Báo cáo bài tập lớn môn học xác suất thống kê Đề tài 3d printer dataset for mechanical engineers

Phân tích hồi quy 2.1.1 Định nghĩa Phân tích hồi quy Regression Analysis là một phương pháp thống kê được sử dụng để nghiên cứu mối quan hệ giữa một biến phụ thuộc Y và một hoặc nhiều bi

TRUONG DAI HOC BACH KHOA DAI HOC QUOC GIA THANH PHO HO CHi MINH

3D Printer Dataset for Mechanical Engineers

GIANG VIEN HUONG DAN: NGUYEN KIEU DUNG

LỚP: LO1 NHOM: CK25 DANH SACH THANH VIEN

STT Họ và tên MSSV | TênLớp | Tên Khoa/Ngành

1 Tran Duy Thoai 2213317 LO1 Co khi/Logistic

2 Nguyễn Ngọc Bảo Toan| 2213535 LO1 Co khi/Logistic

3 Bui Van Dat 2210651 LO1 Co khi/Logistic

4 Vũ Đình Bao 2210291 LO1 Cơ khí/Logistic

5_ | Nguyễn Ngô Phong Hàd 2210865 Lo2 Cơ khí/Cơ điện tử

6 Võ Phạm Xuân Hoàng| 2211125 L02 Co khi/Co điện tử

7 Cao Tan Bao 2210193 L08 Cơ khí/Cơ điện tử

MUC LUC

CHUONG I TONG QUAN DU LIEU cecccsesescsescsescssseecsecsercsescscseeeesseneasseesiesaesseneess 4

LD Muce đích của HghiÊH Cit Là co kh kh KH KT khu 4 ĐẾN 088nn8n8n8n6heAú ), HH 4

1.3 Mô tả các ÌỄNả chen HH HH HH KH HH HH HH TH TH 4

9.1 1s n8 nh e<M 3 - 5

CHƯƠNG II KIỀN THỨC NÉN He, 6

2.1, n7 7g co ng 6n ẤA<xx Ă 6 QLD DIAN NWI nang l3 6 2.1.2 Mô hình hồi quy tuyến tÍnh đỈƠH - «5-55 S< sec eesE++ekeeeeeeeeeeetrerereerrrerrreeree 6 2.2 M6 Ÿ7,708,.7.J20080Nnn0n08080600=+ HDHẰ.,)HỤHHHA 6

QD DUNN NWI nang ghe aa aaa 6 2.2.2 Kiếm định ý nghĩa của Imô HÌHÌ che 7 2.2.3 Kiém tra các giả thuyết của mô hình hồi quy bội -cccccccsekcekseeerseree 7 2.3 Phân tÍíCh phHƯƠNG SđÏ SH nọ nọ BE 8 VNĐ an nh h6 664đ34Aj3 8 2.3.2 Phân tích phương sai hai HhiậH HỖ << sSeS+e+e+eEeE+eeeeseeexereerereeeererrreeree 8

CHUONG III TIEN XỨ LÝ SỐ LIỆU VÀ THỐNG KÊ MÔ TỶ - 11

3.1 Tiền Xử lý SỐ liệU -¿- ¿- ¿+ SE 3E SE 2E SH SH HT HT HH ngàn HH 11

3.1.1 Đọc dữ liệu vào R studio và xem thông tin của các biến - 11

3.1.2 Tạo bộ dữ liệu mới sau khi lược bỏ 2 biến tension_ strength và elonggation

3.1.3 Kiểm tra dữ liệu khuyết trong tệp dữ liệU -. -5 5+2 <+<+s<z<zsesss 12

co ‹ ao 0 HH ĂHHẬHHẬH 12

3.2.1 Tính các giá trị thống kê mô tả cho các biến trong bộ dữ liệu mới 12

3.2.3 Vẽ đỗ thị his†Ogram -¿- 22+ +22 +2EzE+v+t xxx keEexrerkrerrrrrereerrrerererree 14

3.2.4 Vẽ đỗ thị plot của biến roughness theo từng biến phân loại 14 3.2.5 Vẽ biêu đồ scatter plot cho biến Roughness ¿55+ 55+ s+sss 5+2 16

3.2.6 Vẽ ma trận tương quan giữa các biến . 7-2 <c+x+e+es+zzexzezxeereersrs 21

CHƯƠNG IV THỐNG KẾ SUY DIỂN à SH He 24

1 Bài lOÁH HÓC TƯỢN TL ẶS SH HT HH KH KH to KH To kh 24 1.1 Tính tOán 'n, x, $ï -. -.c c3 nọ nọ k Ki kEn v creEx 24 1.2 Tìm Qiá tfj ZŒ//2: c ch KH Đi TH 24 1.3 Tĩnh toán độ chính xác của khoảng trớc TƯỢN: nhe, 24 1.4 Tinh KNOGig 6c TONG! «eee e 25

2 So sánh độ nhâm ca 2 nhóm vớt liệu (abs và pla) hay không, xét với mức ý nghĩa 7a D 25 2.1 Thực hiện so sánh phưƯƠH SQÌ cu HH KH xi KH Hit 25 2.2 Thực hiện kiểm dinh bang hàm t-/es/, phương sai bằng nhau n1<30, n2<30

2.3 Mô hình hồi thứ nhát - rnodel 1 . - 5-2 +22 s+s+e+sezezezeeeeesrsezrseescee 26 2.4 Mô hình hồi quy thø hai - moddel_2 . -2-2-+2+s+e++szsezezzzexzezszsezcee 28 2.5 Sử dựng phân tích phương sai ANO1⁄4 để so sánh hai mô hình 30

2.6 Kiểm tra giá định c¡a mô hình hổi gwy đa biến .2-5 5c 255c<+<+<<s+s 30

n9 0 in 32

CHUONG E THẢO LUuẬN VÀ MỞ RỌNG QQ ST 35

5.1 Đọc và tiễn xử [82/7012 5EEPEEEh (‹443j 2 35 b1, 8.8 an .Ầ 35

5.3 Chuẩn hóa đữ liỆ: chì HH HH TH 36

5.4 Phan chia dit liéu thanh tap huấn luyện và tập kIẾH TQ: .à.eĂceccekceeeeei 36 5.5 Mô hình hóa với thuật toắn KNelghbors(ASSiCFL nh kh xà 37 5.6 M6 hinh hoa voi mang no-ron sau (Deep Neural Network - DNN) 38 5.7 Dur Godin loa Vt LGU ciccccccccccueccccu seus cueeecusecnenseueeeeenseeeesueescuseteansenseeenseeeenseeeseees 39 Đ.B Trực qHaH HÓA ŸÌ) SH ti ko kh 39 NGUON DỮLI£ỆU VÀ NGUÔN CODE - + Sen St rrrrrrerrrrrrrrerrrrree 40

TÀI LIỆU THAM KH,ẢO - 5 -S2s St EEEEEEEEEEEEE1112711171127111711271171E 211.1 cr 40

CHUONG I TONG QUAN DU LIEU

1.1 Mục đích của nghiền cứu

Mục đích của nghiên cứu này là đề xác định mức độ ảnh hưởng của các thông 36

điều chỉnh trong máy in 3D dén chat lượng in, d6 chinh xac va d6 ben Trong đó có chin

thông số cài đặt và ba thông số đâu ra do được

1 layer_height Chiều cao lớp mm

2 wall_thickness Độ dày tường mm

3 infill_density Tỷ lệ diém đô %

4 infill_pattern Mẫu điền

5 nozzle_temperatur| Nhiệt độ đầu phun C°

11 tension_strenght | Cường độ chịu kéo giới hạn | MPa

12 elongation Độ giãn dài %

Các loại biến:

- Biến phụ thuộc: roughness, tension_strenght và elongation

- Biến liên tục: layer_height, wall_thickness, infill_density, nozzle_temperature,

print_speed, fan_speed, roughness, tension_strenght va elongation

- Bién phan loai: infill_pattern, material

1.4 Các bước thực hiện

Bước I: Đọc dữ liệu (Import data)

Bước 2: Làm sạch dữ liệu ( Data cleaning)

Bước 3: Làm rõ dữ liệu ( Data visualization)

(a) Chuyển đổi biến (nếu cần thiết)

(b) Thống kê mô tả: dùng thống kê mẫu và dùng đồ thị

(c) Thống kê suy diễn: trình bày một số phương pháp thống kê để đưa ra kết luận cho

tống thế (mục tiêu, kết quả, nhận xét, két luận)

Bước 4: Phân tích mối quan hệ giữa các biến đề hiểu cách chúng ảnh hưởng đến

chât lượng va tinh chat cua sản phâm in 3D Chúng em sẽ dùng mô hình hồi quy bội

vào bộ dữ liệu này

CHUONG II KIEN THUC NEN 2.1 Phân tích hồi quy

2.1.1 Định nghĩa

Phân tích hồi quy (Regression Analysis) là một phương pháp thống kê được sử

dụng để nghiên cứu mối quan hệ giữa một biến phụ thuộc (Y) và một hoặc nhiều biến

ngẫu nhiên (X) hay còn gọi là biến giải thích Mục tiêu chính của phân tích hồi quy là

là đưa ra các dự đoán hoặc mô tả biến phụ thuộc dựa trên các biến ngầu nhiên Các mỗi

quan hệ giữa X và Y có thể được biểu diễn dưới đạng hàm tuyến tính hoặc phương

trình

Y tưởng chung như sau: giả sử ta có một biến ngẫu nhiên Y, mà ta muốn ước

lượng xấp xỉ dưới dạng một hàm số F(X [ ,Xs ) của các biến ngau nhién XI, ,Xs khác

(gọi là các biến điều khiển control variables), hay còn gọi là biến tự do, trong khi Y

được gọi là biến phụ thuộc ( đependent variable), tức là khi ta có các giá trị của XI ,Xs

, thi ta muốn từ đó ước lượng được giá trị của Y Hàm số F này có thể phụ thuộc vào

một số tham số 8 = (8I1, , 0k) nao đó Ta có thể viết Y như sau:

Y=F9(XI, ,Xs)+€

Trong đó c là phân sai số (cũng là một biến ngẫu nhiên) Ta muốn chọn hàm F một cách thích hợp nhất có thể, và các tham số , sao cho sai số là nhỏ nhất có thê

Đại lượng: YE(Isl2) được gọi là sai số chuẩn (standard error) của mô hình hồi qui Mô

hình nào mà có sai số chuân cảng thấp thi được coi là càng chính xác

Trong mối liên hệ hàm số, với mỗi một giá trị X ta tìm được duy nhất một giá trị

Y Tuy nhiên trong thông kê, một giá trị X có thê cho tương ứng nhiều giá trị LY khác

nhau, bởi vì ngoài biến chính là X, biến Y có thể còn chịu tác động bởi một số yếu tố

khác

2.1.2 Mô hình hồi quy tuyến tính đơn

Một mô hình hồi quy tuyến tính đơn liên quan đến một biễn phụ thuộc Y và một

biến ngẫu nhiên X là phương trình: Y =o +iX+~e

Trong đó :

- Bo và ¡ là các tham số chưa biết (được gọi là hệ số chặn ( intercept) và hệ số góc

(slope) của đường thẳng hồi quy);

- Y là biến phụ thuộc và X là biến ngẫu nhiên

- ¢ la thành phần sai SỐ, e được giả sử có phân phối chuẩn N (0, G 2),

Thuật ngữ tuyến tính (linear) trong mô hình hồi quy tuyến tính nghĩa là tuyến

tính ở các hệ số hồi quy (linearity in the regression coefficients) va khéng phai tuyén

tính ở các biến Y va X

2.2 Mô hình hồi quy bội

2.2.1 Định nghĩa

Hồi quy tuyến tính bội là một phần mở rộng của hồi quy tuyến tính đơn Nó được

sử dụng khi ta muốn dự đoán gia tri cua mot bién phan hồi dựa trên giá trị của hai hoặc

nhiều biến giải thích khác Biến mà chúng ta muốn dự đoán được gọi là biến phản hồi

(biến phụ thuộc) Các biến mà ta đang sử dụng để dự đoán giá trị của biến phản hồi

được gọi là các biến giải thích (biển dự báo, biến phụ thuộc)

Mô hình hỗi quy tuyến tính bội có dạng tông quát:

= 1 + Ø62X2 + 83X3 + - Bửœii + u Trong đó :

Y là biến phụ thuộc

Xi là biến ngẫu nhiên

Bí là hệ số tự do

u là sai số ngẫu nhiên

Các Bi la cac hé số hồi quy riêng, là tác động riêng phần của biến Xi lên Y với

điều kiện các biến số khác trong mô hình không đổi Cụ thê hơn, nếu các biến khác

trong mô hình không đối giá trị kỳ vọng của Y sẽ tăng ¡ đơn vị nếu Xi tăng | don vị

Hệ số j¡ > 0 : khi đó mỗi quan hệ giữa Y và Xi là thuận chiều, nghĩa là khi Xi

tăng (hoặc giảm) trong điều kiện các biến độc lập khác không đổi thì Y cũng sẽ

tăng (hoặc giảm)

Hệ số fi < 0 : khi đó mối quan hệ giữa Y và Xi là ngược chiều, nghĩa là khi Xi

tăng (hoặc giảm) trong điều kiện các biến độc lập khác không đổi thì Y cũng sẽ

giảm (hoặc tăng)

Hệ số j¡ = 0 : có thể cho rằng giữa Y và X¡ không có sự tương quan với nhau, cụ

thê là Y có thể không phụ thuộc vào X¡ hay là X¡ không thực sự ảnh hưởng đến

Y

2.2.2 Kiểm định ý nghĩa của mô hình

Trong mô hình hồi quy đa biến, giả thuyết “không” cho răng mô hình không có

ý nghĩa được hiểu là tất cả các hệ số hồi quy riêng đều băng 0

Ứng dụng kiểm định Wald (thường được gọi là kiêm định F) được tiến hành cụ

thê như sau:

BI: Giả thuyết “không” là Ho: a = a = - = fx = Ö

B2: Trước tiên hồi quy Y theo một số hạng không đổi và Xa, Xa, ., Xi, sau đó tính tổng bình phương sai số RSSU, RSSR Phân phối F là tỷ số của hai biến

ngẫu nhiên phân phối khi bình phương độc lập

B3: Tra 36 liệu trong bang F tuong tng voi bac ty do (k — 1) cho tử s6 va (n— k)

cho mẫu số, và với mức ý nghĩa ơ cho trước

B4: Bác bỏ giả thuyết Ho ở mức ý nghĩa ơ nếu Fc > F(œ, k-1, n-k) Đối với phương pháp giá trị p tính giá trị p = P (F>Fc|Ho) và bác bỏ giả thuyết Ho néu p

<a

2.2.3 Kiểm tra các giả thuyết của mô hình hồi quy bội

Nhắc lại các giả định của mô hình hồi quy:

= 1 + ð2X2 + ÿ3X3 + - BiXi + ui(i= T1, ,m) Giả thuyết I: : Tính tuyến tính của dữ liệu: mỗi quan hệ giữa biến dự báo X và

biến phụ thuộc Y được giả sử là tuyên tính

Giả thuyết 2: Sai số có phân phối chuẩn

Giả thuyết 3: : Phương sai của các sai số là hằng số

Giả thuyết 4: : Các sai số u có kỳ vọng = 0

e Gia thuyét 5: Các sai số ui, , Un thì độc lập với nhau

2.3 Phân tích phương sai

2.3.1 Định nghĩa

Phân tích phương sai ( Analysis of Variance) hay con goi la kiém dinh ANOVA

là kỹ thuật thông kê tham số được sử dụng đề so sánh các nhóm đữ liệu dựa trên các giá

trị trung bình của các mẫu quan sát từ các nhóm này, và thông qua kiểm định giả thuyết

đề đánh giá và kết luận sự bằng nhau của các trung bình nhóm đữ liệu này Trong nghiên

cứu, phân tích phương sai được sử dụng như một công cụ để xem xét ảnh hưởng của

một yếu tô ngẫu nhiên đến một yếu tổ kết quả Phân tích phương sai được phát triển bởi

Ronald Fisher nam 1918

ANOVA that ra là một mở rộng của phương pháp kiểm định T cho các mẫu độc lập

khi so sánh trung bình của các nhóm gôm các quan sát độc lập Không như phương

pháp kiểm định T, ANOVA có thể so sánh nhiều hơn hai nhóm Lưu ý rang ANOVA

không so sánh các phương sai, mà là phân tích các phương sai để so sánh với các kỳ

vọng

« _ Phân tích phương sai được dùng để kiểm định giả thuyết các tổng thể nhóm có

giá trị trung bình bằng nhau

«ồ Kỹ thuật này được dựa trên cơ sở tính toán mức độ biến thiên trong nội bộ các

nhóm và biến thiên giữa trung bình các nhóm

« _ Có hai thủ tục phân tích phương sai: ANOVA một nhân tổ ( One way ANOVA)

và ANOVA hai nhân tổ (Two way ANOVA)

2.3.2 Phân tích phương sai hai nhân tổ

ANOVA hai nhân tố một phần mở rộng của phân tích phương sai một nhân tó

Với One way, ta có một biến độc lập ảnh hưởng đến biến phụ thuộc Còn với Two way

ANOVA, sẽ có 2 biến độc lập

Gia thuyết phân tích phương sai hai yếu tố:

Tông thể có phân phối chuân

« Mỗi mẫu được quan sát một lần không lặp

Các bước tiễn hành kiêm định giả thuyết: ta lây mẫu không lặp lại, sau đó các

don vi mau của nhân tố ngẫu nhiên thứ nhất xếp thành K nhóm (cột), các đơn vị mẫu

của nhân tố ngẫu nhiên thứ hai sắp xếp thành H khối (hàng) Như vậy ta có bảng kết

hợp hai nhân tổ nguyên nhân gồm K cột và H hàng và (K x H) ô đữ liệu Tông số mẫu

1 Xi | X12 Xik

2 Xai | X22 X2k

Ịn | Xe:

XH2 | | XK | BI: Tỉnh các số trung bình mẫu của các nhóm

« - Trung bình riêng của từng nhóm ( K cột):

Xi= j=1HXijH( = 1,2, ,K)

« _ Trung bình riêng của từng khối ( H hang)

Xj= i=1KXijK(i = 1,2, ,H)

« - Trung bình chung của toàn bộ mẫu quan sát:

X = i=1K j=OHXijn =i=1KXijK =j=1HXijH

B2: Tinh tong các độ lệch bình phương

« _ Tổng các độ lệch bình phương chung (SST): Phản ánh biến động của nhân tô kết

ana do ảnh hưởng của tất cả các nhân tố

Công thức : SST =¡i=lK(Xi] -X)2

« _ Tổng các độ lệch bình phương giữa các nhóm (SSK): Phản ánh biến động của

nhân tố kết quả do ảnh hưởng của nhân tố nguyên tổ thứ nhất ( xếp theo cột)

Công thức : SSK = H i=lK(Xi -X)2

« Tổng các độ lệch bình phương giữa các nhóm ( SSH): ): Phản ánh biến động của

nhân tô kết quả do ảnh hưởng của nhân tố nguyên tô thứ hai ( xếp theo hàng)

Cong thie : SSH = K j=1H(Xy -X)2

Tông các độ lệch bình phương phân dư (ERROR): Phản ánh biến động của nhân

tố kết quả do ảnh hưởng của nhân tố nguyên nhân khác không nghiên cứu

« - Phương sai phần dư (MSE)

Công thức: MSE = SSE(K-1)(H-1)

B4: Kiém dinh gia thuyét :

¢ Tinh tigu chudn kiém dinh F ( F thyc nghiém)

Fi =MSKMSE

Trong do:

«ồ - MSK là phương sai giữa các nhóm (cột)

« MSE là phương sai phần dư

« - FI dùng đề kiểm định cho nhân tố nguyên nhân thứ nhất

Fo = MSHMSE Trong đó :

« - MSH là phương sai giữa các khối ( hàng)

« - MSE là phương sai phần dư

« Fo ding dé kiém dinh cho nhân tố nguyên nhân thứ hai

« Tim F lý thuyết cho 2 nhân tố nguyên nhân:

« _ Nhân tô nguyên nhân thứ nhất: F tiêu chuẩn = F (k-1; (K-1)(h-1), ơ) là giá trị giới hạn tra từ bảng phân phối F với k-l bậc tự do của phương sai ở tử

số và (k-1)(h-1) bậc tự do của phương sai ở mẫu số với mức ý nghĩa a

« - Nhân tố nguyên nhân thứ hai: F tiêu chuẩn = F (h-1; (K-1)(h-1), a) la giá trị giới hạn tra từ bảng phân phối F với h-l bậc tự do của phương sai ở tử

số và (k-1)(h-1) bậc tự đo của phương sai ở mẫu s6 voi mire y nghia a

«Ổồ NếuF: thực nghiệm > F lý thuyết, bác bỏ Ho, nghĩa là SỐ trung bình của k tong thê nhóm (cột) không băng nhau

« - Nếu Fa thực nghiệm > Fa lý thuyết, bác bỏ Ho, nghĩa là số trung bình của k tong

thê khối (hàng) không bằng nhau

CHUONG IIL TIEN XU LY SO LIEU VA THONG KE MO TA 3.1 Tiền xứ lý số liệu

3.1.1 Đọc dữ liệu vào R studio và xem thông tin của các biến

“data frame’: 50 obs of 12 variables:

Hinh 1 Théng tin vé dé liéu

Nhận xét: Bộ dữ liệu này gồm 50 quan sat va 12 bién

3.1.2 Tạo bộ dữ liệu mới sau khi lược bỏ 2 biến tension_ strength và

elonggation

Vì trong bài báo cáo, nhóm thực hiện phân tích sự ảnh hưởng của các biến độc lập

(các thông số cài đặt) déi voi do nham (roughness) cua san phẩm in 3D, nên nhóm sẽ

loại bỏ hai thông só đầu ra là sức căng (tension_ strength) và độ bèn (elonggation)

Nhập lệnh:

new_data<-pr int_data[ ,c(”1ayer_height”, ”"wall_thickness”, “infill_density”,

“infill_pattern", “nozzle_temperature”, “bed_temperature”,

“print_speed", “material”, “fan_speed", “roughness”)]

str (new_data)

Két qua:

Hinh 2 Dz ligu moi sau khi heoc bo 2 bién roughness và elonggation

Nhận xét: Bộ dữ liệu mới gồm có 10 biến và 50 quan sát

3.1.3 Kiểm tra dữ liệu khuyết trong tệp dữ liệu

Nhận xét: Dựa vào kết quả sau khi nhập và kiêm tra trong R studio thi ta thay trong tep

dữ liệu không có dữ liệu bị khuyét

min <- apply(dl_data, 2, min)

max <- apply(dl_data, 2, max)

median <- apply(d1_data, 2, median)

Ql <- apply(di_data, 2, quantile, probs = 0.25)

Q3 <- apply(di_data, 2, quantile, probs = 0.75)

t(data frame(mean,sd,min,max,median,Qi,Q3))

Két qua:

liên tục và nhận được các giá trị thống kê mô tả (trung bình, độ lệch chuân, ) của các

biến nói trên

3.2.2 Lập bảng thống kê với các biến phân loại

Đối với biến infill_pattern:

Hình 4 Kết qu¿ thống kê cza biến infill_pattern

Nhận xét: Về mẫu ¡n có 25 quan sát la “grid” va 25 quan sát là “honeycomb”

Đối với biến material:

25 25

Hinh 5 Két qua thong ké cva bién material

Nhận xét: Về vật liệu có 25 quan sát là “abs” va 25 quan sat la “pla”

3.2.3 Vẽ đồ thị histogram

Nhập lệnh:

of Roughness”, col="[pink|’, labels=T, ylim=c(0,12)

Đồ thị trên không có hình dạng phân phối chuân và hơi lệch về phía bên phải (Mean > Median)

Độ nhám phân bá trải dài từ 0 - 400m

Độ nhám từ 50 - 100m và từ 150 - 200m chiếm nhiều nhất với tần suất là 9, trong khi độ nhám từ 300 - 400m chiếm ít nhất với tàn suất là 3

3.2.4 Vẽ đồ thị plot của biến roughness theo từng biến phân loại

Nhập lệnh:

boxp 1ot(roughness~infi ]]1_pattern, new_data,co1=c ('|WBEENI', [HN )

main="Roughness and Infill_pattern”)

Hình 7: Đồ thị phân phối của Roughness theo Infill_pattern

Nhận xét: Ở hình trên ta có thê thấy mức trung vị của grid cao hơn một chút so với mức

trung vi cua honeycomb Tuy nhién nhin chung hai đồ thị là tưrơng đương nhau và không

có điểm cụ thê nào phân biệt rõ mức độ ảnh hưởng cua infill pattern dén roughness

Nhập lệnh:

boxp1ot(roughness~mater ỉa] ,new_data, co1=c( BEBEEN|', [NET )

main="Roughness and Material”)

Két qua:

material

Hình 8: Đô th; phân phối ca Roughness theo Material

Nhận xét: Ở “abs” cac gia tri roughness phan bồ từ khoảng 90 đến 290 Trong khi đó

“pla” chi phân bô đên bé hơn mức trung vị cua “abs”,

3.2.5 Vẽ biểu đồ scatter plot cho biến Roughness

Nhập lệnh:

plot (new_data$layer_height ,new_data$roughness,xlab="layer_height",

ylab = “roughness",main="lJayer_height and roughness")

plot (new_data$wal1l_thickness ,new_data$roughness, xlab="wall_thickness”,

ylab = “roughness” ,main="wall_thickness and roughness”)

plot (new_dataSinfill_density,new_datasroughness,xlab="infill_density”,

ylab = “roughness” ,main="infill_density and roughness”)

plot (new_dataSnozzle_temperature,new_datasroughness,xlab="nozzle_temperaturet”,

ylab = “roughness” ,main="nozzle_temperature and roughness”)

plot (new_data$bed_temperature,new_data$roughness ,xlab="bed_temperature”,

ylab = “roughness",main="bed_temperature and roughness")

plot (new_dataSprint_speed,new_data$roughness ,xlab="print_speed”,

ylab = “roughness” ,main="print_speed and roughness”)

plot (new_dataSfan_speed, new_data$roughness,xlab="fan_speed”,

ylab = “roughness” ,main="fan_speed and roughness”)

Két qua:

layer_height and roughness

“layer heipht” thi “roughness” cũng càng tăng lên

print_speed and roughness

Hinh 10 Biéw do phan tan ca bién roughness voi bién doc lap print_speed

Nhận xét: Dựa vào dé thi phan tan hinh 10, du doan bién “print speed” cé su anh hưởng lên biến “roughness” Vì khi tăng giá trị của biến “print speed” các giá trị nhỏ Của “roughness” có xu hướng tăng lên nhưng ở các giá trị gàn ở mức cao nhát thì không thay được điều đó

wall_thickness and roughness

có hình dạng cụ thẻ

infill_density and roughness

Hinh 12 Biéu do phan tan cua bién roughness vai bién déc lap infill_density

Nhan xét: Dwa vao dé thi phan tan hinh 12, dw doan bién “infill density” khéng c6 ảnh hưởng đến biến “rouehness” Vi ta vẫn thấy ở các biến phân bó ngau nhién

bed_temperature and roughness

Nhận xét: Dựa vào dé thi phân tán hình 13, dự đoán biến “bed temperature” có ảnh hưởng dén bién “roughness” Vi khi tăng giá tri “bed temperature” ta nhan thay biên “roughness” có xu hưởng tăng lên

nozzle_temperature and roughness

có xu hướng tăng lên rõ rệt