). Ponow na o p ty m aliza
cja nie dop row ad ziła do uzyskania lepszego p u n k tu od uzyskanego za pierw szym razem . M ieszanka optym alna oraz dwie m ieszanki z niew ielkim i zm ia
nam i (w jednej z nich w yelim inow ano kauczuk o n ajm niejszej naw ażce - p o zostaw iając 3 kauczuki, w drugiej w yelim inow ano dw a kauczuki o k o lej
nych najm niejszy ch naw ażkach - pozo staw iając 2 kauczuki) w ytypow ano do badań stacyjnych opon.
B adania te wykazały, że opony uzyskane z m ieszan
ki optym alnej i m ieszanki z w yelim inow anym je d nym kauczukiem m ają zbliżo ne w łaściw ości, nie tylko spełniające w ym agania, ale m ające naw et lep sze w łaściw ości niż m ieszank a dotychczas sto so wane. Ze w zględów o rganizacyjnych w ybrano m ie
szankę z 3 kauczukam i, nieznacznie droższą od m ie
szanki optym alnej z 4 kauczukam i i w drożono ją do produkcji opon sam ochodow ych. Prow adzone w k ilk u m ie się c z n y m o k resie b a d a n ia w ykazały, że p ro d u k o w a n e o p o n y o d z n a c z a ły się w y m a g a n ą trw ałością oraz spełniały testy na w ysokie p ręd k o ści. Jed no cześnie koszt w sadu surow cow ego został obniżony o ponad 12% w stosunku do m ieszanki stosow anej p op rzednio. S zczeg óło w y skład m ie
szanki je s t zastrzeżony.
S ta & fo tK & iy nr 3 maj - czerwiec 2001 r. TOM 5
Tabela 5. Z ada n e o g ra n iczen ia na w łaściw o ści i w artości dla m iesza nki optym a lnej
Lp. Nazwa właściwości YDm YGm Yflm
1 czas podwulkanizacji T2,170°C, min 1,5 - 2,1
2 czas wulkanizacji T40,170°C, min 2,0 - 2,6
3 czas optimum wulkanizacji T90,170°C, min - 5,5 4,4
4 moment minimalny ML,170°C, dNm 4,0 10,0 7,3
5 moment maksymalny MH,170°C, dNm 22,0 34,0 28,5
6 lepkość Mooneya ML(1+3),100°C, M 40,0 60,0 48,8
7 czas podwulkanizacji T5,130°C, min 9,5 - 11,3
8 szybkość wulkanizacji V30,130°C, M/min - - 28,5
9 wydłużenie przy zerwaniu ER, % 490,0 - 626,0
10 wytrzymałość na rozciąganie RR, MPa 17,4 - 17,4 11 naprężenie przy wydłużeniu 100%, MPa 1,5 2,3 1,6 12 naprężenie przy wydłużeniu 300%, MPa 5,0 8,5 5,4
13 twardość Shore'a, °Sh 49,0 55,0 49,0
14 wytrzymałość na rozdzieranie RRD, kN/m - - 36,0
15 wydłużenie trwałe ET, % - 20,0 26,0
16 elastyczność wg Schoba ESC, % 30,0 - 40,0
17 przyrost temp. ap. Goodricha DT, °C - 13,5 20,0 18 odkształcenie trwałe ap. Goodricha, ET G, % - - 1,8 19 odporn. na zmęczenie przy zginaniu de Mattia, 2-4 kcykl - 8,5 5,2 20 odporn. na zmęczenie przy zginaniu de Mattia, 4-8 kcykl - 11,5 7,5 21 odporn. na zmęczenie przy zginaniu de Mattia, 8-12 kcykl - 8,0 5,8
Właściwości po starzeniu termicznym 7 dni, 70°C
22 wydłużenie przy zerwaniu ER, % 400,0 - 463,0
23 wytrzymałość na rozciąganie RR, MPa 15,0 - 13,5
24 naprężenie przy wydłużeniu 100%, MPa 2,0 3,0 2,4 25 naprężenie przy wydłużeniu 300%, MPa 6,5 12,0 7,6 26 wytrzymałość na rozdzieranie RRD, kN/m - - 35,0
27 wydłużenie trwałe ET, % - - 12,0
28 zmiana wydłużenia po starzeniu - - -
29 zmiana wytrzymałości po starzeniu - - "
Inne testy
30 H-test, N 50,0 - 76,2*
31 pull-test, siła zrywania, N 155,0 - 126,1*
32 pull-test, ocena pokrycia, pkty 3,0 - 3,00
33 szybkość tłoczenia, m/min 0,95 - 0,77
34 skurcz liniowy, % - - 5,40
35 pęcznienie, % - 100,0 110,6
*W tych badaniach użyto innego kordu niż w badaniach objętych planowaniem eksperymentu
5. Podsumowanie
względów jedna z nich nie zo
stała skierowana do produkcji wielkoseryjnej.
Na podstawie zebranych do św iad czeń m ożna stw ier
dzić, że opisana m etoda daje dobre rezultaty. W rozw aża
nym zastosowaniu wym agała ona jed nak przeprow adzenia d o s y ć o b s z e r n y c h b a d a ń wstępnych, to znaczy wykona
nia pom iarów 35 właściwości.
M ożliw ości zm n iejsze
nia liczby badań można szukać oczywiście w pom inięciu po
m ia ró w w ła ś c iw o ś c i m ało istotnych dla zastosowań m ie
szanki. Ciekawym kierunkiem poszukiw ań mogłoby być wy
odrębnienie właściwości cha
rakteryzujących się dużym po
w iązaniem pomiarów, co po
zwoliłoby na pominięcie badań niektórych z nich. Wyniki opi
sane w [9] pozwalają mieć na
dzieję, że ten kierunek mógłby by ć ź ró d łe m z n a cz n y c h oszczędności w przeprowadzo
nych badaniach wstępnych.
Drugi kierunek poszuki
wań m ógłby polegać na do
kładniejszym poznaniu posta
ci funkcji użytych do wyznacza
nia ograniczeń, co mogłoby do
prowadzić do rozważania nie
pełnych modeli kwadratowych i w rezultacie do zmniejszenia liczby estym ow anych w spół
czynników w ystępujących w tych funkcjach. Pozwoliłoby to na zm niejszenie liczby bada
nych mieszanek. Oba te kierun
ki wymagają jednak szerszych doświadczeń wynikają
cych z projektowania wielu mieszanek.
Oprócz opisanego przykładu zastosowania, po
wyższa m etoda była jeszcze sprawdzona przy projek
towaniu dwóch dodatkow ych mieszanek. We wszyst
kich przypadkach otrzym ano mieszanki wyraźnie tań
sze od wcześniej produkowanych, jednakże z różnych
Literatura
7. Arczew ska W.: Optymalizacja sympleksowych p la nów czynnikowych do wyznaczania modeli mate-
TOM 5 maj - czerwiec 2001 r. S fa tó u n e n y nr 2
matycznych właściwości mieszanin. Rozprawa dok
torska. IBS PAN, Warszawa 1988
2. Arczewska W, Kowalska E., Nahorski Z , Chabow- ski Z , Wasilewski Z : Optimizacja i upravlene v kiberneticzeskih sistemah. M ateriały z polsko-buł
garskiego sympozjum “Optimizacja svojstv rezino- vyh sm esej s identifikacjej o g raniczenij”. W: Soko
łowski J.f Stachurski A. (red.).. IBS PAN, Warsza
wa 1986, ss. 104-114
3. Fedorov W. W : Teoria optim alnogo eksperimenta.
Izd. Nauka, M oskwa 1971
4. Findeisen W., Szym anowski J., Wierzbicki A.: Teo
ria i m etody obliczeniow e optym alizacji. Wyd.2.
PWN, Warszawa 1980
5. K acprzyński B.: Planowanie eksperymentów. Pod
stawy matematyczne. WNT, Warszawa 1974 6. M ańczak K.: Technika planow ania eksperymentu.
WNT, Warszawa 1976
7. Polański Z : Planowanie doświadczeń w technice.
PWN, Warszawa 1984
8. Rosen J.B .: The gradient projection method fo r non
linear programming. Part I, II, J. Soc. Indust, and Appl. Math. 1960, 8, i 1961, 9
9. Wasilewski Z , Nahorski Z : Zastosowanie analizy czynnikowej do badania zależności między w łaści
wościami mieszanek gumowych. Elastom ery 2000, 4, nr 5, 26
I