Análisis de los datos obtenidos

Compararación de tres filamentos distintos

  • Filamento de BQ
  • Filamento de formfutura
  • Filamento de filastriuder

Este experimento dura 20min por que a simple vista se ve que no aporta ninguna mejora, de hecho, añade más inestabilidad al sitema. Se opta por añadir más reglas al sistema, e intentar hacer que la velocidad de tracción no llegue a los límites.


In [1]:
%pylab inline
#Importamos las librerías utilizadas
import numpy as np
import pandas as pd
import seaborn as sns


Populating the interactive namespace from numpy and matplotlib

In [2]:
#Mostramos las versiones usadas de cada librerías
print ("Numpy v{}".format(np.__version__))
print ("Pandas v{}".format(pd.__version__))
print ("Seaborn v{}".format(sns.__version__))


Numpy v1.9.2
Pandas v0.16.2
Seaborn v0.6.0

In [14]:
#Abrimos los ficheros con los datos
bq = pd.read_csv('./BQ/BQ.CSV')
formfutura = pd.read_csv('./FORMFUTURA/formfutura.CSV')
filastruder = pd.read_csv('./FILAEXTRUDER/ensayo4.CSV')

In [15]:
#Almacenamos en una lista las columnas del fichero con las que vamos a trabajar
columns = ['Diametro X']

In [17]:
#Mostramos un resumen de los datos obtenidoss
bq[columns].describe()
formfutura[columns].describe()
filastruder[columns].describe()


Out[17]:
Diametro X
count 333.000000
mean 1.761381
std 0.018183
min 1.670000
25% 1.750000
50% 1.770000
75% 1.770000
max 1.800000

Representamos ambos diámetro y la velocidad de la tractora en la misma gráfica


In [25]:
datos.ix[:, "Diametro X":"Diametro Y"].plot(figsize=(16,10),ylim=(0.5,3)).hlines([1.85,1.65],0,3500,colors='r')
#datos['RPM TRAC'].plot(secondary_y='RPM TRAC')


Out[25]:
<matplotlib.collections.LineCollection at 0xfb27590>

In [26]:
datos.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')


Out[26]:
<matplotlib.axes._subplots.AxesSubplot at 0x1395f730>

Aumentando la velocidad se ha conseguido que disminuya el valor máxima, sin embargo ha disminuido el valor mínimo. Para la siguiente iteracción, se va a volver a las velocidades de 1.5- 3.4 y se van a añadir más reglas con unos incrementos de velocidades menores, para evitar saturar la velocidad de traccción tanto a nivel alto como nivel bajo.

Comparativa de Diametro X frente a Diametro Y para ver el ratio del filamento


In [27]:
plt.scatter(x=datos['Diametro X'], y=datos['Diametro Y'], marker='.')


Out[27]:
<matplotlib.collections.PathCollection at 0x13c0ae70>

Filtrado de datos

Las muestras tomadas $d_x >= 0.9$ or $d_y >= 0.9$ las asumimos como error del sensor, por ello las filtramos de las muestras tomadas.


In [28]:
datos_filtrados = datos[(datos['Diametro X'] >= 0.9) & (datos['Diametro Y'] >= 0.9)]

In [29]:
#datos_filtrados.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')

Representación de X/Y


In [30]:
plt.scatter(x=datos_filtrados['Diametro X'], y=datos_filtrados['Diametro Y'], marker='.')


Out[30]:
<matplotlib.collections.PathCollection at 0x13c4d110>

Analizamos datos del ratio


In [31]:
ratio = datos_filtrados['Diametro X']/datos_filtrados['Diametro Y']
ratio.describe()


Out[31]:
count    717.000000
mean       1.052009
std        0.204253
min        0.616384
25%        0.916724
50%        1.030142
75%        1.140996
max        1.689048
dtype: float64

In [32]:
rolling_mean = pd.rolling_mean(ratio, 50)
rolling_std = pd.rolling_std(ratio, 50)
rolling_mean.plot(figsize=(12,6))
# plt.fill_between(ratio, y1=rolling_mean+rolling_std, y2=rolling_mean-rolling_std, alpha=0.5)
ratio.plot(figsize=(12,6), alpha=0.6, ylim=(0.5,1.5))


Out[32]:
<matplotlib.axes._subplots.AxesSubplot at 0x13c36130>

Límites de calidad

Calculamos el número de veces que traspasamos unos límites de calidad. $Th^+ = 1.85$ and $Th^- = 1.65$


In [33]:
Th_u = 1.85
Th_d = 1.65

In [34]:
data_violations = datos[(datos['Diametro X'] > Th_u) | (datos['Diametro X'] < Th_d) |
                       (datos['Diametro Y'] > Th_u) | (datos['Diametro Y'] < Th_d)]

In [35]:
data_violations.describe()


Out[35]:
Tmp Husillo Tmp Nozzle Diametro X Diametro Y MARCHA PARO RPM EXTR RPM TRAC
count 719.000000 719.000000 719.000000 719.000000 719 719 719 719.000000
mean 66.321280 151.304172 1.421605 1.364943 1 1 0 2.442142
std 0.200433 0.891735 0.363879 0.371820 0 0 0 1.360563
min 65.900000 149.500000 0.014000 0.000342 True True 0 1.700000
25% 66.100000 150.600000 1.172458 1.138152 1 1 0 1.700000
50% 66.400000 151.200000 1.321566 1.264575 1 1 0 1.700000
75% 66.500000 152.000000 1.631253 1.563394 1 1 0 1.700000
max 66.600000 153.200000 2.319446 2.459850 True True 0 5.300000

In [36]:
data_violations.plot(subplots=True, figsize=(12,12))


Out[36]:
array([<matplotlib.axes._subplots.AxesSubplot object at 0x13E92C30>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x13EEE2F0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x13F179B0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x13F3C8F0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x13F6B050>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x13F89770>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x13FB8070>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x13FCB950>], dtype=object)

In [ ]: