Level: Mittelstufe
David Autrique, Datenwissenschaftler, BASF
John Van Landschoot, Master Thesis Student, Universität Gent
Prozessüberwachung mit Inline-Sensoren ist in chemischen Produktionsanlagen weit verbreitet. Diese Messungen erzeugen normalerweise große Datenmengen. Diese Fülle an Informationen führt bei richtiger Nutzung zu einem besseren Prozessverständnis und letztendlich zu einer Produktionsoptimierung. In den vergangenen Jahren hat die Spektroskopie als schnelle und zuverlässige Inline-Technik zur Überwachung chemischer Prozesse zur Verfolgung der Produktqualität an Bedeutung gewonnen. Da spektrale Informationen typischerweise aus vielen stark korrelierten Variablen bestehen, werden typischerweise Techniken zur Verringerung multivariater Dimensionen eingesetzt, um die beobachteten Prozessvariationen zu erklären. Zwei interessante, aber grundsätzlich unterschiedliche Modellierungskandidaten können identifiziert werden: Partial Least Squares (PLS) und ein Auswahlmerkmal in JMP 14, Functional Principal Component Analysis (Functional PCA). Während PLS Spektraldaten als Ansammlung einzelner Punkte behandeln würde, beschreibt funktionale PCA ein Spektrum als funktionale Form. Ein möglicher Vorteil der letzteren, dh der funktionellen Spektralbehandlung, ergibt sich aus der Kombination von Glättung und Dimensionsverringerung. Im Gegensatz zu PLS berücksichtigt funktionale PCA die Reihenfolge der unterschiedlichen Wellenlängenintensitäten eines Spektrums. In diesem Vortrag werden wir die tatsächlichen Prozessdaten verwenden, um den Modellierungsworkflow für beide Techniken zu demonstrieren. Dann werden wir die Modellierungsleistung beider Techniken vergleichen und unsere Erkenntnisse in Bezug auf die praktische Anwendung teilen.
