Mattia Vallerio, Experte für fortgeschrittene Prozesskontrolle, Solvay
Francisco Navarro, Industrial Data Scientist, Solvay
Carlos Perez-Galvan, Industrial Data Scientist, Solvay
Chargenprozesse unterliegen einer hohen Variabilität: Rohstoffzusammensetzung, Ausgangszustand, Anlagendegradation und deren intrinsische dynamische Natur. Darüber hinaus sind sie durch mehrere unterschiedliche Phasen und Schritte gekennzeichnet, die die Bedingungen während des Herstellungsprozesses drastisch verändern. In dieser Präsentation veranschaulichen wir anhand eines Industriebeispiels, wie man mithilfe von Data Science und maschinellem Lernen diese hohe Variabilität und den scheinbaren Datenüberschuss in wertvolle Informationen umwandeln kann. Zunächst zeigen wir, wie Sie Stapeleigenschaften zu Funktionen zusammenfassen und das Open-Source-Predictor-Explainer-Add-In verwenden, um die relevantesten mithilfe von AutoML und ExplainableAI zu identifizieren. Anschließend diskutieren wir die Notwendigkeit, die Daten zeitlich abzugleichen, bevor die Trajektorienanalyse durchgeführt wird, und stellen kurz die Vor- und Nachteile verschiedener Methoden vor, um dieses Ergebnis zu erzielen. Abschließend tauchen wir in die Trajektorienanalyse ein. In diesem letzten Schritt verwenden wir die Functional Data Explorer-Funktionalität von JMP Pro, um Abweichungen zu überwachen und zu identifizieren. Die Analyse dieser Abweichungen wird uns dazu bringen, wichtige Verbesserungen der Prozesssteuerung zu identifizieren, um die Produktion weiter zu optimieren.
