Umwandlung von Daten in Informationen - Anwendung multivariater statistischer Techniken in der Agrochemie-Produktion
Alan Brown, PhD, technischer Hauptexperte - Syngenta
Syngenta ist ein weltweit führendes Agribusiness-Unternehmen, das Pflanzenschutzmittel (Herbizide, Insektizide und Fungizide), Pflanzen und Samen für Landwirte und Landwirte anbietet. Die Herstellung der chemischen Wirkstoffe erfolgt an mehreren Standorten durch eine Kombination aus diskontinuierlicher und kontinuierlicher Verarbeitung. Ein Merkmal dieser Standorte ist die Erzeugung großer Datenmengen. Diese Präsentation veranschaulicht die Verwendung der Modellierungs- und Multivariate-Funktionen in JMP Pro, um aus diesen Daten Informationen zu machen, die ein besseres Prozessverständnis ermöglichen. Es werden drei Beispiele für zunehmende Komplexität vorgestellt. Die erste verwendet die Hauptkomponentenanalyse (PCA) von sechs Variablen, um den Grund für Leistungsunterschiede zwischen zwei Produktionseinheiten zu untersuchen. Die zweite berücksichtigt 34 Variablen (z. B. Flüsse, Temperaturen, Drücke usw.) aus einem kontinuierlichen Prozess und der Verwendung von Klassifikationstechniken, wie rekursive Partitionierung, verstärkte Bäume, PLS-DA und neuronale Netzwerke, um die polymorphe Form von vorauszusagen Ein Produkt. Dieselbe Menge von Eingangsvariablen wird verwendet, um die Menge einer Gruppe verwandter chemischer Verunreinigungen unter Verwendung von PLS und neuronalen Netzwerken zu modellieren. Das dritte Beispiel verwendet PCA / PLS und die rekursive Partitionierung, um die Unterschiede zwischen drei parallelen Produktionsströmen zu untersuchen. Daten zu 14 Prozessvariablen wurden für 30 Chargen gesammelt, 10 für jeden Strom. Pro Variable und Charge wurden ungefähr 400 Beobachtungen im Abstand von einer Minute erfasst.
