1.8.1.1. Mối liên quan nhân quả
Trong mỗi quy trình phân tích trong kiểm nghiệm cĩ nhiều yếu tố thuộc thành phần cơng thức hay điều kiện tiến hành ảnh hưởng đến kết quả. Đây là mối liên quan nhân quả (hình 1.5). Nếu khơng biết rõ các mối liên quan nhân quả thì nhà nghiên cứu cĩ thể khảo sát một số yếu tố khơng cần thiết hoặc bỏ sĩt các yếu tố mà lẽ ra cần phải xem xét. Cơng thức / Quy trình Tính chất sản phẩm Điều kiện
1.8.1.2. Kiến thức và quy luật
Muốn biết mối liên quan nhân quả phải cĩ kiến thức và kinh nghiệm. Ngồi kiến thức của chuyên gia, ngày nay phần mềm thơng minh với cơng cụ thần kinh logic mờ cĩ thể cho kiến thức nơng hay những quy luật.
Phần mềm thơng minh (Formrules) cĩ thể được dùng để đúc kết những quy luật nhân quả từ dữ liệu thực nghiệm. Từ đĩ, nhà nghiên cứu cĩ thể chọn các yếu tố cĩ ảnh hưởng trực tiếp đến kết quả để khảo sát.
Nếu các yếu tố trong mơ hình thí nghiệm cĩ thiết kế, nhà nghiên cứu cĩ thể áp dụng phần mềm thơng minh (thí dụ INForm) để thiết lập được mơ hình liên quan nhân quả rồi tối ưu hĩa các thơng số về cơng thức hay điều kiện.
1.8.1.3. Phần mềm FormRules v2
Phần mềm thơng minh FormRules sử dụng kỹ thuật thần kinh logic mờ chuyên đúc kết các qui luật nhân quả và trình bày dưới 3 hình thức :
- Xu hướng cho biết mối liên quan định tính giữa các yếu tố phụ thuộc thành phần cơng thức và từng yếu tố thuộc về chất lượng sản phẩm.
- Quy luật : Nếu (điều kiện 1) VAØ (điều kiện 2)... THÌ (hậu quả / xác xuất) - Biểu đồ 2 hay 3 chiều.
1.8.2.Tối ưu hĩa thơng minh
1.8.2.1. Thiết kế cơng thức (Mơ hình thực nghiệm)
Thiết kế mơ hình thực nghiệm chiếm vai trị rất quan trọng, cĩ thể thực hiện bằng cáchthiết kế vi tính. Lãnh vực vi tính cĩ hai nhĩm mơ hình thực nghiệm :
- Mơ hình hỗn hợp (Mixture design) hay mơ hình cơng thức (formulation design): thiết kế thành phần của các nguyên liệu. Đây là loại mơ hình cĩ ràng buộc.
- Mơ hình yếu tố (Factorial design) hay mơ hình quy trình (Process design) : các phương pháp và điều kiện tiến hành, loại mơ hình khơng cĩ ràng buộc. Một số phần mềm thiết kế cơng thức trong quy trình : Design Expert, From Data …
Mỗi cơng thức cĩ thể được xem như một « hỗn hợp » cĩ n thành phần với tỷ lệ x1, x2,... và xn với x1 + x2 + ... + xn = 1 (hay 100%) và 0 ≤ xi ≤ 1. Khơng gian yếu tố được thiết lập như khoảng khơng gian bên trong của một hình cĩ n đỉnh và (n – 1) chiều để biểu thị khả năng phối hợp. Thí dụ hỗn hợp 2 thành phần là đường thẳng, hỗn hợp 3 thành phần là tam giác đều, hỗn hợp 4 thành phần là hình tứ diện. Việc thiết kế vi tính cĩ nhiều ưu điểm so với việc thiết kế thủ cơng là tiện lợi, nhanh chĩng và cho các điểm dữ liệu phân bố đều khắp khơng gian yếu tố.
b) Mơ hình yếu tố (mơ hình quy trình)
Gồm mơ hình yếu tố đầy đủ và mơ hình phân đoạn. - Mơ hình yếu tố đầy đủ :
Một mơ hình với F yếu tố được khảo sát, mỗi yếu tố cĩ L mức, địi hỏi số thí nghiệm là LF. Thí dụ mơ hình F = 2 yếu tố, yếu tố L = 2 mức cĩ n = 22; mơ hình 3 yếu tố cĩ 2 mức cĩ n =23 = 8; mơ hình 4 yếu tố cĩ 2 mức cĩ n =24 =16,…
Mơ hình yếu tố đầy đủ (full factorial design) cĩ ưu điểm là cho phép sự khảo sát ảnh hưởng của các yếu tố cũng như tương tác của chúng. Tuy nhiên, mơ hình yếu tố đầy đủ cần cĩ số thí nghiệm rất lớn khi số yếu tố tăng lên.
- Mơ hình yếu tố phân đoạn :
Mơ hình yếu tố phân đoạn (fractional factorial design) cho phép giảm bớt rất nhiều số thí nghiệm mà vẫn khảo sát được ảnh hưởng của các yếu tố. Các mơ hình yếu tố phân đoạn phân biệt bởi cách giải (Resolution, được viết tắt là Res) :
Một vài mơ hình yếu tố đặc biệt hay gặp :
* Mơ hình Taguchi : mơ hình thiết kế trực giao, chỉ khảo sát những ảnh hưởng chính mà khơng xem xét các tương tác. Mơ hình này cĩ thể khảo sát các yếu tố với 2 hay nhiều mức hoặc kết hợp.Thí dụ :
_ L 16 (4^5) : khảo sát 5 yếu tố, mỗi yếu tố cĩ 4 mức, n = 16
_ L 18 (2^1x3^7) : khảo sát 1 yếu tố 2 mức và 7 yếu tố 3 mức, n = 18 _ L 18 (2^2X3^6) : khảo sát 2 yếu tố 2 mức và 6 yếu tố 3 mức, n = 18 _ L 25 (5^6) : khảo sát 6 yếu tố, mỗi yếu tố cĩ 5 mức, n = 25
* Mơ hình D _ Optimal : mơ hình yếu tố đầy đủ đặc biệt cho phép người sử dụng tuỳ ý chọn số mức cho mỗi yếu tố khảo sát. Thí dụ 3 yếu tố : 3^2 + 2^1 ⇒ n = 4.
* Mơ hình Placket Burman : mơ hình yếu tố giản lược cĩ thể khảo sát 2 – 32 yếu tố với 2 mức ( Res 3 bảo hịa).
1.8.2.2. Mơ hình liên quan nhân quả
Nếu việc thành lập cơng thức được tiến hành theo mơ hình thực nghiệm thì «mơ hình liên quan nhân quả» cĩ thể được thiết lập một cách khoa học nhờ phần mềm Formrules - sử dụng kỹ thuật thần kinh - logic mờ - chuyên đúc kết các qui luật nhân quả và trình bày dưới 3 hình thức :
- Xu hướng : cho biết mối liên quan định tính giữa các yếu tố thuộc thành phần cơng thức và từng yếu tố thuộc về chất lượng sản phẩm.
- Quy luật : NẾU (điền kiện 1) VAØ ( điều kiện 2)... THÌ (hậu quả / xác xuất) - Biểu đồ : 2 hay 3 chiều
1.8.2.3. Tối ưu hĩa thơng minh
Việc tối ưu hĩa cơng thức liên quan đến 2 loại biến số :
- Biến số độc lập (thành lập cơng thức và điều kiện tiến hành ) = X (nhân) - Biến số phụ thuộâc (tính chất của sản phẩm) = Y (quả)
Phần mềm thơng minh INForm 3.0 :
INForm 3.0 là phần mềm thơng minh gồm ba cơng cụ trí tuệ nhân tạo là mạng thần kinh (thiết lập mơ hình liên quan nhân quả, dự đốn về tính chất khi thay đổi cơng thức) và phối hợp thuật tốn di truyền với logic mờ (tối ưu hĩa cơng thức) được kết hợp hài hịa trong quá trình thiết lập mơ hình liên quan nhân quả và tối ưu hĩa. - Mạng thần kinh : thiết lập mơ hình liên quan nhân quả và dự đốn quả (Y) từ nhân (X) biết trước.
- Thuật tốn di truyền : tối ưu hĩa dựa trên mơ hình liên quan nhân quả đã được thiết lập bởi mạng thần kinh.
- Logic mờ : làm cho mạng thần kinh cĩ hiệu quả hơn trong việc thiết lập mơ hình liên quan nhân quả đối với các dữ liệu phức tạp đồng thời giúp cho thuật tốn di truyền được thuận tiện hơn trong sự tối ưu hĩa với các hàm mục tiêu trực quan.
Khi luyện mạng bởi phần mềm INFORM cĩ thể chọn : - Các thuật tốn lan truyền ngược
+ Standard Incremental : dùng yếu tố momen và tốc độ luyện, điều chỉnh trọng số sau khi mỗi mơ hình được luyện.
+ Standard Batch : dùng yếu tố momen và tốc độ luyện, điều chỉnh trọng số sau khi tất cả mơ hình được luyện.
+ RPROP : khơng dùng yếu tố momen và tốc độ luyện, luyện mạng nhanh nhất nên được ấn định mặc nhiên.
+ QuickProp : khơng dùng yếu tố momen mà chỉ dùng tốc độ luyện, cĩ tính năng vừa luyện vừa rút kinh nghiệm.
+ Angle Driven Learning : dùng yếu tố momen và tốc độ luyện, điều chỉnh trọng số trong quá trình luyện mạng.
- Hàm truyền : ngồi hàm truyền tuyến tính (Linear) cịn cĩ hàm truyền phi tuyến dạng sigmoid bất đối xứng (Asymmetric sigmoid) hay sigmoid đối xứng (Symmetric sigmoid) và dạng hyperpol (Tanh= Hyperbolic tangent).
Hình 1.5 : Minh họa hàm truyền Sigmoid và Tanh
Nhược điểm của mạng thần kinh là cĩ thể bị “luyện quá mức”. Khi đĩ mạng thần kinh tuy được luyện tốt nhưng nĩ dự đốn kém chính xác. Muốn tránh hiện tượng này người ta chia dữ liệu đầu vào làm nhĩm luyện và nhĩm thử, mơ hình từ nhĩm luyện sẽ dự đốn nhĩm thử. Giá trị R2 luyện sẽ được dùng để đánh giá tính tương thích (goodness-of-fit), thường ≥ 90%; giá trị R2 thử sẽ được dùng để đánh giá khả năng dự đốn (predictability) của mơ hình, nên ≥ 70% thì mơ hình cĩ thể chấp nhận được. Giá trị của R2 thử càng tiến tới gần 100 thì khả năng dự đốn của mơ hình càng tốt.
^ 2 1 _ 1 1 100 ( n i i i n i i i y y R y y = = − ÷ ÷ ÷ = − − ÷ ÷ ∑ ∑
Sự kết hợp mạng thần kinh và logic mờ làm tăng sự hiệu quả trong việc thiết lập mơ hình nhân quả và dự đốn, đặc biệt đối với dữ liệu : phi tuyến và rất phức tạp, định tính (25oC hay 80oC), thiếu trị số (nhập số -99999 thay vì số 0) … Thuật tốn di truyền cĩ khả năng tối ưu hĩa dựa trên mơ hình nhân quả nên nĩ được kết hợp chặt chẽ với mạng thần kinh. Logic mờ làm hàm mục tiêu giúp cho việc tối ưu hĩa cĩ thể được thực hiện một cách dễ dàng và trực quan :
T e n t U p D o w n F l a t F l a t T e n t
a b c d e
Hình1.6 :Minh họa các hàm mục tiêu áp dụng trong tối ưu hĩa: Tent (a), Up (b), Flat (d), Flat Tent (e)
* Ý nghĩa tối ưu :
- Nếu như biến phụ thuộc Y chỉ cĩ một giá trị y thì cĩ thể chọn các giá trị biến độc lập X ( x1,x2,..) sao cho giá trị Y đạt giá trị cao nhất, thấp nhất hoặc đạt theo dự tính.
- Thực tế một quy trình cĩ rất nhiều yêu cầu, tức là biến phụ thuộc Y cĩ nhiều giá trị ( y1, y2.v.v. ) thường hay mâu thuẫn với nhau. Khi ấy, cần phải tối ưu hĩa nhiều biến phụ thuộc, tức là dung hịa các giá trị x1, x2,... sao cho các giá trị y1, y2,… đạt được tối ưu (optimum) thay vì tối đa hay tối thiểu.