Машина правильная: Правильная машина для алюминиевых листов

Правильная машина для алюминиевых листов

Техническое описание

Правильная машина с шестью верхними и семью нижними роликами, парой входных тянущих роликов. В кассете по 7 роликов на каждую боковую направляющую на входе и комплект натяжных роликов, расположенных пирамидой.

Верхние правильные ролики регулируются по вертикали. Диаметр роликов– 90 мм.

Диаметр тянущих роликов – 120 мм. Ролики, расположенные пирамидой, также имеют диаметр 120 мм.

В комплект поставки входят 6 кассет с опорными роликами, общим количеством в 46 опорных роликов.

Каждая из кассет с опорными роликами регулируется индивидуально. В результате достаточно просто осуществить наладку работы правильной машины. Установка профилей задается через регулировку роликов.

Регулировка верхних роликов осуществляется посредством отдельного привода, производится через 2 редуктора с двигателями. В комплекте идет прибор предназначенный для измерения толщины правки.

Ролики

Все ролики имеют прецизионную шлифовку, но если оператор не будет следить за чистотой роликов, то могут образовываться следы на листах. Но при нанесении на алюминиевый лист защитной пленки с обеих сторон следов от роликов образовываться не будет.

Расположение редукторов и приводов.

Все ролики, как нижние, так и верхние имеют механический привод. На все 17 роликов вращение передается через редукторы. А именно:

1. Входной редуктор с двойным выходным валом с ременной передачей.
2. Редуктор, через который регулируется скорость роликов, расположенных пирамидой, а также карданных валов.
3. Редуктор с 13ю карданными валами служит для регулировки скоростей правильных роликов.
4. Комплект из 13 карданных валов и 26 карданов, редуктор для правильной машины.

Разгрузка листов из правильной машины.

Листы из правильной машины попадают на рольганг, в котором используются износостойким пластиковым покрытием ролики. Ширина рольганга - 900мм. Это обусловлено тем, чтобы была возможность лист с минимальной шириной 1000мм поднять за края, если в этом возникнет необходимость.

Система управления.

Система управления с переменной скоростью вращения вентилятора охлаждения и с кнопками пуска, остановки и аварийной остановки.

Комплект поставки:

В конструкции машины имеется комплект натяжных роликов(как верхних, так и нижних) имеющих механический привод. На трех роликах, расположенных пирамидой (пред-правильная машина) механический привод имеют только два нижних правильных ролика.

В PDF файлах, которые прилагаются к письму, есть чертежи, разработанные специально для Вашего предприятия.

Питающее напряжение правильной машины будет стандартным - 380В, 3-фазным, с напряжением управления 24В переменного тока.

Проект правильной машины, подача слева направо.

  1. Пред-правильная машина, ролики, расположенных пирамидой, и натяжные ролики (опционально)
  2. Боковая направляющая на входе
  3. Правильная машина
  4. Рольганг на выходе
  5. Расположение редуктора согласно предоставленному компоновочному чертежу: двигатель и приводные ремни, идущие к редуктору главного привода, редуктор главного привода соединяется с редуктором роликов расположенных пирамидой и тянущих роликов, а затем соединяется с многопозиционным редуктором на правильную машину. Карданные валы используются везде.

Правильная машина состоит:

Машина правильная - Энциклопедия по машиностроению XXL

Создание новых конструкций машин, правильная их эксплуатация и ремонт могут быть обеспечены только при наличии высокоразвитой науки о машинах.  [c.5]

Счетно- решающие Решение математических задач Электронно-вычислительные цифровые и аналоговые машины Правильность решений  [c.30]

Информация из сферы эксплуатации является тем каналом обратной связи, который воздействует на процесс проектирования и производства машины (см. рис. 71), вносит в него коррективы из условия создания изделий с требуемыми показателями надежности. Эта информация позволяет также оценивать методы и условия работы, ремонта и технического обслуживания машин, правильность организации сложного процесса эксплуатаций машин,  [c.530]


В дополнение к теоретическому расчету применяют экспериментальные исследования, с помош,ью которых уточняют движение потоков газа в лопаточных машинах. Правильно поставленный эксперимент позволяет использовать в расчетах полученные данные, что значительно упрощает расчет машины в целом. На основе теоретических расчетов и данных эксперимента удается выработать ряд практических рекомендаций по выбору геометрических форм профиля лопаток, обеспечивающих течение газа с высоким к. п. д.  [c.222]

Структурная схема наглядно показывает взаимосвязь между работой отдельных механизмов и их управлением. Это позволяет при дальнейшей конструкторской разработке и при расчете цикловой диаграммы машины правильно установить требования для совместной работы этих, непосредственно связанных между собой, механизмов.  [c.344]

В системе экономических показателей находит конкретное выражение экономическая эффективность сдвигов в качестве машин. Правильный расчет этих показателей необходим для определения цен, прибыли, фондов стимулирования и т. д., поэтому необходимо уточнить указанные расчеты и, прежде всего, определение себестоимости.  [c.182]

Машины правильные — Технические характеристики 281, 283 Механизмы транспортирующие — Технические характеристики 282, 283 Модуль гибкий производственный 172,  [c.478]

Конкретными путями совершенствования конструкций и облегчения машин являются совершенствование конструктивных схем машин правильный расчет на прочность рациональный выбор исходного материала создание более технологичных конструкций изменение структуры производимого оборудования.  [c.178]

В закрытых машинах правильные ролики расположены на валу между двумя стойками станины. Смена роликов происходит путём выдвижения передней стойки станины вперёд.  [c.711]

Машины правильно-растяжные роликовые правильные От +0,5 до 1 Листы толшиной до 0,6 мм и тонкая мягкая проволока Прутки и заготовки диаметром, цо 200 мм  [c.173]

Если лопасти в сечении их цилиндром имеют искривленную поверхность, то вода на них повертывается более или менее плавно, и машина приближается к турбине. Если такой разрез прямолинеен, то работа производится преимущественно ударом, и машину правильнее называть водяным колесом.  [c.50]

Очень важно при проектировании деталей машин правильно определить величину сил, действующих на отдельные элементы, и возможные перегрузки при неблагоприятном сочетании сил в условиях нормальных режимов работы машин.  [c.12]


Правка изгибом производится на правильных прессах и в роликовых правильных машинах. Правильные прессы бывают вер-  [c.93]

При испытании на холостом ходу проверяются -все включения и переключения органов управления машины, правильность их взаимодействия и безотказность, а также осуществляется проверка правильности работы подшипников, зубчатых передач и других соединений.  [c.445]

Создание определенных положений деталей в машине (правильность базирования). На рис. 154, а изображена конструкция сопряжения детали 2 с корпусом 1 на резьбе, при котором нельзя гарантировать соосности этих деталей. Если такие требования по техническим условиям предъявляются, то для получения соосности де-  [c.439]

Машины правильно-растяжные - Очень тонкие листы (толщиной 0,3—0,6 лш) и тонкая мягкая проволока  [c.137]

Управлять краном, применяя передовые методы работы, при подъеме, перемещении и опускании груза по установленным сигналам с соблюдением правил техники безопасности, и автомобилем в различных дорожных и климатических условиях. Определять пригодность канатов, такелажных приспособлений, правильность строповки грузов, а также определять по внешнему виду примерную массу поднимаемого груза.

Оценивать экономику в эксплуатации машин. Правильно эксплуатировать аккумуляторные батареи и автомобильные шины  [c.482]

Самое широкое распространение в машиностроении имеют металлы и сплавы, различные по своим свойствам, изучение которых позволяет наиболее разумно выбирать материал для изготовления деталей машин, правильно рассчитывать их на прочность, выбирать наиболее экономичный способ обработки и рассчитывать производительные режимы резания.  [c.5]

В основу книги положена работа автора [11], которая переработана и дополнена последними исследованиями в этой области. Книга поможет конструктору, занимающемуся проектированием или модернизацией металлорежущих станков и машин, правильно выбрать, рассчитать и спроектировать передачу.  [c.3]

Экономичность машины при ее эксплуатации зависит от следующих факторов соответствия конструкции машины тем законам, на которых основано ее действие материала и тщательности выполнения частей машины правильности монтажа внимательного ухода за машиной, что влияет на эксплуатационные расходы во время ее работы и на долговечность.  [c.6]

Максимальное использование машин, правильная их эксплуатация, увеличение сроков службы возможны только при хороших знаниях у обслуживающего персонала.  [c.3]

Определение перечисленных кинематических характеристик производится в пределах одного периода (цикла) установившегося движения механизма для нескольких положений, что дает возможность с достаточным приближением решить поставленную задачу. Без знания упомянутых кинематических параметров конструктор не может решать дальнейшую задачу о рациональном подборе размеров. Так, например, траектории некоторых точек механизма нужны для определения хода звеньев, очертания контура машин, а также для установления соответствия движения рабочих звеньев машины правильной последовательности технологического процесса.  [c.82]

Создание определенных положений деталей в машине (правильность базирования). На рис.

66, а изображена конструкция сопряжения детали 2 с корпусом i на резьбе, при котором нельзя гарантировать соосность этих деталей. Если такие требования по техническим условиям предъявляются, то для получения соосности деталей следует при изготовлении детали 2 сделать центрирующий буртик (рис. 66, а). Неправильным является также базирование при сборке на две базы 3 я 4 (рис. ё6, б) и по всему профилю деталей (рис. 66, в).  [c.207]

Привод, т. е. двигатель и силовая передача, является одной из основных частей любой машины. Правильный выбор типа привода, его рациональная компоновка и проектирование в значительной степени определяют возможность получения наиболее благоприятных технико-экономических и эксплуатационных характеристик будущей машины, предназначенной для выполнения тех или иных технологических операций. Однако, несмотря на безусловную важность указанных вопросов, в технической литературе практически отсутствуют справочно-методические издания, исключающие необходимость поиска основных данных по расчету и конструированию элементов привода в многочисленной литературе по отдельным видам привода или передач. Именно это обуславливает целесообразность издания настоящего справочника.  [c.5]


Еще в 1890 г. основные методические положения по расчету сопряжений машин на изнашивание были сформулированы профессором Московского высшего технического училища П. К- Худяковым [187]. Пользуясь введенным им понятием напряжение изнашивания /С , проф. П. К- Худяков дал численные значения этой величины для различных трущихся пар и указал условия, влияющие на скорость изнашивания различных сопряжений и на распределение износа по поверхности трения. Им было указано на необходимость применения напряжений изнашивания во много раз меньше, чем напряжения смятия на покоящемся стыке. Он подчеркнул, что равномерное распределение напряжения изнашивания по поверхности стыка всегда желательно, так как при этом можно достигнуть равномерного снашивания стыка и получить возможность поддержания в машине правильных геометрических и кинематических соотношений .  [c.260]

Правильно установить и надежно закрепить ножи на фрезе машины. Правильность установки ножей проверяется с помощью линейки, прижатой рабочим ребром к неподвижной опоре рубанка.  [c.201]

На универсальных точечных машинах МТП-75 и МТП-150 с нормальными электрододержателями возмож, на сварка корытообразных сечении глубиной не более 250—270 мм. Для сварки на этих машинах узлов корытообразного сечения с более высокими вертикальными стенками на Брянском паровозостроительном заводе применены верхний и нижний электрододержатели специальной конструкции (рис. 40). Верхний электрододержатель с закрепленным электродом имеет увеличенную против нормальной длину и в связи с этим (для сохранения прочности) — увеличенный диаметр. Нижний электрододержатель—литой, Г-образной формы, располагается под нижней консолью машины. Правильное положение верхнего электрода по отношению к нижнему достигается осевым смещением консолей нижней на 50—55 мм в сторону машины, а верхней на 50—55 мм от машины, что обеспечивает расстояние между торцами консолей в 100—110 мм.  [c.67]

Эффективность кислородной резки зависит от конструктивных особенностей машин, правильного назначения технологических режимов механизации вспомогательных работ, применения передовых методов и приемов работы на этих машинах.  [c.3]

При серийном и массовом производстве приборов, аппаратов и машин правильный выбор допуска имеет очень большое значение. Допуски определяют точность изготовления отдельных деталей,. сборки узлов и изделия в целом. Несоответствие между допусками и заданными техническими условиями, определяющими требующуюся точность изделия, приводит или к излишнему ужесточению допусков на детали, или к применению различных пригонок и доделок при сборке. И то, и другое требует более высокой квалификации рабочих, удлиняет производственный цикл, удорожает изделие, сокращает производственную мощность предприятия. Отсюда ясно то большое значение, которое имеет правильный расчет допусков для получения соответствия между ними и техническими условиями на изделия в целом.  [c.167]

Многовалковые машины. Правильная машина для правки листов распространенной конструкции имеет семь горизонтальных валков, вращающихся в подшипниках, расположенных в двух боковых литых стойках последние скреплены между собой поперечными траверсами из двутавровых балок (фиг. 1). Валки в одном или  [c.265]

Линейный наладчик должен хорошо знать особенности машин, которые он обслуживает, свободно ориентироваться в работе всех механических и электрических узлов, представлять себе их взаимозависимость, возможность регулировки, допустимую степень износа деталей. Наладчик должен уметь выполнять операции сварки на обслуживаемых им машинах, например, сварку оплавлением и сопротивлением на стыковых машинах, правильную установку деталей в приспособления при точечной сварке, управлять перемещающимися приспособлениями при шовной сварке, свободно манипулировать сварочными клещами и т. п.  [c.166]

Нефтепродукты на складах учитывают в килограммах. Для определения количества нефтепродуктов рекомендуется пользоваться весами, тарированной мерной посудой, маслораздаточными дозирующими насосами. При измерении нефтепродуктов в объемных единицах перевод их в килограммы проводят по фактической плотности нефтепродукта, определяемой ежедневно неф-теденсиметром (это ареометр, объединенный с термометром). Расходуемые смазочные материалы при заправке машин измеряют взвешиванием в раздаточных емкостях или мерной посудой. Количество и название выданного нефтепродукта записывают в раздаточную ведомость в подотчет водителям и машинистам машин. Правильность записи подтверждает подпись водителя или машиниста машины. Учетчик-заправщик обязан перед началом смены и в конце ее измерить количество топлива в баках машин. Данные о количестве отпущенного топлива, об остатке его в начале и конце смены и фактическом расходе в сопоставлении с действующими нормами расхода учетчик-заправщик записывает в учетный лист машиниста или путевой лист водителя. В эти же листы записывают количество израсходованных при заправке смазочных масел. Учетные листы сдают в бухгалтерию в конце декады, а путевые — ежесменно или после рейса. Учет выданного топлива и смазочных материалов для работы теплогенераторов, двигателей внутреннего сгорания и т. д. проводят по раздаточной ведомости или требованию-накладной.  [c.275]

Для условий эксплуатации практически важным является понятие работоспособного технического состояния машины. Машина работоспособна, если она может выполнять все заданные функции с сохранением значений заданных оараметров в требуемых пределах. Убеждаться в работоспособности машины необходимо при профилактике, после транспортирования а хранения. Для этапа применения по назначению существенным является понятие технического состояния, правильного функционирования машины. Правильно функционирующей является машина, значения параметров (признаков) которой в текущий момент применения находятся в требуемых пределах.  [c.166]

Перед началом укладки бетонной смеси и ее уплотнением необходима настройка основных рабочих органов бетоноотделочной машины. Правильность настройки характеризуется следующими признаками в процессе работы перед уплотняющим вибробрусом образуется равномерный валик бетонной смеси высотой 8—10 см, а перед диагональными выравнивающими вибробрусьями— валик раствора высотой 1 — 3 см.  [c.187]


Грузоподъемные машины являются одним из важнейших средств механизации производственных процессов всех отраслей народного хозяйства. Наличие большого количества конструктивных типов грузоподъемных машин вызвано как разнообраз1ием видов И свойств перемещаемых грузов, так и обилием способов их перемещений. От рационального выбора типа грузоподъемных машин, правильного определения основных параметров и хорошо организованной эксплуатации этих машин в значительной мере зависит стабильность производственного процесса и производительность предприятия.  [c.3]

Привод, т. е. двигатель и передача, является одной из основных частей любой машины. Правильный выбор типа привода, его рациональная компоновка и проектирование в значительной степени определяют возможность получения наиболее благоприятных технико-экономических и эксплуатационных характеристик будущей машины. Однако несмотря на безусловную важность указанных вопросов в технической литературе практически до последнего времени отсутствовали спра-вочно-методические издания, исключавшие необходимость поиска основных данных по расчету и конструированию элементов привода в многочисленной литературе по отдельным видам привода и передач. Именно это обусловило выпуск первого издания справочника в 1975 г. С мо.мента выхода в свет указанного издания прошло значительное вре.мя, в течение которого практически полностью изменился тип выпускаемых электродвигателей, мотор-редукторов, редукторов общего назначения и другого оборудования введены в действие новые нормативы расчета зубчатых передач по ГОСТ приведены расчеты планетарных и волновых передач. В связи с указанным второе издание справочника существенно изменено и дополнено.  [c.5]

Подробные данные относительно оборудования и эксплоатации прокатных станов, волочильных машин, вспомогательных машин, правильных машин, печей, молотов и прессов, а также о чугунолитейном производстве, см. Hutte, Справочник для металлургов, 4 изд., 1930.  [c.1041]

Поточные калибровочные линии для производства калиброванной стали изготовляет фирма Шумаг , ФРГ. Основными агрегатами линии являются цепные волочильные станы моделей К-РР-1В (6560), К-РР-ПВ (10060) и другие с тяговым усилием до 230 кн (23 Т), на которых осуществляют волочение как из бунтов, так и из штанг. Готовая продукция может быть получена в ви-де-прутков или в бунтах. Калибровочная линия начинается с устройства для предварительной роликовой правки исходного металла, с которого предварительно удаляли окалину дробеструйной обработкой илн травлением. Затем следует волочильный стан (в случае калибровки нз штанг перед станом предусмотрено гидравлическое заталкивающее устройство, а из бунтов — острильная машина), правильное устройство, агрегат поперечной резки (летучие ножницы или пилы) на мерные отрезки, правильно-полирующая бесцентровая машина и увяз-чик (для прутков) или намоточный механизм (для бунтов).  [c.175]

Машинная правка листового и сортового металла производится на специальных правильных машинах правильных вальцах и прессах. Машины для правки прокаткой, в которых рабочими органами являются валки, называются правильными валБцами машины для правки давлением называются прессами. Правильные прессы изготовляются с гидравлическим или механическим приводом. По расположению пуансона, передающего давление на выправляемый материал, прессы подразделяются на горизонтальные и вертикальные.  [c.82]

Правильные машины. Правильные машины относятся к оборудованию заготовительных цехов металлообрабатывающих заводов и весьма часто используются в заводских складах металла. П. м. правят или рихтуют металл до раскроя и пуска его в дальнейшую обработку в тех случаях, когда поступающий на склад металя (напр, листы, полосы или прутья железа, красной меди, латуни) имеет неправильную поверхность или изогнут. Такого рода явления неправильной поверхности или искривления ее имеют место вследстврхе неравномерного нагревания и остывания металла, особенно листового, в прокатных цехах в процессе производства или в результате применения специфических методов упаковки металла на прокатных заводах. Так, листовая красная медь транспортируется в свернутом в пакеты виде, то же относится к стальной проволоке (бухты) и т. п. Сюда же относятся и дефекты при транспортировании. Правильные мапшны применяются также для восстановления бывшего уже в употреблении металла для повторного использования его, напр, использование проволоки стержневых каркасов в литейных цехах. Т. о. правильные машины находят применение в цехах железо- и меднокотельных, металлич. конструкций, механических (правка прутков круглого металла для револьверных станков и автоматов), в литейных (как в самих цехах, так и в складах металла при них) для правки проволоки стержневых каркасов и на прокатных з-дах (правка изготовленных листов, прутков и т. д.).  [c.265]


Роликовые правильные машины для правки прутков (ZDAS)

Прутко правильные машины

Основным типом для правки пруткового металла являются двухвалковые правильные машины XRK 2 и девятивалковые правильные машины XRK 9. Новинкой является десятивалковая правильная машина XRK 10, которая подходит для более качественной правки прутков с большим диаметром. От указанных выше основных типов отводятся специальные правильные машины,к которым относятся двухвалковая правильно-полировальная машина, семивалковая правильная машина, подходящая для правки больших диаметров прутков или для предварительной правки и пятнадцативалковая правильная машина XRK 15, предназначенная для больших диапазонов правленых диаметров. Указанные количества рабочих валков не являются окончательными и зависят от состава материала, требуемого качества правки, рабочей производительности, или других заданных параметров линии.

Трубоправильные машины

Правка труб – это специфическая операция, во время которой параметры правильных машин отводятся от диаметра труб, толщины их стен и типа материала. Основным типом является шестивалковая правильная машина XRK 3-3 с приводом всех валков. Вариантом является десятивалковая правильная машина XRK 5-5, также с приводом всех валков.

Косовалковые правильные машины ЖДЯС изготавливаются под обозначением XRK:

  • Количество правильных валков: 2–16
  • Правленый прутковый материал диам.: 5–350 мм
  • Правленые трубы диам.: 6–400 мм
  • Длина правленого материала: 3–15 м
  • Достигаемая производительность: по заданию заказчика

Оборудование правильных линий

Правильные машины XRK стандартно являются составной частью правильных линий ЖДЯС. Эти линии поставляются с манипуляционными

средствам:

  • Распределение прутков из пучков
  • Входные и выходные желоба
  • Подающие и выдергивающие устройства
  • Сборные карманы

Все оборудование предлагается с учетом на достижение максимальной продукции, безопасной эксплуатации, понижение шума и низкие требования к уходу. Долговременный опыт техников АО ЖДЯС с поставками десяток линий и непрерывное развитие нового оборудования гарантируют параметры высшего уровня и долгий срок службы предлагаемого оборудования.

Преимущества правильных машин Ждяс:

  • Высокая жесткость, надежная эксплуатация, нетрудное обслуживание и уход
  • Высокое качество правки без повреждения правленого материала
  • Долгий срок службы рабочих валков с возможностью их возобновления
  • Экологическая и безопасная эксплуатация, обеспеченная шумоза щитными кожухами и отсасыванием пыли и окалины

Конструктивное решение исходит из многолетнего опыта рабочего коллектива АО ЖДЯС и используемый материал и составные детали соответствуют наивысшим критериям, требуемым в данной отрасли.

Машина правильная приводная / Компания БОРА

Данное устройство предназначено для выравнивания рулонной кривизны и снятия внутренних напряжений листового или рулонного металла.

Применяемый металл:

Сталь 08 ПС (ХП), 08 Ю по ГОСТ 14918-80; прокат листовой по ГОСТ Р 52246-2004; марки проката200-280, 320 по ГОСТ Р 52246-2004;
масса цинкового покрытия 100…275 г/м²; предел текучести 200…350 Н/мм²; полимерное покрытие по ГОСТ Р 52146-2003.

Параметры обрабатываемого металла (рулона):

- ширина исходного листа – 200 - 625 +5 мм
- толщина исходного металла – 0,4….2,0 мм

состав:
1. Станина с электроприводом на виброопорах 6. Направляющий стол с регулируемыми направляющими
2. Пара приводных подающих валков с ручным механизмом разведения 7. Выходной поддерживающий ленту рольганг
3. Нижняя плита с 10-ю правильными валками и двумя поддерживающими блоками контр валков 8. Электрошкаф управления с частотно регулируемым приводом
4. Верхняя плита с 9-ю правильными валками и двумя поддерживающими блоками контр валков 9. Управляющая приводом штанга для работы в составе линии (управление приводом по петле провисания ленты)
5. Два ручных привода с индикаторами для регулировки сведения верхних правильных валков по отношению к нижним. Схема правки - "клиновая"

Технические характеристики:
Габариты (ДхШхВ) - 1800х1300х1400 мм
Масса, не более кг. - 2000
Количество правильных валов шт. - 19 (с термообработкой)
Диаметр правильных валов мм - 40
Система контр валков - есть
Количество подающих валов шт. - 2
Скорость подачи, не более м/мин. - 25
Установленная мощность, не более кВт - 5,5
Плоскостность листа на 1 м.п. по ГОСТ 19904-90 - «Особо высокая»

Стоимость оборудования:

Машина правильная приводная 19-ти валковая  -  по запросу

Двух-валковая правильная машина 2ВПМ-10-100 для правки прутков и труб в горячем состоянии

Технические характеристики

2-х валковой правильной машины 2ВПМ-10-100

с печью для нагрева выправляемого изделия.

Двух-валковая правильная машина 2ВПМ-10-100 предназначена для высокоточной правки прутков как в нагретом, так и в холодном состоянии круглого проката (прутков и труб) диаметром от Ø10 мм до Ø100 мм из черных, цветных металлов и их сплавов, а так же специальных сплавов и материалов.

Двух-валковая правильная машина 2ВПМ-10-100 предназначена для серийного, мелкосерийного производства и выполнения разовых заказов.

Настройка правильной машины на другой размер очень проста и производится поворотом и перемещением верхнего нажимного валка. Настройка изменения радиуса изгиба производится путём настройки нижнего валка на требуемый угол наклона оси нижнего валка относительно оси правки. Положение валков показывают электромеханические устройства с цифровой индикацией.

При правке контролируется нагрузка на электродвигатели, скорость правки и число выправленных изделий.

Плавное регулирование скорости правки от 50% до 125% от номинальной скорости.

Кривизна выправленных изделий на выходе соответствует допускам, установленным на изделия, применяемые в производстве на автоматах.

Правильная машина может работать в автоматическом режиме с управлением от компьютера, в циклическом режиме по команде оператора или в ручном режиме.

На рисунке показана правильная машина 2ВПМ-10-100, ограждение карданных валов и тянущих роликов условно не показаны.

№№ п/п

Характеристика

2ВПМ-10-100

1

Диапазон выправляемых изделий, диаметр, мм.

Æ10 - Æ100

2

Кривизна выправленных прутков на выходе, не более, мм/м

1

3

Количество правильных валков, шт.

2

4

Длина приёмного и выходного стеллажа, мм

6000

5

Высота оси правки, мм

1100

6

Номинальная скорость правки, м/мин

29

7

Установленная электрическая мощность, кВт.

125

8

Напряжение питающей сети, Вольт.

380

9

Давление воздуха, Бар.

6

10

Габариты правильного блока:

Длина (вдоль оси правки), мм

Ширина (поперёк оси правки), мм

Высота (над отметкой 0,000), мм

4880

1608

2390

11

Габариты нагревательной печи:

Длина (вдоль оси правки), мм

Ширина (поперёк оси правки), мм

Высота (над отметкой 0,000), мм

8000

7000

2400

12

Максимальная температура нагрева в печи, °С

950

13

Электрическая мощность печи, кВт

300

14

Точность регулировки температуры в печи, °С

±10

15

Размеры площадки под правильную машину вместе с печью:

Длина (вдоль оси правки), мм

Ширина (поперёк оси правки), мм

28000

14000

16

Масса оборудования (без массы печи), тонн

28,3

С оборудованием поставляется:

-    Расходные материалы для эксплуатации оборудования в течение одного календарного года;

-    Паспорт на оборудование;

-    Инструкция по эксплуатации и настройке;

-    Карта смазки и обслуживания оборудования;

Правильная машина при ее установке не требует устройства специальных фундаментов.

Правильная машина 2ВПМ-10-100 соответствует всем нормам и требованиям по охране труда, промышленной, пожарной и экологической безопасности действующим в Российской Федерации.

По техническому заданию Заказчика может быть разработана и изготовлена правильная машина для правки нужных материалов и сплавов под необходимый диапазон размеров.

Машины правки растяжением

1. Общее описание

1.1 Общее

Данная спецификация содержит информацию по инженерно-техническому проектированию, техническому применению, объему поставки, механическому оборудованию, монтажным работам для Линии Правки ENCE GmbH.

Инженерно-техническое проектирование, выполняемое Поставщиком, будет на самом последнем и современном уровне технологии.

Данный проект будет выполнен компанией ENCE GmbH

1.2 Базовый концепт

Данная спецификация включает условия для проектирования, объем поставки, спецификацию оборудования, условия для производства, инспекцию, поставку, шеф-монтаж и т.д., чтобы улучшить качество продукции Линии Правки.

1.3 Строительство

Все машины, входящие в состав Линии Правки, спроектированы и изготовлены Производителем в его цехе.

Некоторое вспомогательное оборудование, которое не вовлечено напрямую в производственный процесс, и детали, которые легко могут быть найдены на рынке, производятся по оригинальным чертежам Производителя квалифицированными строителями.

2. Предварительные условия

2.3 Технические Данные

2.3.1. Данные по плите

Спецификация исходного материала и продукции

2.3.2. Данные по правильной машине

3.
Объем поставки

3.1. Определение

1) Базовое проектирование (сокращение БП)

Базовые Данные - это проектные работы для определения общей спецификации, которая должна быть основной для базового дизайна и детальных проектных работ.

а) Рабочие характеристики

b) Общие схемы расположения, включая секционные чертежи, требуемые, чтобы показать базовую конфигурацию

c) Схемы расположения оборудования с информацией по размерам и нагрузкам для фундамента и зданий

d) Общая схема

e) Руководство по строительству, эксплуатации и техническому обслуживанию

2) Базовый дизайн (сокращение БД)

Означает проектные работы для определения в соответствии с базовым планом или возможно со спецификацией базового проектирования и базовыми чертежами (включая проектирование схемы расположения, габаритно-присоединительные чертежи, схемы, расчетные листы, примерный список материалов при необходимости), которые должны быть основными для детального проектирования и работам по детальным чертежам.

а) Архитектурные работы

(1) Общая схема расположения
(2) Детальные чертежи общей схемы расположения здания I, включая вид сверху, высотные отметки и секции
(3) Выбор точного размера формы листа
(4) Пешеходная дорожка, лестница, принимая во внимание приблизительные расчеты по эксплуатации, техническому обслуживанию и наблюдению конструкции согласно условиям нагрузки
(5) Данные для вентиляции, нагрева, кондиционирования воздуха и трубопровода.
( Чертеж, Расчетный лист и схема системы)
(6) Данные для отверстий по эксплуатации и техническому обслуживанию (дверь, окно, заслонка, жалюзийная решетка и т.д.)
(7) План освещения
(8) Данные для противопожарных устройств
(9) Опоры или кронштейн для трубопровода
(10) Данные по допуску и зазору для строительства, монтажа, эксплуатации и технического обслуживания
(11) Специальная спецификация для архитектурных работ, принимая во внимание температуру, влажность, шум, газ, огонь, нагрев и т. д.

b) Строительные работы

(1) Общая схема расположения
(2) Детальные чертежи-инструкции
(3) Детальные чертежи-инструкции – означает все детальные формы фундаментного чертежа, бетонные площадки, траншеи, отверстия для трубопровода и кабелей, анкерный ящик или болты и т.д. Работы не включают расчет конструкции бетонного фундамента, деталировочные чертежи и производственные чертежи для бетонных работ.

(4) Условие нагрузки оборудования и машин

(a) Статическое усилие
(b) Динамическое усилие с вибрацией
(c) Данные по нагрузке на пол
(d) Схема нагрузки согласно механическому и электрическому оборудованию
(e) Условие нагрузки трубопровода

(5) План закладных деталей

(a) План плит настила (пола)
(b) План плит для покрытия траншей, канализационных труб, лестниц, платформ и др.
(c) Местоположение и габаритные размеры закладных деталей в бетоне

(6) Специальная спецификация для фундамента

(7) Руководство для земляных работ

(8) Выбор типа фундамента

с) Работы по прокладке трубопровода

(1) Общая схема расположения
(2) Схемы, включающие маршрут
(3) Тепловое и гидравлическое равновесие
(4) Руководство для кронштейнов, опор, фиттингов, клапанов и т.д.
(5) Примерный список материалов
(6) Спецификация для материалов

d) Другое

(1) Инспекционные и тестовые процедуры
(2) Руководство по антикоррозионным мерам и покраске для каждого вида оборудования

3) Детальное проектирование (сокращение ДП)

Означает, в соответствии с указанным базовым дизайном, все работы по проектированию, включая общие чертежи расположения, деталировочные чертежи и список материалов, дающие всю необходимую информацию для производства, монтажа, закупки или изготовления дополнительных рабочих чертежей производителем.

а) Строительные и архитектурные работы

Детальное проектирование должно включать все деталировочные чертежи, производственные чертежи, монтажные чертежи и спецификацию, требуемую для строительства, а также должна включать в себя расчеты для проверки безопасности конструкции.

b) Механическая часть

Детальное проектирование должно включать деталировочные чертежи со всеми размерами. Качество поверхностей, допуски механической обработки, вид материалов и список материалов. Эти чертежи могут быть использованы для закупки, изготовления в цехе или изготовления рабочих чертежей.

с) Трубопровод

Детальное проектирование должно включать деталировочные чертежи с видом сверху, высотными отметками и детальным видом в разрезе, указывающие все размеры труб, расположение и обозначение фиттингов и опор, а также список материалов. Эти чертежи могут быть использованы для закупки, производства на месте или изготовления рабочих чертежей.

(1) Поставщик предоставит детальное проектирование, выполненное для монтажа соединительного трубопровода, что означает всю установку трубопровода, хотя материалы для трубопровода поставляются покупателем для всего спроектированного поставщиком оборудования для изготовления продукции завода с расположением внутри или снаружи здания завода.

(2) Поставщик предоставит базовый, а также схематичный план расположения, который будет указывать маршруты и размеры для всего трубопровода цеха, что означает установку трубопровода для различного применения, не относящегося напрямую к продукции этого завода.

d) Стальные конструкции

Детальное проектирование должно включать в себя деталировочные чертежи с видом сверху, высотными отметками и детальным видом в разрезе, указывающие все размеры конструкций, места сверлений, сварки и список материалов. Эти чертежи могут быть использованы для закупки, производства в цехе или на месте или для изготовления рабочих чертежей.

e) Кабельные желоба

Детальное проектирование должно включать деталировочные чертежи с видом сверху, высотными отметками и детальным видом в разрезе, указывающие все размеры, расположение и обозначение опор и список материалов. Эти чертежи могут быть использованы для производства в цехе или на месте или для изготовления рабочих чертежей.

3.2. Распределение списка объема поставки

Какое-либо оборудование, материал и необходимое проектирование будет предоставлено Поставщиком в соответствии со списком объема поставки, прилагаемого далее, чтобы разъяснить каждую сферу ответственности и обязанности по контракту между Заказчиком и поставщиком.

Вопросы, не описанные в этом списке, будут определяться посредством переговоров между обеими сторонами.

1) Датчики (т.е. концевой выключатель, бесконтактный выключатель) для механического оборудования будут поставляться Поставщиком.
2) Детальное разделение объема поставки

4. Спецификация оборудования

4.1. Механическое оборудование

4.1.1. Цепной конвейер на входе

4.1.2. Входной рольганг

4.1.3. Правильный пресс 500 тонн

В случае, если толщина заготовки составляет 49..90 мм, правка производится прессом, а после правильной роликовой машиной. При толщине заготовки 20…49 мм, правка производится на роликовой правильной машине.

4.1.4. Средний рольганг №1

4.1.5. Переносное устройство

4.1.6. Средний рольганг №2

4.1.7. Центрирующее устройство

4.1.8. Магнитное подъемное устройство

4.1.9. Ролик вверх/вниз

4.1.10. Правильная машина

Базовая спецификация

1) Роликовая рама

Тележка верхнего ролика прикрепляется к верхней раме посредством гидравлических цилиндров.
Тележка нижнего ролика закреплена на нижней раме посредством системы бокового зажима, 4 колеса оборудованы для смены роликов.
Используется сварная станина для размещения выше указанного оборудования, такого как тележка ролика, верхняя рама, балансировочные цилиндры. И устройство подъема роликов, оборудованное износостойкими входными направляющими пластинами на внутренних сторонах.
Верхняя рама опирается и уравновешивается посредством гидравлических цилиндров, направляемых поверхностями скольжения колонн. Позиция верхней рамы регулируется основным прибором настройки стыковки.
Верхний ролик в сборе прикрепляется к верхней раме посредством гидравлических цилиндров. Нижний ролик в сборе закреплен на нижней раме и лежит непосредственно на базовой раме (корпусе).
Гидравлическое подъемное устройство для тележки предоставляется в базовой раме, чтобы не нагружать 4 колеса и поддержать нижнюю раму на базовой раме непосредственно во время правки.

Эта система роликовой рамы состоит из следующих позиций.

Материал: сварная конструкция
Толщина плиты ≥ 40 мм 17ГС или аналог
Толщина плиты < 40 мм 4пс или 17ГС или аналог

2) Основная Рама Линии Правки

Основная клеть состоит из верхней части, колонн и нижней рамы, изготовленной из свариваемой стали, они затянуты посредством соединительных стержней.
Верхняя рама поддерживается и уравновешивается посредством гидравлических цилиндров, направляемых поверхностями скольжения колонн. Позиция верхней рамы регулируется основными цилиндрами (настройка стыковки).
Верхний ролик в сборе прикрепляется к верхней раме посредством гидравлических цилиндров. Нижний ролик в сборе закреплен на нижней раме болтами и гайками.
Окалина на раме нижнего ролика выходит из машины в яму для окалины.

Основная рама состоит из позиций из следующих материалов

3) Система ролика в сборе

Тележка ролика будет поставляться только одним комплектом для первоначальной загрузки.

(1) Правильные ролики (Основные правильные ролики)

Подставки верхних роликов подтягиваются вверх тарельчатыми пружинами, чтобы верхние правильные ролики продолжали контактировать с опорными роликами.

(2) Прижимные ролики

Эти ролики устанавливаются на обеих сторонах – входной и выходной – правильной машины, чтобы позиция роликов захватной пластины независимо регулировалась двигателем переменного тока.

(3) Опорные ролики

Два резьбовых ролика оборудованы на входе и выходе из Машины Холодной Правки, образуя мост на дистанции между рольгангом и правильными роликами.

4) Роликовая тележка для Режима ожидания

Один комплект роликовой тележки для режима ожидания состоит из опорных роликов.
Правильные ролики и подшипник для режима ожидания поставляется Поставщиком.

Эта роликовая тележка для режима ожидания состоит из следующих позиций.

5) Прибор настройки стыковки верхних валков

Функция автоматической регулировки стыковки.
Эта функция регулировки данной Линии Правки будет спроектирована для механической регулировки верхних правильных роликов с Системой компенсации отклонения рамы.
Верхний ролик № 1 и верхний ролик № 11 будут регулироваться предварительной установкой и контролем нагрузки механизма индивидуальной регулировки стыковки.

- Применение

- Прибор настройки стыковки

- Максимальная высота просвета между верхними и нижними правильными роликами 150 мм макс. для легкого технического обслуживания правильных роликов.

Стопорный штифт предоставляется для безопасного технического обслуживания роликов.

6) Устройство создания бочкообразности (Опция)

7) Основной привод роликов

3 шестерни и 3 зубчатых редуктора соединены зубчатыми муфтами. Корпус и крышка изготовлены из свариваемой стали. Вал и шестерни изготовлены из кованой стали и установлены на подшипниках качениях. Зубчатые передачи и шестерни, прецизионные, спирального типа, закаленные и отшлифованные.

(2) Редуктор

Привод правильной машины обеспечивается зубчатым редуктором, соединенным износостойкими предохранительными муфтами.

- Зубчатые редукторы
Шестеренная клеть и зубчатый редуктор соединяются посредством предохранительных муфт.
Корпус и крышка изготовлены из свариваемой стали.
Вал и шестерни изготовлены из кованой стали и установлены на подшипниках качениях.
Зубчатые передачи и шестерни, прецизионные, спирального типа, закаленные и отшлифованные.

- Муфта двигателя

Муфты зубчатого типа между приводным двигателем и редуктором – 3 шт.

(3) Карданный вал

11 шт. стандартных карданных валов для подсоединения правильных роликов к главному приводу, с муфтами зубчатого типа на стороне правильных роликов и фланцами на стороне шестеренной клети.

(4) Опора карданного вала

Облегчает смену роликов
У этого устройства нет какого-либо зажимного приспособления.
Тип: свариваемая сталь.

8) Система смены роликов

Устройство смены роликов предоставляется для демонтажа и повторного монтажа полного комплекта правильных роликов. Это устройство состоит из подъемного устройства карданного вала, которое установлено на корпусе правильной машины, и устройства смены роликов, прикрепленному к фундаменту, с тележкой и Гидравлическим цилиндром.

- Укрепление верхней рамы

Когда роликовая тележка должна быть заменена, никакие разделители не ставятся между двумя роликовыми рамами верхних и нижних роликов, чтобы обеспечить постоянное межосевое расстояние независимо от диаметра роликов.

Постоянное межосевое расстояние должно сохраняться посредством ограничения балансировочных цилиндров.
Разделение полного комплекта роликов.
Рама верхнего ролика отделяется от держателя рамы верхнего ролика и помещается на раму нижнего ролика.
Муфты зубчатого типа, которые прикрепляются к фланцам карданного вала на приводной стороне, поддерживаются регулируемым вручную устройством и фиксируются в своих позициях.

- Отсоединение трубопровода

После отсоединения системы смазки, комплект удаляется без отсоединения каких-либо связующих элементов между карданными валами и правильными роликами.

- Устройство смены роликов

Устройство смены роликов оборудовано роликовой тележкой, внутренними подъемными направляющими, направляющими внешнего перемещения и Гидравлическим цилиндром.

- Подъемное устройство

Полный комплект роликовой тележки должен подниматься посредством 4 гидравлических цилиндров для смены комплекта роликов.

Гидравлическая система подъема предоставляется, чтобы не нагружать колесо роликовой тележки и поддержать основную раму правильной машины непосредственно во время правки.

9) Система централизованной консистентной смазки

Две системы централизованной консистентной смазки будут предоставлены – одна для опорных роликов, другая предназначена для правильной машины и оборудования вокруг правильной машины и рольгангов.
Система консистентной смазки будет предоставленна для смазки всего оборудования. Это одиночная линия консистентной смазки, состоящая из одной компактной станции консистентной смазки.
Индивидуальные фитинги будут прилагаться для обслуживания ручного смазочного шприца.

Контролирующие устройства
Различные распределительные устройства
Различные трубы
Фитинги и зажимы
Различные гибкие рукава

10) Система масляной смазки

Данная система масляной смазки будет предоставлена для масляной смазки подшипника и зубьев шестерни основного привода.

- Объем поставки

Нагрев: Погружной нагреватель в обходном канале
Контролирующие устройства
Различные трубы с фиксацией

11) Материалы и Инструменты для монтажа

(1) Общее

Будут поставлены следующие специальные материалы для монтажа и специальные инструменты, используемые для поднятия и соединения деталей, большей частью детали роликов, при демонтаже и повторном монтаже оборудования.

(2) Компонент

  • Гибкий рукав высокого давления
  • Муфта
  • Манометр
  • Рым-болт

12) Простые детали

(1) Общее

Следующие детали будут поставлены в качестве простых деталей для Оборудования Линии Правки

(2) Компонент

  • Опора для датчика
  • Защитные кожухи для вращающихся деталей
  • Платформа и перила для инспектирования или безопасной эксплуатации
  • Напольная плита, прилагаемая к оборудованию
  • Платформа безопасности со стороны основного двигателя
  • Устройство смена роликов

(3) Вне объема поставки: Крышка для ямы, перила и напольные плиты, прилагаемые к фундаментным работам.

14) Вращательная рама

А. Описание оборудования

Функция вращательной рамы – вращать комплект верхних роликов вне машины в случае:
инспектирование правильных роликов и демонтажа правильных роликов для шлифовки.

Вращение производится мостовым краном.

15) Гидравлическая система

Гидравлическая система будет обеспечивать Линию Правки и ее вспомогательное оборудование минеральным маслом. Гидравлические узлы полностью соединены внутренним трубопроводом.
Соединительный трубопровод между индивидуальными узлами и от панели клапанов к пунктам технического обслуживания включен в позицию «соединительный трубопровод».

Объем поставки

Трубопроводы: Все узлы полностью в сборе и с подсоединенным трубопроводом.

- Соединительный трубопровод между: гидравлические узлы в гидравлическом помещении, к панелям клапанов и от панелей клапанов к точкам присоединения на машинах.

- Длина соединительного трубопровода: Макс. 1 м

4.1.11. Средний рольганг №3

4.1.12. Выходной рольганг

4.1.13. Цепной конвейер на выходе

4.2. Электрооборудование

4.3. Вспомогательный трубопровод

Он должен включать весь трубопровод и фитинги.
Детальная информация по поставщикам для трубопровода следующая:

Примечание:
SUS – Нержавеющая сталь
SUS* - бесшовная труба из нержавеющей стали
CS – углеродистая сталь

* Точка Подключения

Объем поставки Производителя: Представление схем и чертежей маршрутов в качестве базового проектирования
Детальное проектирование, материал, изготовление и строительство предоставляются Заказчиком.

Случай I: Энергоресурсы, поставляемые Заказчиком

(Транспортируемая вода, промышленная вода, пар и т.д.)

Случай II: Энергоресурсы, поставляемые из источников для энергоресурсов

(Прямоточная и непрямоточная вода и т.д.)

Случай III: Энергоресурсы в пределах цеха

(Гидравлика, Смазка, Консистентная смазка, Воздух и т.д.)

Определение точки подключения

Гидравлический насос

4.4 Строительство и архитектура

1) Строительство

Фундаментные болты, гайки, шайбы и монтажные втулки, необходимые для монтажа оборудования, должны поставляться поставщиком, исключая химические анкерные болты.

а) Фундаментный болт
Все требуемые фундаментные болты будут поставлены для нового оборудования плставщиком. Для небольшого оборудования, такого как стойка клапанов в подвальном помещении.
В основном, фундаментные болты нового оборудования должны подойти к существующим фундаментным болтам.

b) Втулки для монтажа
Втулки (3 шт.), каждая из которых состоит из одной плоской втулки и двух конусообразных втулок (конус: 1/50), должны использоваться для механического оборудования.

2) Проектирование
Базовое проектирование для измененных участков фундамента и архитектуры.

4.5. Фундаментный болт, гайка, шайбы и втулки.

Производитель поставит выше упомянутые фундаментный болты, гайки, шайбы и втулки.

4.6. Запчасти

Производитель должен представить список рекомендуемых запчастей для непрерывной эксплуатации в течение одного года во время представления оценочной цены.

Правильная Машина коды ТН ВЭД (2020): 8462299800, 8463300000, 8462299100

Машины кузнечно-прессовые: станки правильно-отрезные 8462299800
Машины кузнечно-прессовые: Правильно-отрезная машина 8463300000
Машины кузнечно-прессовые: станки правильные, 8462299100
Машины кузнечно-прессовые: правильно-отрезной станок, 8462998009
Машины кузнечно-прессовые: машины ковочные, штамповочные, гибочные, кромкогибочные, правильные, пробивные, вырубные, прессы, 8462
Машины кузнечно-прессовые: правильно-отрезной станок 8462218008
Машины кузнечно-прессовые: станки правильные 8462299100
Машины кузнечно-прессовые: Правильно-растяжная машина усилием 120 МН 8462211009
Машина правильная прецизионная в комплекте 8462291000
Оборудование электротехническое промышленное: Правильно-отрезная машина 8463300000
Машины кузнечно-прессовые: станок правильный, 8462291000
Машины гибочные, кромкогибочные, правильные (включая прессы), 8462211009
Машины кузнечно-прессовые: станок правильно-отрезной 8463900000
Машины кузнечно-прессовые: станок вытяжной (правильный) для распрямления, вытягивания арматуры 8462299800
Машины кузнечное-прессовые: станки гибочные, кромкогибочные, правильные, 8462218008
Машины кузнечно – прессовые: правильный (рихтовочный) станок для обработки проволоки, прутков, трубы и профиля 8462299800
Машины кузнечно – прессовые: станки правильно-гибочные для металлических труб 8462299100
Машины кузнечно-прессовые: правильно-отрезные станки, 8462299800
Машины кузнечно-прессовые: станки гибочные, станки правильные, механические ножницы, станки вырубные, станки штамповочные, прессы 8462
Машины кузнечно-прессовые: Станки (включая прессы) для обработки металлов объемной штамповкой, ковкой или штамповкой; станки для обработки металлов (включая прессы) гибочные, кромкогибочные, правильные, отрезные, пробивные 8462491000
Машины кузнечно- прессовые: машины гибочные и правильные 8462299800
Роликовая правильная машина 8462211009
Станки металлообрабатывающие: станок правильно-отрезной (трубоправильная машина) (1 ручьей) для трубы Ф8 мм, серии KZX, торговая марка: «KUAIERMEI» 8462310009
Оборудование металлообрабатывающее: правильно-растяжная машина 8462299100
машины правильные: правильное устройство, 8462299800

FILMADRID & MUBI: Видеоочерк - «Правильная машина» на ноутбуке

Видеоочерк - совместный проект Международного кинофестиваля MUBI и FILMADRID. Киноанализ и критика нашли совершенно новый и новаторский путь с появлением видеоэссе, относительно недавней формы, которая уже имеет собственных мастеров и становится все более популярной. Границы этой дисциплины постоянно расширяются; Новые эссеисты находят новаторские способы изучения истории кино, работая с изображениями.В этом неконкурентном разделе фестиваля и MUBI, и FILMADRID предложат платформу и наглядность видеоэссе, которого заслуживают. Семь отобранных работ будут показаны во время концертов FILMADRID (6-15 июня 2019 г.) в кинопубликации MUBI - Notebook. Во время фестиваля также будет проводиться бесплатный публичный показ избранных работ. Выбор был сделан программистами MUBI и FILMADRID.

Правильная машина. Автор: Ева Элькано Фуэнтес

В период детства, взросления и старости возникает вопрос: как мы воспринимаем технологию? Хотя странности присутствуют всегда, нам нужно уйти от страха и начать попытки понять структуру машины, ее внутреннюю структуру.Машина, которая по сей день не свободна от ошибок, как и человек. Обе стороны обусловлены «правильным». Параллельно используется кинематографический язык, производный от исходного кода. О технологиях говорят без использования научной фантастики, чтобы повысить интерес к этому виду кино, стать более независимым и расширить границы видеоэссе.

В детстве, зрелости и старости возникает вопрос: как мы воспринимаем технологии? Хотя странности всегда присутствуют, нам нужно уйти от страха и начать попытки понять структуру машины, ее внутреннюю структуру.Машина, которая до сегодняшнего дня не лишена ошибок, как и человек. Обе стороны обусловлены «правильным». Параллельно используется кинематографический язык, полученный из исходного кода. Мы говорим о технологиях, не используя научную фантастику, чтобы повысить интерес к этому виду кино, стать более независимым и таким образом расширить границы видеоэссе.

Методы корректировки вывода на основе результатов, предсказанных машинным обучением

Значимость

Машинное обучение теперь используется во всем научном предприятии.Исследователи обычно используют прогнозы из случайных лесов или глубоких нейронных сетей в последующем статистическом анализе, как если бы они были данными наблюдений. Мы показываем, что этот подход может привести к чрезмерной систематической ошибке и неконтролируемой дисперсии последующих статистических моделей. Мы предлагаем статистическую корректировку для исправления предвзятого вывода в регрессионных моделях с использованием прогнозируемых результатов независимо от модели машинного обучения, используемой для этих прогнозов.

Abstract

Многие современные проблемы медицины и общественного здравоохранения используют методы машинного обучения для прогнозирования результатов на основе наблюдаемых ковариат.В самых разных условиях прогнозируемые результаты используются в последующем статистическом анализе, часто без учета различия между наблюдаемыми и прогнозируемыми результатами. Мы называем вывод предсказанным выводом постпредсказания. В этой статье мы разрабатываем методы исправления статистических выводов с использованием результатов, предсказанных с помощью произвольно сложных моделей машинного обучения, включая случайные леса и глубокие нейронные сети. Вместо того, чтобы пытаться получить поправку из первых принципов для каждого алгоритма машинного обучения, мы наблюдаем, что обычно существует низкоразмерное и легко моделируемое представление взаимосвязи между наблюдаемыми и прогнозируемыми результатами.Мы создаем подход для вывода постпрогнозирования, который естественным образом вписывается в стандартную структуру машинного обучения, где данные делятся на наборы для обучения, тестирования и проверки. Мы обучаем модель прогнозирования в обучающем наборе, оцениваем взаимосвязь между наблюдаемыми и прогнозируемыми результатами в тестовом наборе и используем эту взаимосвязь для исправления последующего вывода в проверочном наборе. Мы показываем, что наш подход постпредсказательного вывода (postpi) может исправить смещение и улучшить оценку дисперсии и последующий статистический вывод с предсказанными результатами.Чтобы показать широкий диапазон применимости нашего подхода, мы показываем, что postpi может улучшить вывод в двух разных областях: моделирование предсказанных фенотипов в данных по измененной экспрессии генов и моделирование предсказанных причин смерти в данных вербальной аутопсии. Наш метод доступен через пакет R с открытым исходным кодом: https://github.com/leekgroup/postpi.

За последнее десятилетие произошел взрывной рост как данных, доступных для точного здравоохранения (1–3), так и одновременно таких удобных инструментов, как пакет Caret (4) и Scikit-learn (5), которые усложняют реализацию Статистические методы и методы машинного обучения доступны для все более широкого круга ученых.Например, машинное обучение на основе электронных медицинских записей используется для прогнозирования фенотипов (6, 7), геномные данные используются для прогнозирования результатов для здоровья (8), а данные опросов используются для прогнозирования причины смерти в условиях, когда смерти происходят за пределами больницы (9, 10). Повышенное внимание к таким идеям, как точная медицина, означает, что роль машинного обучения в медицине и общественном здравоохранении будет только возрастать (11). Поскольку машинное обучение играет все более важную роль в научных дисциплинах, крайне важно учитывать все источники потенциальной изменчивости последующих выводов, чтобы обеспечить стабильные статистические результаты (12, 13).

Во многих случаях исследователи не наблюдают за результатами напрямую, поэтому наблюдаемые результаты часто заменяются предсказанными результатами моделей машинного обучения в последующих анализах (6, 14–18). Одним из примеров из генетики являются исследования ассоциации между генетическими вариантами и болезнью Альцгеймера у молодых людей. Поскольку у молодых людей не развилась болезнь Альцгеймера, трудно связать фенотип с генетическими вариантами. Однако старших родственников этих взрослых можно использовать для прогнозирования окончательного фенотипа участников исследования, используя известные образцы наследования заболевания.Прогнозируемый результат можно использовать вместо наблюдаемого статуса болезни Альцгеймера при проведении полногеномного исследования ассоциации (15).

Это всего лишь один пример феномена вывода постпредсказания (postpi). Хотя этот подход является распространенным, он создает множество статистических проблем. Прогнозируемые результаты могут быть смещенными, или прогнозируемые результаты могут иметь меньшую изменчивость, чем фактические. Стандартной практикой во многих приложениях является трактовка предсказанных результатов так, как если бы они наблюдались в последующих регрессионных моделях (6, 14–18).Как мы покажем, нескорректированный вывод постпрогнозирования часто будет иметь дефлированные стандартные ошибки, систематическую ошибку и завышенную частоту ложных срабатываний.

Вывод постпрогнозирования появляется во всех полях и был признан потенциальным источником ошибок в недавней работе по оценке распространенности (см., Например, ссылки 19 и 20 в контексте сдвига набора данных и ссылку 21 в оценке распространенности классов документов). Здесь мы сосредоточены на разработке аналитических и основанных на бутстрапе подходов для исправления оценок регрессии, SE и статистики тестов в моделях выводимой регрессии с использованием прогнозируемых результатов.Мы исследуем параметры, в которых прогнозируемый результат становится зависимой переменной в последующем выводном регрессионном анализе. Мы выводим аналитическую поправку в случае линейной регрессии и поправки на основе начальной загрузки для более общих регрессионных моделей, уделяя особое внимание линейной и логистической регрессии, поскольку они являются наиболее распространенными моделями вывода. Однако наш подход, основанный на начальной загрузке, можно легко распространить на любую обобщенную модель вывода линейной регрессии. (x)) генерируется в обучающем наборе и применяется в наборах для тестирования и проверки.В наборе проверки наша цель состоит в том, чтобы выполнить вывод на регрессионной модели формы g (E [y | X]) = Xβ. Однако в наборе проверки наблюдаются только ковариаты, поэтому вместо этого мы должны подобрать g (E [yp | X]) = Xβp. Наша цель - восстановить вывод, который мы получили бы, если бы наблюдали истинные результаты y в проверочном наборе. Чтобы исправить вывод с использованием прогнозируемых результатов, мы используем набор данных тестирования, в котором у нас есть как прогнозируемые (yp), так и наблюдаемые (y) результаты. Мы получаем поправку для вывода, используя yp на основе отношения между y и yp.

Преимущество этого подхода в том, что он не зависит от конкретной модели машинного обучения. То есть нам не нужно заранее знать ожидаемые рабочие характеристики вне выборки для данного метода. Вместо этого мы предполагаем, что взаимосвязь между прогнозируемыми и наблюдаемыми результатами в наборе тестирования хорошо характеризует те же отношения в наборе проверки.

Описываемая нами настройка имеет параллели с множественным вменением (22) для отсутствующих данных, но имеет несколько отличительных особенностей.Любая проблема прогнозирования может быть представлена ​​как проблема с отсутствующими данными, когда отсутствуют все значения, и не существует механизма отсутствия различий между наблюдаемыми и ненаблюдаемыми результатами. Причина в том, что в наборе валидации или последующих анализах практических задач нет данных о наблюдаемых результатах. Множественное вменение также часто основывается на генеративной модели для имитации данных. Однако в наших условиях мы хотим создать фреймворк, который можно использовать для любой модели машинного обучения, независимо от ее рабочих характеристик.Следовательно, нам нужна методология, которая может использовать алгоритм машинного обучения черного ящика, но построить простую модель для взаимосвязи между прогнозируемыми и наблюдаемыми данными результатов. Эта проблема также связана с идеей ошибок в переменных (23) или моделями ошибок измерения (24), где либо результат, либо ковариаты измеряются с ошибкой. Однако в задачах прогнозирования мы больше не можем предполагать, что ошибки не зависят от прогнозируемых значений, поскольку прогнозы машинного обучения могут быть более точными для подмножеств значений y.

Помимо использования в медицине и здравоохранении, предлагаемый нами метод также широко применим в социальных науках. В политологии, например, исследователи используют инструменты машинного обучения для классификации настроений или политической идентификации в сегментах текста, а затем подбирают регрессионные модели для выявления особенностей текста, склоняющегося к той или иной стороне (25). В социологии исследователи используют инструменты машинного обучения для определения расы глав домохозяйств, подлежащих выселению, а затем используют регрессионные модели, чтобы понять неоднородность обстоятельств, связанных с выселением лиц определенной расы (26).

Здесь мы применяем наш постпи-подход к двум открытым проблемам: моделирование взаимосвязи между уровнями экспрессии генов и типами тканей (8) и понимание тенденций в (прогнозируемой) причине смерти (27, 28). Мы показываем, что наш метод может уменьшить систематическую ошибку, соответствующим образом моделировать изменчивость и исправить проверку гипотез в случае, когда наблюдаются только предсказанные результаты. Мы также обсуждаем чувствительность нашего подхода к изменениям в исследуемой популяции, которые могут привести к нарушению предположений нашего подхода.Наш подход postpi доступен в виде пакета R с открытым исходным кодом, доступного на GitHub: https://github.com/leekgroup/postpi.

Иллюстративный пример

Мы начнем с иллюстративного смоделированного примера, чтобы выделить проблемы, которые могут возникнуть при неисправленном выводе постпрогнозирования. Методы, которые мы представляем в следующих разделах, охватывают более широкий диапазон настроек и не требуют допущений о распределении, которые мы делаем здесь для описания. Здесь мы моделируем наблюдения для результата yi и коварифицируем xij для i = 1,…, n, j = 1,…, p.Мы используем xi для обозначения вектора [xi1,…, xip]. В нашем моделировании мы генерируем данные в соответствии со следующей истинной зависимостью между y и x, которую мы обозначаем f (⋅): yi = f (xi) + eui. [1] Эта модель представляет собой истинное базовое распределение, генерирующее данные, которое неизвестно в реальных настройках анализа.

Линейные или обобщенные линейные модели являются обычным подходом к выполнению логического вывода, даже если процесс создания данных неизвестен. Мы используем Xi для обозначения матрицы плана. Например, нас может заинтересовать подгонка моделей вида yi = Xiβ + eii.p на основе подгонки модели с использованием ypi в качестве результата, так что E (ypi | Xi) = Xiβp. Уравнение 4 недостаточно хорошо отражает нашу неопределенность в отношении результата, что приводит к смещению оценок, слишком маленьким SE, антиконсервативно смещенным значениям P и ложноположительным результатам.

На рис. 2 показаны результаты нашего смоделированного примера. Мы моделируем ковариаты xi1, xi2, xi3 и xi4 и члены ошибок eui из нормальных распределений и моделируем наблюдаемый результат yi, используя простую регрессионную модель в качестве естественного состояния, f (⋅).(xi). Затем мы оцениваем взаимосвязь между прогнозируемыми и наблюдаемыми результатами. В наборе проверки мы подбираем модель линейной регрессии в качестве модели вывода.

Рис. 2.

Имитационный пример. Данные были смоделированы из наземной модели в виде линейной модели. (A) Наблюдаемые результаты в сравнении с интересующей ковариатой. Ось x показывает интересующую ковариату x1, а ось y показывает наблюдаемые результаты y. (B) Прогнозируемые результаты в сравнении с интересующей ковариатой. Ось x показывает интересующую ковариату x1, а ось y показывает прогнозируемые результаты yp.(C) Наблюдаемые результаты по сравнению с прогнозируемыми результатами. Ось x показывает наблюдаемые результаты y, а ось y показывает прогнозируемые результаты yp.

Это моделирование предназначено для выявления проблем, возникающих при постпрогнозировании в условиях, когда доступны как yi, так и ypi. При фактическом анализе данных с прогнозируемыми результатами мы не наблюдали бы истинного yi в проверочном наборе, и все выводы выполнялись бы с ypi.

На рис. 2A мы проиллюстрировали истинную взаимосвязь между смоделированными y и x1 (синий цвет).На рис. 2B мы показываем прогнозируемые значения yp в зависимости от x1 (красный цвет). На рис. 2B соотношение изменилось с другим наклоном и вариацией. На рис. 2C мы показываем взаимосвязь между наблюдаемыми и прогнозируемыми результатами. В этом смоделированном примере мы знаем, что оценочный коэффициент связи между наблюдаемым результатом y и x составляет 3,87 с SE 0,14. Однако, когда мы подбираем модель с использованием прогнозируемого результата yp, мы получаем оценку 3,7 с SE 0,068. Этот простой смоделированный пример показывает, что выводы, сделанные на основе прогнозируемых результатов, могут иметь 1) предвзятые оценки, 2) слишком маленькие SE и, следовательно, 3) значения P и выводы, которые являются антиконсервативно предвзятыми.

Для корректировки ошибок в прогнозах одним из вариантов может быть получение поправок смещения и SE для конкретного метода машинного обучения. Этот подход позволит использовать знания о том, как работает конкретный инструмент прогнозирования. Чтобы вычислить смещение и SE аналитически, мы оба: 1) должны знать, какая модель машинного обучения использовалась, и 2) должны быть в состоянии теоретически охарактеризовать свойства прогнозов этой модели машинного обучения. Такой подход ограничивает аналитика только подходами к машинному обучению, чьи выводимые рабочие характеристики были получены.Рис. 2C предлагает альтернативный подход. В этом случае связь между наблюдаемым и прогнозируемым результатом можно легко смоделировать с помощью линейной регрессии. Мы покажем, что это наблюдение справедливо для множества методов машинного обучения.

Ключевая идея нашего подхода состоит в том, что мы используем взаимосвязь между прогнозируемыми и наблюдаемыми данными в тестовом наборе, чтобы оценить систематическую ошибку и дисперсию, вносимую путем использования прогнозируемого результата в качестве зависимой переменной в нижестоящей модели выводимой регрессии в проверочном наборе. .Этот подход не требует особой информации о каждом подходе к машинному обучению и, вместо этого, предполагает, что относительно простая модель фиксирует взаимосвязь между прогнозируемыми и наблюдаемыми результатами.

Метод

Обзор нашего подхода.

Наша цель - разработать метод коррекции вывода для параметров в модели выводимой регрессии, в которой прогнозируемые результаты рассматриваются как наблюдаемые.

Мы делаем следующие предположения о структуре данных и модели.(⋅) (см. Приложение SI, раздел 2C для дальнейшего обсуждения этого предположения).

На практике истинный процесс генерации данных известен редко. Обычной статистической практикой является подгонка линейных или обобщенных линейных моделей для связи результатов с ковариатами для вывода (6, 14, – 18). Если обозначить Xi интересующую ковариату в матричной записи, то типичная модель регрессии может иметь вид gE (yi | Xi) = Xiβ. [6] Когда результат наблюдается, мы можем напрямую вычислить оценку β. Однако здесь мы рассматриваем случай, когда будет невозможно наблюдать результат в будущих наборах данных из-за затрат или неудобств, поэтому прогнозируемый результат ypi будет использоваться в уравнении.6.

Самый прямой подход к выполнению вывода постпрогнозирования - использовать предсказанные результаты и игнорировать тот факт, что они предсказаны. Однако этот подход может привести к смещению оценок, небольшим SE, статистике антиконсервативных тестов и ложным срабатываниям для оцененных коэффициентов, как мы видели в простом примере в Иллюстративном примере. Мы продемонстрируем, что этот подход приводит к постоянно неточным выводам в моделировании и реальных настройках приложения. Несмотря на эти потенциальные предубеждения, этот подход к прямому использованию прогнозируемых результатов в моделях вывода популярен в геномике (18), генетике (15), здравоохранении (10) и фенотипировании электронных медицинских карт (6) среди других приложений.(⋅). Когда прогноз основан на достаточно простом алгоритме машинного обучения, это можно сделать напрямую. Однако в настоящее время модели машинного обучения обычно включают сложные алгоритмические подходы, включающие тысячи или миллионы параметров, в том числе k-ближайших соседей (31), опорную векторную машину (SVM) (32), случайный лес (29, 30) и глубокую нейронную сеть. (33).

Вместо этого мы сосредотачиваемся на моделировании взаимосвязи между наблюдаемыми и прогнозируемыми результатами. Наше ключевое понимание заключается в том, что даже когда мы используем сложный инструмент машинного обучения для прогнозирования результатов, относительно простая модель может описывать взаимосвязь между наблюдаемыми и прогнозируемыми результатами (рис.3). Затем мы используем эту предполагаемую взаимосвязь для вычисления смещения и поправок SE для последующих выводных анализов с использованием прогнозируемых значений в качестве зависимой переменной.

Рис. 3.

Связь между наблюдаемыми и прогнозируемыми результатами с использованием различных моделей машинного обучения. Данные были смоделированы из наземной модели как линейная модель с нормально распределенным шумом. По оси x отложен наблюдаемый результат y, а по оси y - прогнозируемые результаты yp. Мы показываем, что независимо от метода прогнозирования, (A) k-ближайших соседей, (B) случайный лес, (C) SVM или (D) нейронная сеть, наблюдаемые и прогнозируемые результаты следуют распределению, которое можно точно аппроксимировать с помощью модель линейной регрессии.

Основываясь на наблюдении на рис. 3, мы связываем наблюдаемые с прогнозируемыми данными с помощью гибкой модели k (⋅): ypi = k (yi). [7] Для непрерывных результатов мы можем оценить эту взаимосвязь как линейную регрессионная модель. Для категориальных результатов мы можем использовать модель логистической регрессии или простую модель машинного обучения. Чтобы соответствовать этой модели отношений, мы используем стандартную структуру разработки модели машинного обучения. В этих задачах наблюдаемые данные разделяются на наборы для обучения, тестирования и проверки, и мы предполагаем, что эти три набора имеют одну и ту же систему генерации данных.Как показано на рис. 1, мы можем построить модель прогнозирования в обучающем наборе, а затем вычислить несмещенную оценку модели взаимосвязи в наборе тестирования. Используя эту модель отношений, мы получаем поправку для оценок, SE и тестовой статистики для нашей модели вывода. Затем в проверочном наборе мы можем оценить качество нашей коррекции на независимой выборке.

В следующих двух разделах мы выводим основанные на начальной загрузке и аналитические методы для исправления вывода для параметров в модели вывода на будущих наборах данных, где прогнозируемые результаты рассматриваются как наблюдаемые.(⋅). Наши методы не обеспечивают оптимальных результатов коррекции вывода в случае, когда новые ковариаты (не наблюдаемые в обучающих и тестовых наборах) вводятся как независимые переменные в последующей модели вывода (см. Приложение SI, раздел 2C для примера и рисунков).

В программе Bootstrap-Based Correction мы разрабатываем гибкую процедуру начальной загрузки для коррекции вывода постпрогнозирования. Подход, основанный на начальной загрузке, обеспечивает гибкость как модели отношений, так и последующих моделей вывода.Этот подход применим при условии, что взаимосвязь может быть смоделирована с помощью любой достаточно простой взаимосвязи, позволяющей осуществлять самонастраивающую выборку. В разделе «Аналитическая коррекция» мы получаем аналитическую коррекцию, которая может применяться при дополнительных предположениях. Для аналитического вывода мы предполагаем, что 1) результат непрерывен в наборах для обучения, тестирования и проверки, 2) взаимосвязь между наблюдаемыми и прогнозируемыми результатами может быть смоделирована с использованием нормальной модели линейной регрессии и 3) цель вывода. представляет собой модель линейной регрессии в проверочном наборе.При этих предположениях аналитическая коррекция сохраняется независимо от выбора алгоритма машинного обучения, используемого для прогнозирования.

Исправление на основе начальной загрузки.

В этом разделе мы предлагаем основанный на бутстрапе подход для исправления смещения и дисперсии в последующем выводном анализе. Этот подход может применяться для непрерывных, ненормальных данных, категориальных данных или данных подсчета. Для нашего подхода мы делаем следующие допущения: 1) У нас есть обучающий набор для построения модели прогнозирования, набор для тестирования для оценки параметров модели отношений и набор проверки для соответствия обобщенной регрессионной модели в качестве последующей модели вывода, и все три набора должны следовать одной и той же системе генерации данных; 2) взаимосвязь между наблюдаемыми и прогнозируемыми результатами может быть смоделирована с помощью гибкой, но конкретной простой модели в форме yi = k (ypi), из которой легко сделать выборку; 3) модель отношений сохранится в будущих выборках; и 4) ковариаты, представляющие интерес для последующих выводных анализов, должны быть переменными, которые уже были замечены в наборах для обучения и тестирования и использовались в модели прогнозирования.(Икс).

  • 2) Используйте наблюдаемые и прогнозируемые результаты в наборе тестирования (y (te), yp (te)) для оценки модели отношений y = k (yp), где k (⋅) может быть любой гибкой функцией. .

  • 3) Используйте прогнозируемые результаты и наблюдаемые ковариаты в наборе проверки (yp (val), x (val)) для начальной загрузки следующим образом:

  • Итерация начальной загрузки b = от 1 до B.
    • i ) Для i = 1,2,…, n, выборка предсказанных значений и совпадающих ковариат (ypi (val) b, xi (val) b) с заменой.B.

    Подход, основанный на начальной загрузке, включает два типа ошибок: ошибку из-за случайной выборки и ошибку предсказания. Ошибка предсказания вводится путем выборки из модели отношений в цикле for, шаг 3, ii. Мы снова делаем упрощающее предположение, что y и yp могут быть связаны с помощью модели, которую легко подобрать. Здесь мы можем сосредоточиться на классе обобщенных линейных моделей, но на шаге 2 процедуры начальной загрузки функция отношения k (⋅) могла бы быть более общей, даже гибкой, как алгоритм машинного обучения, при условии, что ее можно легко оценить и выбрать.(⋅). Это может быть произвольно усложнено, если возможна выборка оценочной взаимосвязи между наблюдаемыми и прогнозируемыми значениями.

    Аналитическая поправка.

    В этом разделе мы предлагаем аналитический метод для корректировки выводов для параметров в линейной модели нисходящего потока. Мы предполагаем, что данные были разделены на наборы для обучения (tr), тестирования (te) и проверки (val) и что распределение генерации данных одинаково для всех трех наборов: y∼N (f (x), σt2 ), где f (⋅) - произвольная и неизвестная функция ковариант.(Икс). В наборе тестирования мы используем прогнозируемые и наблюдаемые результаты (y (te), yp (te)) для оценки модели линейной зависимости. В наборе проверки мы бы поместили модель линейного вывода, используя предсказанные результаты и ковариаты в матричной нотации (yp (val), X (val)). Наша цель - вывести взаимосвязь между результатом y и некоторым подмножеством ковариат в наборе проверки или в будущем наборе данных, где набор результатов либо чрезмерно дорог, либо сложен.

    Подход аналитического вывода вычисляет скорректированные параметры в модели вывода более эффективно, чем подход на основе бутстрапа, но с большими ограничениями в предположениях для вычисления решения в замкнутой форме для параметров в последующей модели вывода: 1) Мы концентрируемся в условиях, когда результат может быть только непрерывным и приблизительно нормально распределенным, 2) модель отношений, оцененная в наборе тестирования, также приблизительно нормально распределена, и 3) последующая модель вывода должна быть линейной моделью, из которой мы можем исправить вывод.

    В наборе проверки в идеале мы бы поместили модель (val) | X (val) ∼N (X (val) β (val), σi2). [8] Однако результат не наблюдается в наборе проверки . Вместо этого мы подбираем модель: p (val) | X (val) ∼N (X (val) βp (val), σp2). [9] В этом случае мы больше не оцениваем ту же величину из-за изменения зависимая переменная. Эта нескорректированная стратегия вывода постпрогнозирования обычно используется в реальной практике (6, 14⇓⇓⇓ – 18). Наша цель здесь - разработать поправку, чтобы восстановить вывод о β (val), как если бы наблюдаемые результаты были доступны.(val) нельзя вычислить напрямую. Итак, сначала мы хотим оценить y (val), используя условное ожидание E [y (val) | X (val)]. Это ожидание можно записать как Ey (val) | X (val) = EEy (val) | X (val), yp (val) | X (val) ≈EEy (val) | yp (val) | X (val) = γ0 (te) + γ1 (te) X (val) βp (val). [11] Здесь βp (val) представляет параметр в модели вывода линейной регрессии, где прогнозируемый результат используется в качестве зависимой переменной. Приближение в формуле. 11 основан на использовании взаимосвязи между прогнозируемым результатом и наблюдаемым результатом E (y (val) | yp (val)) в качестве приближения к условному ожиданию E (y (val) | X (val), yp (val)) (см. Приложение SI, раздел 1A.(val). Проблема в том, что SE не может быть просто рассчитана путем подбора регрессионной модели в формуле. 8, потому что y (val) не наблюдается. Вместо этого мы сначала оцениваем условную дисперсию Var [y (val) ∣X (val)], используя дисперсию, которая исходит из обеих моделей отношений в формуле. 10 и модель вывода в уравнении. 9 с прогнозируемыми результатами. Это аналогичный подход к выводу ожидания выше, где мы предполагаем, что наблюдаемый результат неизвестен. Используя закон общей условной дисперсии Vary (val) ∣X (val) = EVary (val) ∣yp (val), X (val) ∣X (val) + VarEy (val) ∣yp (val), X (val) ∣X (val) ≈EVary (val) ∣yp (val) ∣X (val) + VarEy (val) ∣yp (val) ∣X (val) = σr (te) 2 + γ1 (te) 2σp (val) 2, [14] где на втором шаге уравнения.p (val) 2). [16]

    Моделированные данные.

    Мы моделируем независимую ковариату x и член ошибки eu, а затем наблюдаем результат y, используя модель истинного состояния природы в уравнении. 5. Истинное состояние природы не наблюдается непосредственно в практических задачах, но может быть определено в смоделированных задачах. Мы рассматриваем как случай непрерывного результата в случае Continuous, так и случай двоичного результата в случае Binary, которые демонстрируют, что нескорректированный вывод постпрогнозирования приводит к смещению в оценках, малых SE и статистике антиконсервативных тестов.

    Мы также включаем моделирование, демонстрирующее антиконсервативную погрешность в значениях P из нескорректированного вывода постпрогнозирования, в Приложение SI, раздел 2A. Ключевое понимание наших методов postpi зависит от соответствия отношения между наблюдаемыми и прогнозируемыми результатами (y и yp), оцененными в тестовой выборке. Во многих случаях эту взаимосвязь можно описать как простую модель, но это не всегда верно. Например, когда прогнозируемые значения получены от слабых учеников, корреляция между наблюдаемыми и прогнозируемыми результатами может быть недостаточно сильной, чтобы позволить скорректированный вывод.Как и ожидалось, мы наблюдаем улучшение рабочих характеристик наших методов с увеличением точности модели прогнозирования. Мы показываем, что наши методы postpi успешно аппроксимируют оценки, SE, статистику t и значения P, которые мы получили бы, используя наблюдаемое y (Приложение SI, рис. 1 и 2). Мы также показываем, что наши поправки достаточно устойчивы к уровням корреляции между y и yp в диапазоне от 0,1 до 0,8. На всех уровнях корреляции наши методы postpi успешно корректируют распределение значений P по сравнению с нескорректированным выводом постпредсказания - восстанавливая контроль частоты ошибок типа I (приложение SI, рис.1).

    Сплошной корпус.

    Для непрерывного случая мы моделируем ковариаты xij и члены ошибки eui из нормальных распределений, а затем моделируем наблюдаемый результат yi, используя линейную функцию h (⋅) в качестве модели истинного состояния природы для i = 1,…, n, j. = 1,…, стр. (34)

    В каждом цикле моделирования мы устанавливаем общий размер выборки n = 900 и размерность ковариантной матрицы p = 4. Чтобы имитировать сложное распределение генерации данных и сделать прогнозы достаточно вариабельными для иллюстративных целей, мы генерируем данные, включающие как линейные, так и сглаженные члены.Для сглаженных членов мы используем сглаживание скользящей медианы Тьюки с параметром сглаживания по умолчанию «3RS3R» (35). Члены ошибки также моделируются из нормального распределения с независимой дисперсией. Спецификация модели: xi1, xi2, xi3∼N (1,1) xi4∼N (2,1) eui∼N (0,1) yi = β1xi1 + β2xi2 + β3⋅smoothxi3 + β4⋅smoothxi4 + eui. [17] Мы создаем набор для обучения, тестирования и проверки путем случайной выборки наблюдаемых данных в три группы равного размера, каждая с размером выборки 300. Для 300 смоделированных случаев мы фиксируем значения β2 = 0.(⋅) мы используем все ковариаты xi1, xi2, xi3, xi4 в качестве признаков для прогнозирования наблюдаемых результатов yi. Этот прогноз предназначен для моделирования случая, когда мы пытаемся максимизировать точность прогнозирования, а не для выполнения статистического вывода. В наборе тестирования мы применяем обученную модель прогнозирования, чтобы получить прогнозируемые результаты ypi. Мы оцениваем взаимосвязь между наблюдаемым и прогнозируемым результатом (yi и ypi) в виде простой модели линейной регрессии: yi∼N (γ0 + γ1ypi, σr2).

    Наша оценка эффективности различных методов выполняется на основе независимой проверки, установленной путем подбора модели линейной регрессии в качестве модели вывода.Мы сравниваем вывод с использованием прогнозируемого результата без коррекции, вывода постпредсказания посредством аналитического вывода postpi и вывода постпредсказания через параметрический бутстрап postpi и непараметрический бутстрап postpi (подробности метода см. В Приложении SI, раздел 2B). В этом моделировании у нас также есть наблюдаемый результат y, поэтому мы можем вычислить коэффициенты, оценки и статистику испытаний, которые получены при использовании наблюдаемых значений в моделях вывода. Базовая модель, с которой мы сравниваем, соответствует модели регрессии E [yi | xi1] = β0 + xi1β1 для наблюдаемых данных в проверочном наборе.

    Мы используем графики Hextri для одновременного сравнения нескольких графиков рассеяния (37). Эти графики разработаны таким образом, что размер каждой ячейки пропорционален количеству точек в ячейке, и они разделены на цвета пропорционально количеству точек из каждого сравнения. В этом примере моделирования прогноз имеет относительно небольшое смещение, поэтому оценочные коэффициенты, использующие прогнозируемый результат, относительно близки к оценкам, использующим наблюдаемый результат. На рис. 4A все цвета лежат близко к линии равенства.Однако SE для подхода без коррекции (оранжевый цвет) на рис. 4B намного ниже, чем то, что мы наблюдали бы в наблюдаемых результатах. Это связано с тем, что функция прогнозирования пытается уловить функцию среднего, но не дисперсию наблюдаемого результата. Мы вычисляем среднеквадратичную ошибку (rmse) (38), чтобы показать, что подходы аналитического вывода postpi и бутстрапа postpi превосходят подход без коррекции. SE ближе к истине со снижением rmse с 0.088 для отсутствия коррекции (оранжевый цвет) до 0,015 для аналитического вывода postpi (зеленый цвет), а также улучшено до 0,015 для параметрического bootstrap postpi (темно-синий цвет) и 0,019 для непараметрического bootstrap postpi (голубой цвет) на рис. 4B. Улучшенные SE отражены в улучшенной статистике t с использованием аналитического вывода postpi и двух подходов bootstrap postpi на рис. 4C, при этом rmse снижено с 26,33 для отсутствия коррекции (оранжевый цвет) до 2,45 для аналитического вывода postpi (зеленый цвет) и улучшено до 2.41 для параметрической начальной загрузки postpi (темно-синий цвет) и 2,89 для непараметрической начальной загрузки postpi (голубой цвет).

    Рис. 4.

    Непрерывное моделирование. Данные были смоделированы на основе модели наземной проверки, как описано в случае с непрерывным анализом. По оси x отложены значения, рассчитанные с использованием наблюдаемого результата, а по оси y - значения, рассчитанные без коррекции (оранжевый цвет), аналитическая деривация postpi (зеленый цвет), параметрическая bootstrap postpi (темно-синий цвет) и непараметрическая bootstrap postpi. (светло-голубой цвет).Мы показываем: (A) оценки аналогичны для всех четырех подходов, поскольку данные были смоделированы из нормальной модели, (B) SE слишком малы для неисправленного вывода (оранжевый цвет), но исправлены с помощью наших подходов, и (C) Статистические данные имеют антиконсервативную предвзятость из-за неисправленного вывода, но исправляются с помощью наших подходов.

    Бинарный корпус.

    Для двоичного случая мы моделируем категориальную ковариату xic, непрерывные ковариаты xi1, xi2 и член ошибки eui, а затем наблюдаемый результат yi, предполагая обобщенную линейную модель f (⋅) для i = 1,…, n.В этом случае мы указываем модель истинного естественного состояния f (⋅) как модель логистической регрессии. Чтобы смоделировать наблюдаемые результаты yi, мы сначала настраиваем ковариаты с помощью линейной комбинации, в которой мы сглаживаем подмножество непрерывных ковариат, используя сглаживание медианы Тьюки (35), и включаем ошибки для увеличения вариабельности результатов yi. Мы применяем обратную логит-функцию к линейному предиктору для моделирования вероятностей, которые мы используем для моделирования результатов Бернулли (yi = 0 или 1) через биномиальные распределения.Моделируем следующим образом: xi1∼N (1,1) xi2∼N (2,1) xic∼Multinom (1, (1 / 3,1 / 3,1 / 3)) eui∼N (0,1) zi = βB1 (xic = B) + βC1 (xic = C) + β1⋅smoothxi1 + β2⋅smoothxi2 + euipri = 11 + e − ziyi∼Binom (1, pri). [18] Мы генерируем 1500 выборок для каждой итерации и разделяем данные в наборы для обучения, тестирования и проверки равного размера n = 500. Мы устанавливаем 1 (xc = C) как интересующую ковариату в последующей логической модели логистической регрессии. Затем мы используем два метода начальной загрузки - параметрическую и непараметрическую postpi начальной загрузки - для оценки скорректированной оценки коэффициента, SE и тестовой статистики (39).(⋅). Затем мы применяем обученную модель прогнозирования в наборах для тестирования и проверки, чтобы получить прогнозируемый результат ypi, а также вероятность pri прогнозируемых результатов (то есть pri = Pr (yi = 1)). В наборе тестирования мы используем логистическую регрессию для оценки взаимосвязи между наблюдаемым результатом и прогнозируемой вероятностью: g (E [yi = 1 | pri]) = γ0 + priγ1, где g (⋅) - натуральный логарифм коэффициенты такие, что g (p) = Ln (p1 − p). Здесь мы формируем модель отношений с прогнозируемой вероятностью. Причина в том, что результат является дихотомическим, поэтому у нас мало гибкости для моделирования дисперсии наблюдаемого результата как функции предсказанного результата.Вместо этого использование предсказанной вероятности обеспечивает большую гибкость для моделирования взаимосвязи. В случае двоичного результата подход аналитического вывода больше не применяется, поэтому мы применяем только два метода коррекции начальной загрузки. В наборе проверки мы выполняем шаги с 1 по 5 процедуры начальной загрузки. Сначала мы устанавливаем размер начальной загрузки B = 100, чтобы запустить цикл for. На шаге 3, ii, ib = k (prib), мы моделируем значения в два этапа: 1) используем prib и модель предполагаемой взаимосвязи для прогнозирования вероятности получения «успешного» результата (i.е., Pr (ib = 1)), а затем 2) выборка ỹib из биномиального распределения с параметром вероятности Pr (ỹib = 1), полученным на шаге 1. На шаге 3, iii мы снова подгоняем модель логистической регрессии как модель вывода: g [E (ỹib | xcb)] = βp0 + 1 (xc = C) bβpC. Затем на шагах 4 и 5 мы оцениваем параметрический и непараметрический коэффициент postpi начальной загрузки, SE и тестовую статистику.

    Для 300 смоделированных случаев мы фиксируем значения β1 = 1, β2 = −2, βB = 1. Здесь мы выбираем 1 (xc = C) в качестве ковариаты, представляющей интерес в последующем выводном анализе, и устанавливаем βC как диапазон значений в [−2, −1.5,…, 4.5,5]. Во многих симуляциях возникает проблема разреженности дихотомических ковариат, когда вывод из наблюдаемого yi был бы нестабильным. В этом примере мы исключаем из моделирования такие редкие случаи, которые приводят к чрезвычайно большим SE и неточным оценкам во всех подходах. На рис. 5 A и B мы видим, что оценки и SE завышены в случае отсутствия коррекции (оранжевый цвет). Более подробно, мы видим смещение в оценке коэффициента при использовании подхода без коррекции (оранжевый цвет) на рис.5А с rmse 2.94 по сравнению с правдой. Это смещение исправляется с помощью методов postpi параметрического бутстрапа (темно-синий цвет) и непараметрического бутстрапа (голубой цвет) с rmse, сниженным до 0,53. SE для отсутствия коррекции (оранжевый цвет) на рис. 5B имеют rmse 0,49, но уменьшены до 0,018 для параметрической начальной загрузки postpi (темно-синий цвет) и 0,025 для непараметрической начальной загрузки postpi (светло-синий цвет). На рис. 5C статистика t имеет значение rmse 2,06 без коррекции (оранжевый цвет), 2,04 для параметрической начальной загрузки postpi (темно-синий цвет) и 2.12 для непараметрической начальной загрузки postpi (голубой цвет). Мы наблюдаем небольшой консервативный сдвиг в статистике t из-за поправок postpi - синие точки постоянно находятся немного ниже линии равенства. Это консервативное смещение является приемлемым компромиссом в случаях, когда наблюдаемые результаты недоступны.

    Рис. 5.

    Двоичное моделирование. Данные были смоделированы из наземной модели, как описано в двоичном случае. По оси x отложены значения, рассчитанные с использованием наблюдаемого результата, а по оси y - значения, рассчитанные без коррекции (оранжевый цвет), параметрическая postpi начальной загрузки (темно-синий цвет) и непараметрическая postpi начальной загрузки (светло-синий цвет).Мы показываем (A) нескорректированные оценки смещены антиконсервативно, но это смещение исправлено с помощью наших подходов postpi, (B) нескорректированные SE также раздуваются и корректируются postpi, и (C) статистика t показывает небольшое консервативное смещение по сравнению с нет случая исправления.

    Приложения.

    Чтобы продемонстрировать широкую применимость нашей методологии для выполнения постпрогнозного вывода, мы представляем два примера из очень разных областей: геномика и вербальный анализ аутопсии.Эти приложения имеют очень мало общего с научной точки зрения, но представляют собой два громких примера, в которых логический вывод обычно выполняется с нескорректированными прогнозами в качестве конечной (зависимой) переменной.

    Во-первых, рассмотрим проект «Recount2» (https://jhubiostatistics.shinyapps.io/recount) (40), который состоит из данных экспрессии генов секвенирования РНК (RNA-seq) для более чем 70000 человеческих образцов, выровненных с использованием общего конвейера, обработанного в Rail-RNA (41). Хотя в человеческих образцах Recount2 имеется доступная информация об экспрессии генов, не все образцы содержат информацию о наблюдаемом фенотипе, поскольку большинство образцов взяты непосредственно из общедоступных данных в архиве считывания последовательностей (42).Однако ранее мы показали, что многие из этих недостающих фенотипических данных можно предсказать на основе геномных измерений (8). Наша цель - сделать вывод, используя эти предсказанные фенотипы.

    Во-вторых, мы описываем распределение (прогнозируемых) причин смерти. В регионах мира, где рутинный мониторинг рождений и смертей невозможен, одним из подходов к оценке распределения смертей по причинам является вербальное вскрытие (VA). Эти опросы проводятся с опекуном или родственником умершего, и они спрашивают об обстоятельствах смерти человека и обычно проводятся, когда смерть происходит вне больниц или в рамках обычного медицинского обслуживания.Для обучения алгоритмов, которые прогнозируют причины смерти на основе зарегистрированных симптомов, используются либо рекомендации экспертов о взаимосвязи между симптомами, о которых сообщалось до смерти, и возможной причиной, либо небольшие наборы данных «золотого стандарта». Разработка алгоритмов для прогнозирования причин смерти является активной областью исследований и является сложной задачей, поскольку данные обычно содержат смесь бинарных, непрерывных и категориальных симптомов, а многие причины смерти имеют схожие представления. После определения предполагаемой причины смерти общей задачей является описание закономерностей в распределении причин смерти.Например, ученому может быть интересно узнать, как распределение смертей зависит от региона или пола.

    Прогнозирование типов тканей.

    Мы рассматриваем мотивирующую проблему из проекта Recount2 (40) (https://jhubiostatistics.shinyapps.io/recount/). В этом примере интересующий нас фенотип - это тип ткани, из которой отбирается РНК (43). Понимание уровней экспрессии генов в тканях и типах клеток имеет множество применений в базовой молекулярной биологии. Многие темы исследований сосредоточены на поиске того, какие гены экспрессируются в каких тканях, с целью расширить наше фундаментальное понимание происхождения сложных признаков и заболеваний (44–48).Проект Genotype-Tissue Expression (GTEx) (49), например, изучает, как уровни экспрессии генов варьируются у разных людей и различных тканей человеческого тела для широкого спектра первичных тканей и типов клеток (44, 49). Следовательно, чтобы лучше понять клеточный процесс в биологии человека, важно изучить различия в уровнях экспрессии генов в разных типах тканей.

    Несмотря на то, что типы тканей доступны в GTEx (49), они недоступны для большинства образцов в Recount2.В предыдущей статье (8) мы разработали метод прогнозирования отсутствующих фенотипов с использованием данных об экспрессии генов. В этом примере мы собрали подмножество образцов, в которых мы наблюдали типы тканей, такие как ткань груди или жировая ткань. У нас также были предсказанные значения для вышеуказанных выборок, рассчитанные в предыдущем обучающем наборе (8) с использованием 2281 экспрессируемых областей (50) в качестве предикторов. Наша цель в этом примере - понять, какая из этих областей больше всего связана с тканью груди в новых образцах (т. Е., образцы без наблюдаемых типов тканей), чтобы мы могли понять, на какие измеренные гены больше всего влияют биологические различия между грудной и жировой тканями. Хотя здесь нас интересует фенотип, состоящий в типах тканей, особенно в тканях груди и жировой ткани, наш метод может широко применяться для любых прогнозов для всех фенотипов.

    Чтобы протестировать наш метод, мы собрали 288 образцов из Recount2 как с наблюдаемыми, так и с предсказанными типами тканей. Среди наблюдаемых типов тканей 204 образца рассматриваются как жировые ткани, а 84 образца - как ткани груди.Прогнозируемые значения, полученные из ранее обученного набора данных (8), включают прогнозируемый тип ткани (например, жировую ткань или ткань груди) и вероятность присвоения прогнозируемого типа ткани. В этом примере мы сравниваем подходы без коррекции и начальной загрузки postpi только потому, что результаты (типы тканей), о которых мы заботимся, являются категориальными.

    Модель вывода, которая нас интересует: g [E (yi = 1 | ERij)] = β0j + β1jERj. Здесь g (⋅) - функция логит-связи для j = 1,…, 2,281 (выраженные области), а i = 1,…, n, n - общее количество выборок в Recount2.В модели yi = 1 или yi = 0 представляют, наблюдается ли ткань груди или жировая ткань в i-м образце, а ERij - это уровень экспрессии гена для j-й области в i-м образце.

    Для этого набора данных (288 образцов) у нас есть результаты бинарного типа ткани. Поскольку прогнозируемые результаты были получены в предварительно обученном наборе (8), нам нужно только разделить наши данные на набор для тестирования и проверки, каждый с размером выборки n = 144. В тестовом наборе мы подобрали модель k-ближайших соседей (31), чтобы оценить взаимосвязь между наблюдаемым типом ткани и вероятностью присвоения прогнозируемого значения.. Подобно тому, что мы сделали с смоделированными данными в Simulated Data, в этом примере мы устанавливаем Fγ как биномиальное распределение с параметром вероятности (т. Таким образом, мы используем предполагаемую взаимосвязь для учета необходимых вариаций в смоделированных результатах.

    Среди 2281 экспрессируемых областей (50), используемых для прогнозирования типа ткани (8), мы заботимся о регионах, которые имеют значения экспрессии в относительно большом количестве образцов в проверочном наборе.Хорошо известно, что многие измерения RNA-seq могут быть нулевыми, если количество собранных считываний невелико. Чтобы избежать подгонки моделей с высокой степенью вариабельности из-за ковариат с нулевой дисперсией, мы подбираем модели вывода логистической регрессии только для каждой отфильтрованной выраженной области с выраженными значениями по крайней мере для 20% выборок. В рамках этой процедуры фильтрации мы включаем 101 выраженную область в качестве регрессионных переменных и подгоняем модель вывода, описанную выше, к каждому региону в наборе проверки. Затем мы получаем 101 оценку, SE и статистику t.Мы сравниваем их с подходом без коррекции, как мы это делали с смоделированными данными.

    Путем сравнения rmse мы заметили, что оценки, SE и статистика тестов улучшаются от отсутствия коррекции до параметрических и непараметрических методов начальной загрузки postpi. На рис. 6A оценки без коррекции (оранжевый цвет) имеют среднеквадратичное значение 0,36 по сравнению с истиной и снижается до 0,08 с параметрическим бутстрапом postpi (темно-синий цвет) и непараметрическим бутстраповым postpi (голубой цвет). SE на рис. 6B имеют rmse 0.08 без коррекции (оранжевый цвет), но исправлено до 0,01 для параметрической начальной загрузки postpi (темно-синий цвет) и 0,03 для непараметрической начальной загрузки postpi (голубой цвет). Итоговая статистика t улучшена с rmse 0,91 для отсутствия коррекции (оранжевый цвет) до 0,63 для параметрической начальной загрузки postpi (темно-синий цвет) и 0,93 для непараметрической начальной загрузки postpi (голубой цвет).

    Рис. 6.

    Прогнозирование зависимости груди от жировой ткани. Данные были собраны с Recount2, как описано в разделе «Прогнозирование типов тканей».По оси x отложены значения, рассчитанные с использованием наблюдаемого результата, а по оси y - значения, рассчитанные без коррекции (оранжевый цвет), параметрическая postpi начальной загрузки (темно-синий цвет) и непараметрическая postpi начальной загрузки (светло-синий цвет). Мы показываем (A) оценки, (B) SE и (C) t-статистику. Два подхода начальной загрузки postpi явно улучшают оценки и SE по сравнению с отсутствием коррекции.

    Мы также применили наш подход к правильному выводу для моделей, использующих прогнозируемое качество РНК в качестве примера того, как сделать вывод после прогнозирования для непрерывных результатов (Приложение SI, раздел 3A).

    Описание распределения причин смерти.

    Теперь мы переходим ко второму примеру, где интересующий результат - это (прогнозируемая) причина смерти, а исходные данные - это симптомы или обстоятельства, о которых сообщил опекун или родственник (51). Симптомы могут включать, например, то, была ли у человека высокая температура перед смертью, как долго длился кашель (если о нем сообщалось) или сколько раз человек посещал медицинского работника. Мы используем данные Консорциума исследований показателей здоровья населения (PHMRC), который включает около 7800 случаев смерти по золотому стандарту из шести регионов мира.Эти данные редки, потому что они содержат как физическое вскрытие (включая патологию и диагностические тесты), так и устное вскрытие. Как правило, только небольшая часть смертей будет иметь назначенную причину (например, клиницист, читающий устное вскрытие трупа), и эти несколько помеченных смертей будут использоваться в качестве исходных данных для обучения модели для оставшихся смертей.

    Мы разделяем данные на наборы для обучения и тестирования, при этом 75% данных используются для обучения. Данные PHMRC классифицируют причины смерти на нескольких уровнях детализации.В наших экспериментах мы объединили причины в 12 широких причин смерти (рак, диабет, почечные заболевания, заболевания печени, сердечно-сосудистые заболевания, инсульт, пневмония, ВИЧ / СПИД или туберкулез, материнские причины, внешние причины, другие инфекционные заболевания и другие неинфекционные заболевания). болезней). Мы предсказали причину смерти с помощью InSilicoVA (52), который использует наивный байесовский классификатор, встроенный в байесовскую структуру, чтобы учесть неопределенность между классификациями причин.

    В этом примере мы хотим понять тенденции 12 комбинированных причин смерти по множеству симптомов, представляющих поведение в отношении здоровья и демографические данные.Демографические симптомы включают возраст умершего и пол (мужской или женский) умершего. К поведенческим симптомам относятся: употреблял ли умерший табак (да или нет), употреблял ли алкоголь (да или нет) и пользовался ли медицинской помощью в связи с болезнью (да или нет). Дополнительные симптомы включают наличие у умершего ожирения (да или нет), несчастного случая (да или нет) и предыдущие медицинские записи (да или нет). Эти симптомы используются в модели обучения как подмножество симптомов для классификации причины смерти с помощью InSilicoVA (52) и снова используются для последующих статистических выводов.Нас интересует модель вывода: g [E (yi | SYMi j)] = β0j + β1jSYMj. Здесь g (⋅) - функция логит-связи для j = 1,…, 13 (симптомы), а i = 1,…, n, n - общее количество выборок в наборе данных. В этой модели yi представляет собой одну из 12 комбинированных причин в i-й выборке, а SYMi j представляет собой j-й интересующий симптом в i-й выборке.

    Для этого набора данных мы используем категориальные исходы в качестве причин смерти для 1960 выборок и предполагаем, что результаты не наблюдаются, как это обычно бывает на практике, для остальных случаев.. В этом примере мы устанавливаем Fγ как полиномиальное распределение с параметрами вероятности (то есть вероятностью присвоения каждой из 12 основных причин смерти), оцененными на основе модели взаимосвязи, как мы это делали в смоделированных данных.

    Среди всех симптомов, используемых для прогнозирования причин смерти (52), мы используем подмножество симптомов, которые также имеют сбалансированные классы по 12 широким причинам смерти. Это сделано для того, чтобы избежать очень вариабельных моделей из-за ковариат с нулевой дисперсией, которая классифицируется как хорошо известная проблема для разреженных результатов (53).Затем мы фильтруем восемь симптомов, которые нас интересуют как регрессионные переменные, и подбираем модель логического вывода регрессии для каждого выбранного симптома в наборе проверки. Есть одна непрерывная переменная и семь категориальных регрессионных переменных, каждая с двумя уровнями факторов (да или нет). Для результатов вывода мы получаем восемь оценок, SE и t-статистику в проверочном наборе. Затем мы сравниваем их с подходом без коррекции, как мы это делали с смоделированными данными.

    Мы заметили, что нескорректированные оценки, SE и статистика t (оранжевый цвет) имеют более высокое среднеквадратичное отклонение по сравнению с параметрическим методом начальной загрузки postpi (темно-синий цвет).На рис. 7A оценки отсутствия коррекции имеют среднеквадратичное значение 0,46 (оранжевый цвет) по сравнению с истинным значением, которое снижено до 0,24 с помощью параметрических (темно-синий цвет) и непараметрических (светло-синий цвет) методов начальной загрузки postpi. SE без коррекции на рис. 7B имеют rmse 0,03 (оранжевый цвет), которые скорректированы до rmses 0,013 для параметрической начальной загрузки postpi (темно-синий цвет) и 0,024 для непараметрической начальной загрузки postpi (голубой цвет). Итоговая статистика t на рис. 7C улучшена со среднеквадратичного значения 1.21 для отсутствия коррекции (оранжевый цвет) до 0,79 для параметрической начальной загрузки postpi (темно-синий цвет) и до 0,73 для непараметрической начальной загрузки postpi (голубой цвет).

    Рис. 7.

    Прогнозирование двенадцати причин смерти. Данные были собраны из PHMRC, описанной в разделе «Описание причин смерти». По оси x отложены значения, рассчитанные с использованием наблюдаемого результата, а по оси y - значения, рассчитанные без коррекции (оранжевый цвет), параметрическая postpi начальной загрузки (темно-синий цвет) и непараметрическая postpi начальной загрузки (светло-синий цвет).Мы показываем (A) оценки, (B) SE и (C) t-статистику. Подход параметрической начальной загрузки postpi улучшает среднеквадратичную ошибку оценок, SE и t-статистику по сравнению с отсутствием коррекции.

    Обсуждение

    По мере того как машинное обучение становится все более распространенным в различных научных условиях, прогнозируемые результаты будут все чаще использоваться в качестве зависимых переменных в последующих статистических анализах. Как мы показали, нескорректированный вывод постпрогнозирования может привести к сильно изменчивым или смещенным оценкам интересующих параметров, слишком маленьким SE, антиконсервативно смещенным значениям P и ложноположительным результатам.

    Мы ввели методы корректировки вывода постпрогнозирования и корректировки точечных и интервальных оценок при использовании прогнозируемых результатов вместо наблюдаемых. Наш метод достаточно гибок, чтобы его можно было применять к непрерывным и категориальным данным о результатах, наблюдаемых в таких областях, как медицина, общественное здравоохранение и социология. С помощью смоделированных и реальных данных мы показываем, что наши результаты превосходят наиболее распространенный текущий подход, состоящий в игнорировании шага прогнозирования и выполнении вывода без исправлений.Путем надлежащего моделирования изменчивости и систематической ошибки, связанной с шагом прогнозирования, оценки, SE, статистика тестов и значения P корректируются в соответствии с анализом золотого стандарта, который мы получили бы, как если бы мы использовали истинные результаты.

    Наш подход основан на ключевом наблюдении: взаимосвязь между наблюдаемыми и прогнозируемыми результатами может быть описана как простая модель. Хотя это наблюдение эмпирически верно для рассмотренных нами моделей и алгоритмов, оно не может быть универсальным.Одним из ограничений нашего подхода является то, что он зависит от соответствия модели отношений. Например, когда прогнозируемые значения получены от слабых учеников, корреляция между наблюдаемыми и прогнозируемыми результатами не является сильной, что может не быть хорошо отражено простой моделью. Другое ограничение состоит в том, что мы предполагаем, что наборы для обучения, тестирования и проверки соответствуют одному и тому же распределению генерации данных. Если это предположение не выполняется, логический вывод, выполняемый для значений начальной загрузки в наборе проверки, больше не будет отражать истинный базовый процесс генерации данных.Потенциальное решение состоит в том, что мы должны сначала провести нормализацию данных, используя такие методы, как анализ суррогатных переменных (54), удалить нежелательные вариации (55) и removeBatchEffect в линейных моделях для данных микрочипа (56), чтобы исправить скрытые искажающие факторы при тестировании или валидации. наборы. Затем нормализованные образцы могут быть введены в наш метод для последующего логического анализа.

    Несмотря на эти ограничения, корректировка вывода постпрогнозирования имеет решающее значение для точного вывода при использовании результатов, полученных с помощью методов машинного обучения.Наша поправка представляет собой шаг к общему решению проблемы вывода постпрогнозирования.

    Выражение признательности

    Исследование, представленное в этой публикации, было поддержано Национальным институтом общих медицинских наук Национальных институтов здравоохранения (NIH) в рамках награды R01GM121459, Национальным институтом психического здоровья Национального института здоровья (NIH) в рамках премии DP2Mh222405 и Юнис Национальный институт детского здоровья и развития человека им. Кеннеди Шрайвера Национального института здоровья (NIH) присужден награде R21HD095451.

    Сноски

    • Вклад авторов: S.W., T.H.M. и J.T.L. спланированное исследование; S.W., T.H.M. и J.T.L. проведенное исследование; S.W., T.H.M. и J.T.L. внесены новые реагенты / аналитические инструменты; С.В. проанализированные данные; и S.W., T.H.M. и J.T.L. написал газету.

    • Авторы заявляют об отсутствии конкурирующей заинтересованности.

    • Эта статья представляет собой прямое представление PNAS.

    • Эта статья содержит вспомогательную информацию на сайте https: // www.pnas.org/lookup/suppl/doi:10.1073/pnas.2001238117/-/DCSupplemental.

    • Copyright © 2020 Автор (ы). Опубликовано PNAS.

    Домашняя страница Зака ​​Чейза Липтона

    Моя работа и приблизительно правильная лаборатория машинного интеллекта

    Сейчас я доцент Университета Карнеги-Меллона (CMU) совместно работает в Тепперской школе бизнеса и на кафедре машинного обучения. Кроме того, я являюсь членом Школы государственной политики Хайнца.Мои исследования охватывают основные методы и теорию машинного обучения, их приложения в здравоохранении и обработке естественного языка, и критические опасения, как по поводу самого метода расследования, и влияние технологии, которую она производит, на социальные системы. Я получил докторскую степень в самом красивом из университетов. (в группе искусственного интеллекта UCSD), и если бы у меня была машина времени, я бы вернулся назад, на два года дольше получить высшее образование и научиться серфингу.

    Я веду лабораторию приблизительно правильного машинного интеллекта (ACMI), группа замечательных учеников, творчество и талант которых основные причины, по которым я еще не переехал на небольшой остров в Эгейском море, где я бы пас стаю коз, постепенно овладевайте многовековым ремеслом изготовления спиртных напитков из местных трав, и посвятить остаток своей жизни написанию третьесортных научно-фантастических романов.Мы особенно заинтересованы в (i) создании надежных систем. которые могут справиться с изменяющимся миром, будь то из-за естественного сдвига распределения, или к стратегическим манипуляциям тех, кто принимает автоматизированные решения; (ii) понимание социальных последствий машинного обучения философски последовательным образом; (iii) пересечение репрезентативного обучения и причинности; и (iv) использование ML для решения важных вопросов клинической медицины.

    Ценю ясную, понятную научную прозу и с этой целью являются автором / соавтором два обзора литературы (по РНС и дифференциальная конфиденциальность) и совсем недавно интерактивная книга, Погрузитесь в глубокое обучение, который учит глубокому обучению с помощью объяснения, математики и кода в полностью интерактивном учебнике, написанном на Jupyter и автоматически компилируется в HTML и PDF (готовится к печати Cambridge University Press).Осенью 2016 года я запустил приложение "Примерно правильно", блог, цель которого - объединить технические и социальные аспекты машинного обучения. Мы добились определенных успехов в устранении неправильных представлений об ИИ, как в более широком дискурсе, так и в исследовательском сообществе, но проблема только обострилась.

    Новости

    Как выбрать метод машинного обучения

    Почему существует так много методов машинного обучения? Дело в том, что разные алгоритмы решают разные задачи.Результат, который вы получите, напрямую зависит от выбранной вами модели. Вот почему так важно знать, как согласовать алгоритм машинного обучения с конкретной проблемой.

    В этом посте мы и поговорим именно об этом. Давайте начнем.

    Разнообразие техник машинного обучения

    Прежде всего, чтобы выбрать алгоритм для вашего проекта, вам нужно знать, какие из них существуют. Давайте освежим ваши знания о различных классификациях.

    Алгоритмы сгруппированы по стилю обучения

    Алгоритмы можно сгруппировать по стилю обучения.

    Обучение с учителем

    В случае обучения с учителем машинам нужен «учитель», который их «обучает». В этом случае специалист по машинному обучению собирает набор данных и маркирует его. Затем им нужно передать обучающий набор и правила машине. Следующий шаг - посмотреть, как машина справляется с обработкой данных тестирования. Если есть какие-то ошибки, программист их исправляет и повторяет действие до тех пор, пока алгоритм не сработает точно.

    Обучение без учителя

    Этот тип машинного обучения не требует преподавателя.Компьютеру предоставляется набор немаркированных данных. Предполагается, что он сам находит закономерности и дает идеи. Люди могут немного направлять машину в процессе, также предоставляя набор помеченных данных для обучения. В этом случае это называется полу-контролируемым обучением.

    Обучение с подкреплением

    Обучение с подкреплением происходит в среде, где компьютер должен работать. Окружающая среда действует как учитель, обеспечивая машине положительную или отрицательную обратную связь, которая называется подкреплением.


    Вы можете найти более подробное объяснение этих методов в нашем посте о разнице между ИИ и машинным обучением.

    Методы машинного обучения, сгруппированные по типу проблемы

    Другой способ разделить методы на группы основан на задачах, которые они решают.

    В этом разделе мы поговорим о классификации, регрессии, оптимизации и других группах алгоритмов. Мы также собираемся взглянуть на их использование в промышленности. Для получения более подробной информации обо всех распространенных алгоритмах машинного обучения ознакомьтесь с нашим постом о классификации алгоритмов машинного обучения.

    Общие алгоритмы

    Вот самые популярные алгоритмы машинного обучения. Иногда они принадлежат к нескольким группам, потому что эффективно решают более одной проблемы.

    • Логистическая регрессия,
    • Линейная регрессия
    • Дерево решений
    • SVM
    • Наивный Байес
    • к-НН
    • К-средние
    • Нейронные сети
    • Случайный лес
    • Алгоритмы уменьшения размерности
    • Алгоритмы повышения градиента

    Чтобы помочь вам сориентироваться в посте, используйте эту картинку.В нем есть общие алгоритмы, о которых мы поговорим в этом посте.
    Классификация

    Классификация помогает нам решать широкий круг проблем. Это позволяет нам принимать более обоснованные решения, разбираться в спаме, прогнозировать, вернет ли заемщик ссуду, или отмечать друзей на фотографии в Facebook.

    Эти алгоритмы предсказывают метки дискретных переменных. Дискретная переменная имеет счетное число возможных значений и может быть классифицирована. Точность прогноза зависит от выбранной вами модели.

    Представьте, что вы разрабатываете алгоритм, который предсказывает, болен ли человек раком. В этом случае выбранная вами модель должна очень точно предсказывать результат.

    Типичными алгоритмами классификации являются логистическая регрессия, наивный байесовский алгоритм и SVM. Более подробную информацию о них и других алгоритмах вы можете найти в нашем блоге.

    Кластеризация

    Иногда вам нужно разделить вещи на категории, но вы не знаете, что это за категории.Классификация использует предопределенные классы для присвоения объектам. С другой стороны, кластеризация позволяет выявить сходства между объектами, а затем сгруппировать их по общим характеристикам. Это механизм, который лежит в основе обнаружения мошенничества, анализа документов, группировки клиентов и многого другого. Кластеризация широко используется в продажах и маркетинге для сегментации клиентов и персонализированного общения.

    K-NN, кластеризация k-средних, деревья решений, случайный лес - все это можно использовать для задач кластеризации.

    Прогноз

    Попытка выяснить взаимосвязь между двумя или более непрерывными переменными является типичной задачей регрессии.

    Примечание. Если переменная может принимать любое значение от минимального до максимального, она называется непрерывной переменной.

    Примером такой задачи является прогноз цен на жилье на основе их размера и местоположения. Цена дома в этом случае является непрерывной числовой переменной.

    Линейная регрессия - наиболее распространенный алгоритм в этой области.Алгоритмы многомерной регрессии, регрессии Риджа и регрессии LASSO используются, когда вам нужно смоделировать взаимосвязь между более чем двумя переменными.

    Оптимизация

    Программное обеспечение машинного обучения позволяет обеспечить основанный на данных подход к постоянному совершенствованию практически в любой области. Вы можете применить аналитику использования продукта, чтобы узнать, как новые функции продукта влияют на спрос. Сложное программное обеспечение, оснащенное эмпирическими данными, помогает выявлять неэффективные меры, позволяя избежать неудачных решений.

    Например, можно использовать гетерархическую систему управления производством, чтобы улучшить способность динамической производственной системы адаптироваться и самоуправляться. Методы машинного обучения выявляют наилучшее поведение в различных ситуациях в режиме реального времени, что ведет к постоянному совершенствованию системы.

    Алгоритмы градиентного спуска обычно используются в машинном обучении для работы с оптимизацией.

    Обнаружение аномалий

    Финансовые учреждения ежегодно теряют около 5% дохода из-за мошенничества.Создавая модели на основе исторических транзакций, информации социальных сетей и других источников данных, можно обнаружить аномалии, пока не стало слишком поздно. Это помогает обнаруживать и предотвращать мошеннические транзакции в режиме реального времени даже для ранее неизвестных видов мошенничества.

    Типичными алгоритмами обнаружения аномалий являются SVM, LOF, k-NN, k-means.

    Ранжирование

    Машинное обучение можно применять для построения моделей ранжирования. Ранжирование машинного обучения (MLR) обычно включает применение контролируемых, частично контролируемых или подкрепляющих алгоритмов.Примером задачи ранжирования являются системы поисковых систем, такие как SearchWiki от Google.

    Примерами алгоритмов ранжирования являются RankNet, RankBoost, RankSVM и другие.

    Рекомендация

    Рекомендательные системы предлагают пользователям ценные советы. Этот метод приносит пользу пользователям, а также приносит пользу компаниям, поскольку он мотивирует их клиентов покупать больше или исследовать больше контента.

    Пункты ранжируются в соответствии с их релевантностью. Наиболее актуальные из них отображаются пользователю.Актуальность определяется на основе исторических данных. Вы знаете, как это работает, если когда-либо смотрели что-нибудь на Youtube или Netflix. Системы предлагают вам видео, похожие на то, что вы уже смотрели.

    Основными алгоритмами, используемыми для рекомендательных систем, являются алгоритмы совместной фильтрации и системы, основанные на содержании.

    Как выбрать методы машинного обучения для решения вашей проблемы

    Как найти лучший алгоритм машинного обучения для вашей проблемы? Вы можете использовать три основных подхода.

    Обучение на основе задач

    Определите категорию своей проблемы. Можно классифицировать задачи по вводу и выводу.

    По вводу:

    • Если у вас есть набор помеченных данных или вы можете подготовить такой набор, это область контролируемого обучения.
    • Если вам все еще нужно определить структуру, это проблема неконтролируемого обучения.
    • Если вам нужна модель для взаимодействия с окружающей средой, вы примените алгоритм обучения с подкреплением.

    По выходным данным:

    • Если выходными данными модели является число, это проблема регрессии.
    • Если выходом модели является класс и известно количество ожидаемых классов, это проблема классификации.
    • Если выходом модели является класс, но количество ожидаемых классов неизвестно, это проблема кластеризации.
    • Если вам нужно повысить производительность, это оптимизация.
    • Если вы хотите, чтобы система предлагала варианты на основе истории действий, это проблема рекомендаций.
    • Если вы хотите получить представление о данных, примените модели распознавания образов.
    • Если вы хотите обнаружить проблемы, используйте алгоритмы обнаружения аномалий.

    Анализируйте свои данные

    Процесс выбора алгоритма не ограничивается категоризацией проблемы. Вам также необходимо внимательнее изучить свои данные, потому что они играют важную роль в выборе правильного алгоритма для решения проблемы. Некоторые алгоритмы обычно работают с меньшими наборами выборок, в то время как другие требуют огромного количества выборок. Некоторые алгоритмы работают с категориальными данными, а другие работают только с числовым вводом.

    Для понимания ваших данных требуются определенные шаги:

    • Обработка. Компоненты обработки данных - это предварительная обработка, профилирование, очистка, сбор данных из различных внутренних и внешних источников.
    • Разработка функций. Вам необходимо преобразовать необработанные данные в функции, которые могут представлять основную проблему для прогнозных моделей. Это помогает повысить точность и быстрее получить желаемые результаты.

    Выбор алгоритма - комплексная задача, требующая анализа множества факторов.

    Прочие факторы, которые могут повлиять на выбор модели:

    • Точность модели;
    • Интерпретируемость модели;
    • Сложность модели;
    • Масштабируемость модели;
    • Время, необходимое для создания, обучения и тестирования модели;
    • Время, необходимое для прогнозирования с использованием модели;
    • Если модель соответствует вашим бизнес-целям.

    Метод проб и ошибок

    Иногда проблема слишком сложна, и вы не знаете, с чего начать.Кажется, что подходят несколько моделей, и трудно предсказать, какая из них окажется наиболее эффективной. В этом случае вы можете протестировать пару моделей и оценить их.

    Настройте конвейер машинного обучения. Он будет сравнивать производительность каждого алгоритма в наборе данных на основе ваших критериев оценки. Другой подход - разделить данные на подмножества и использовать один и тот же алгоритм для разных групп. Лучшее решение для этого - сделать это один раз или запустить службу, которая будет делать это через определенные промежутки времени при добавлении новых данных.

    Нейронные сети

    Наконец, большинство задач, которые ML приходится решать сегодня, можно решить с помощью нейронных сетей. Итак, окончательный подход к выбору модели машинного обучения - всегда использовать искусственные нейронные сети.

    Однако эти модели дороги и требуют много времени для сборки, поэтому до сих пор существуют другие модели. Нейронным сетям нужны очень большие базы данных, чтобы быть точными. Другие типы методов машинного обучения могут быть не такими универсальными, но эффективно решают поставленные задачи даже при работе с небольшими наборами данных.

    Более того, они имеют тенденцию переоснащаться, а также их трудно интерпретировать - нейронные сети в основном являются черными ящиками, и исследователи не знают, что происходит внутри.

    Итак, если у вас небольшой бюджет, небольшая выборка данных или вы стремитесь получить ценные сведения, которые легко понять, сетевые сети не для вас.

    Заключительные мысли

    Ваши результаты зависят от того, удастся ли вам выбрать и построить успешную модель машинного обучения. Если у вас есть проект машинного обучения и вы ищете решения, разработчики Serokell могут помочь вам создать и реализовать модель машинного обучения, которая соответствует вашим бизнес-целям.Свяжитесь с нами, чтобы узнать, как мы можем помочь вам с вашим проектом.

    Советы по выбору правильного тренажера

    Вы можете запустить эффективную программу упражнений, используя только то, что дала вам природа: ваше тело. Но поскольку регулярная деятельность остается недостижимой целью для большинства людей, многомиллиардная индустрия расцвела вокруг обещаний безусловного успеха. Членство в клубах здоровья и домашнее оборудование для тренировок - отличные решения для многих людей. Однако помните об этих предостережениях:

    • Даже самое лучшее оборудование и самые современные тренажерные залы дают результаты только при регулярном использовании.
    • Научитесь правильно пользоваться снаряжением, чтобы избежать травм, которые могут временно или навсегда лишить вас возможности.
    • Тренажеры бывают всех размеров, форм и цен. Перед покупкой стоит проверить рейтинги потребителей и следовать другим нашим советам для умных потребителей.

    Ниже приведены некоторые основные сведения, которые вам следует знать, если вы работаете на рынке.

    Кардиооборудование

    Если вы зайдете в какой-нибудь тренажерный зал, вы увидите ряды тренажеров, имитирующих езду на велосипеде, ходьбу и бег, каякинг, греблю, катание на лыжах и подъем по лестнице.Независимо от того, моторизованы они или нет, предназначены для интенсивного использования в тренажерном зале или в более легких домашних версиях, эти тренажеры предлагают хорошие кардиотренировки, сжигающие калории и жир. Более того, ваша тренировка проходит в помещении, вдали от непогоды.

    Цена варьируется от нескольких сотен долларов до тысяч, в зависимости от того, является ли машина моторизованной или программируемой, и есть ли у нее надстройки, такие как устройства для измерения частоты сердечных сокращений, сожженных калорий или МЕТ, прошедшего времени и т. Д. Хотя эта информация, как правило, не совсем точна, она может побудить вас активизировать тренировки или может быть важна, если ваш врач посоветовал вам ограничить активность.Ниже приведены некоторые из наиболее популярных типов аэробных тренажеров.

    Беговая лыжная машина

    Этот тренажер позволяет тренировать руки и ноги одновременно, как при беговых лыжах. Колени скользят легко. На некоторых машинах вам нужно сдвинуть одну лыжу вперед, чтобы другая двигалась назад. На других лыжи двигаются независимо. Кроме того, в некоторых лыжных машинах используются веревки, а в других - стационарные рукоятки. Ознакомьтесь со всеми этими типами, чтобы выбрать наиболее удобный для вас.Для устойчивости ищите широкую подставку для ног.

    Эллиптические тренажеры

    Эти тренажеры обеспечивают круговое движение вверх и вниз, что-то среднее между лыжным тренажером и степпером. Они обеспечивают практически безударную тренировку, что облегчает работу суставов. Сопротивление и уклон можно регулировать автоматически или вручную на некоторых моделях, а также могут быть доступны рычаги с рукоятками для работы с верхней частью тела. Чтобы привыкнуть к необычному движению, может потребоваться некоторое время. Ищите удобные рули и нескользящие педали с изогнутыми выступами.Испытайте машину на разных скоростях и уклонах, чтобы убедиться, что она устойчива.

    Гребные тренажеры

    Гребной тренажер

    одновременно прорабатывает спину, руки и ноги, предлагая тренировку, максимально приближенную к тренировке всего тела, доступную на тренажере. Если вы не привыкли к гребле, движения сначала могут показаться незнакомыми, и некоторым людям будет тяжело работать со спиной. При покупке учитывайте модели шкивов, а не поршневые, для более реалистичного опыта гребли.

    Лестницы-степперы

    Эти тренажеры обеспечивают тренировку с низким уровнем воздействия, которая напоминает подъем по лестничным пролетам.В некоторых режимах также есть рычаги с рукоятками для работы рук. Новичкам может показаться, что шаговые тренажеры утомительны, а колени могут быть затруднены. Ищите машины, которые обеспечивают независимое движение ног и оснащены поручнями и большими лестничными площадками.

    Велосипед стационарный

    Велотренажер не требует тренировок и прост в использовании, хотя может быть неудобным при длительных поездках. Хотя езда не так эффективна для предотвращения остеопороза, как упражнения с отягощениями, она обеспечивает отличную тренировку сердечно-сосудистой системы.Ищите модель с удобным регулируемым сиденьем и фиксаторами для пальцев. Если сиденье слишком жесткое, узнайте, можно ли заменить сиденье на модель с амортизатором, купленную отдельно.

    Беговая дорожка

    Эта машина позволяет вам ходить или бегать в помещении. Некоторые модели имеют гибкую поверхность с меньшим сотрясением суставов. Выбирайте моторизованную беговую дорожку. Приобретая один, обратите внимание на мощный двигатель (машина прослужит дольше), ремень, достаточно длинный и широкий для вашего шага, прочную раму с передними боковыми направляющими для безопасности и устройство аварийной остановки.Вы должны иметь возможность регулировать скорость и уклон, чтобы идти в удобном темпе.

    Силовое оборудование

    Используя силу тяжести, веса тела, внешнего веса или натяжения в качестве силы сопротивления, эти устройства помогают вам наращивать силу. Как и в случае с кардиотренажерами, стили и цены варьируются в широких пределах: от дорогого профессионального оборудования, которое чаще всего встречается в спортзалах и клубах здоровья, до доступных портативных домашних моделей.

    Если вы только начинаете, вы можете сэкономить целое состояние, выбрав несколько базовых вещей - удобную обувь для ходьбы плюс гантели, эластичные ленты или шланги - вместо того, чтобы вкладывать значительную сумму денег в силовые тренажеры.

    Утяжелители для щиколотки

    Необязательны для силовых упражнений, таких как подъем ног в стороны и разгибание бедер. Поищите удобные мягкие манжеты на щиколотках с карманами, предназначенными для удержания грифов весом в полфунта или фунта, которые можно добавлять по мере продвижения. Наборы веса на лодыжку обычно составляют от 5 до 10 фунтов. Одной манжеты может быть достаточно, в зависимости от упражнений, которые вы собираетесь выполнять.

    Коврик для упражнений

    Выберите нескользящий коврик с хорошей подкладкой для вольных упражнений. В крайнем случае подойдет толстый ковер или полотенца.

    Гири

    В зависимости от вашей текущей силы, начните с подходов с отягощениями от 2 до 5 фунтов или от 5 до 8 фунтов. При необходимости добавьте более тяжелые веса. Гантели с мягкими центральными перекладинами и D-образными грузами легко удерживать. Также доступны утяжелители, которые крепятся на запястья, и комплекты, позволяющие привинчивать грузы к центральной перекладине. Гири - хорошее место, чтобы сэкономить деньги, проверяя спортивные магазины перепродажи.

    Эспандеры и трубки

    Эспандеры или трубки можно использовать для силовой тренировки всего тела.Среди привлекательных особенностей - низкая стоимость, легкий вес, портативность и простота хранения. Как и в случае с отягощениями, вы можете измерить, насколько сложно сопротивляться, по количеству повторений упражнения, которое вы можете сделать: если меньше восьми, сопротивление слишком велико; если больше 12, это слишком мало. Расположите руки или ноги ближе друг к другу или дальше друг от друга на ремешке или трубе перед началом упражнения, чтобы изменить сопротивление. Попробуйте разные позы, чтобы понять, что облегчает повторение, а какое тяжелее.

    Полосы.Они выглядят как большие и широкие резинки. Они бывают нескольких уровней устойчивости от очень легкой до очень тяжелой, обозначенных цветом.

    НКТ. Ищите трубки с мягкими ручками на каждом конце. Они также бывают нескольких уровней устойчивости от очень легкой до очень тяжелой, обозначенных цветом. Некоторые бренды поставляются с дверным креплением, которое помогает закрепить трубку на месте при выполнении определенных силовых упражнений.

    Поделиться страницей:

    Заявление об ограничении ответственности:
    В качестве услуги для наших читателей Harvard Health Publishing предоставляет доступ к нашей библиотеке заархивированного содержания.Обратите внимание на дату последнего обзора или обновления всех статей. Никакой контент на этом сайте, независимо от даты, никогда не должен использоваться вместо прямого медицинского совета вашего врача или другого квалифицированного клинициста.

    Выбор подходящей камеры | Выбор машинного зрения | Основы машинного зрения

    Шаг 1. Выбор на основе разрешения (высокое или стандартное разрешение).

    Датчик изображения (CCD или CMOS), используемый в камере технического зрения, представляет собой совокупность небольших пикселей, расположенных в виде сетки.Датчики изображения стандартного типа обычно имеют 310000 пикселей (640 × 480), в то время как датчики с высоким разрешением могут иметь от 2 до 21 мегапикселей. Требования к приложению будут определять подходящий тип камеры.

    Как правило, выбирают камеру в зависимости от размера поля зрения и разрешения в пикселях. Размер поля зрения - это область, захваченная на проверяемой цели, которую можно изменить с помощью используемого объектива. Разрешение пикселей означает, скольким миллиметрам равен каждый пиксель, и соотношение выражается следующим уравнением.

    Разрешение пикселей = Размер поля зрения в направлении Y (мм) ÷ количество пикселей сенсора в направлении Y

    В качестве примера разрешения в пикселях будет использоваться поле обзора 30 мм 1,18 дюйма в направлении Y. Типы датчиков изображения, которые будут использоваться в этом примере, - это стандартная модель на 310000 пикселей (Y = 480 пикселей) и универсальная 2-мегапиксельная модель с высоким разрешением (Y = 1200 пикселей).

    [разрешение камеры 310000 пикселей] = 30 мм 1.18 дюймов / 480 пикселей = 0,063 мм 0,002 дюйма / пиксель
    [Разрешение 2-мегапиксельной камеры] = 30 мм 1,18 дюйма / 1200 пикселей = 0,025 мм 0,001 дюйма / пиксель

    Если желаемое разрешение в пикселях известно приложению, то же уравнение можно использовать для расчета приблизительного поля зрения, которое обеспечит камера. Проверка внешнего вида и проверка размеров - типичные области применения машинного зрения. При выполнении оценки «годен / не годен» способность обнаружения учитывается при проверке внешнего вида, а допуск на размер учитывается при проверке размеров.

    Следующие общие принципы могут быть использованы в качестве справочных для расчета:
    Способность обнаружения = область 4 пикселя
    Допуск размеров = ± 5 пикселей

    Используя вычисленное выше разрешение в пикселях, можно получить возможность обнаружения для проверки внешнего вида.
    [Способность обнаружения 310000-пиксельной камеры] = 0,063 мм 0,002 дюйма / пиксель × 4 пикселя = 0,25 мм 0,01 дюйма
    [Способность обнаружения 2-мегапиксельной камеры] = 0.025 мм 0,001 дюйма / пиксель × 4 пикселя = 0,1 мм 0,004 дюйма

    Исходя из этих расчетов, если для проверки требуется обнаружение посторонних частиц размером всего 0,1 мм 0,004 дюйма с полем зрения 30 мм 1,18 дюйма, необходима камера с разрешением 2 МП или более.

    Артикул: Увеличенный вид инородных частиц размером 0,5 мм 0,02 дюйма в поле зрения 30 мм 1,18 дюйма

    Пункт 1:

    Вы можете выбрать камеру с оптимальным количеством пикселей, рассматривая разрешение в пикселях как критерий для оценки годен / не годен.

    Шаг 2. Выбор на основе цветного или монохромного датчика изображения

    Один из распространенных вопросов при выборе типа камеры - использовать ли цветной или монохромный тип. Вообще говоря, если различия в точках считывания обнаруживаются на основе оттенка, цветные камеры могут иметь преимущество. Ниже показан пример использования обработки цвета для обнаружения желтого пятна на белой основе, которое нелегко обнаружить с помощью монохромной камеры.

    Однако у монохромных фотоаппаратов есть некоторые преимущества перед цветными. Для измерения размеров с использованием задней подсветки, как показано ниже, идеально подходят монохромные камеры, поскольку они сильно изменяют контраст. Кроме того, поскольку цветные камеры используют фильтр Байера (где каждый пиксель зависит от соседних пикселей для получения полной цветовой информации), они обычно менее точны, чем монохромные камеры для измерений размерного типа с использованием краев.

    Контроль размеров металлических деталей с использованием подсветки
    Пункт 2:

    Определите, имеют ли точки считывания изменение оттенка или изменение яркости при выборе датчика изображения!

    Нужна помощь в выборе подходящей кофемашины (Foreigner Edition): Кофе

    Привет, кофе,

    Итак, я студент университета в Южной Африке и хочу купить кофемашину эспрессо и кофемолку, так как учусь в университете, я могу » Я не могу позволить себе что-нибудь высшего класса.

    Я уже искал похожие дешевые сообщения в этой подписке раньше и нашел кое-что, но подумал, что лучше спросить себя, поскольку ситуация другая.

    Итак, я видел, как многие люди говорили, что не стоит покупать машину дешевле 200 долларов, однако из-за нашего прекрасного обменного курса и необходимости обдирать людей здесь эти машины за 200 долларов намного больше. Примером был breville, на Amazon это 599 долларов, а здесь скорректированный обменный курс - 835 долларов за ту же машину.

    Так что, к сожалению, у нас нет реального выбора для покупки, кроме 1 или 2 машин, и онлайн здесь не такой большой, как и на местном Amazon.

    На месте я могу купить Breville Cafe Venezia BES250 за сумму, эквивалентную 300 долларам.

    Или я могу импортировать из Amazon (доставка составляет около 158 долларов или около того, не могу припомнить) DeLonghi EC155, который стоит 78 долларов.

    Самое большее, что я могу, может быть, заставлю купить DeLonghi EC702 со скидкой 185 долларов на Amazon. (Тем не менее, я читал, что это в основном те же внутренние компоненты, что и EC155, так что если это так, то в этом нет смысла?)

    Что из них было бы лучше (очевидно, есть огромная разница в цене, просто я видел много плохих отзывов, как и в большинстве обзоров, на Breville, и я не уверен, стоит ли его получать), так как у меня есть выбор ТОЛЬКО между ними, что приведет к общей сумме выше 200 долларов, однако большая часть импортируется для вариантов 2 и 3 и поэтому не в саму машину.

    Итак, я знаю, что все скажут «сэкономьте и купите лучшую машину», но это не должно длиться долго, только год или два, и я смогу купить лучшую машину.

    Кроме того, в основном это должны быть Breville или DeLonghi из-за поддержки клиентов здесь, они как единственные 2 бренда, которые могут помочь, если что-то пойдет не так.

    Также я никогда не буду пользоваться паровой трубкой, я пью только эспрессо, так как не пью молоко, так что это не проблема, если одна лучше другой.