Daten in Informationen umwandeln – Die Anwendung multivariater statistischer Verfahren in der Agrochemikalienproduktion
Alan Brown, PhD, leitender technischer Experte – Syngenta
Syngenta ist ein weltweit führendes Agrarunternehmen und bietet Landwirten und Gärtnern Pflanzenschutzmittel (Herbizide, Insektizide und Fungizide), Pflanzen und Saatgut an. Die Herstellung der chemischen Wirkstoffe erfolgt an verschiedenen Standorten in einer Kombination aus Batch- und kontinuierlicher Verarbeitung. Charakteristisch für diese Standorte ist die Produktion großer Datenmengen. Diese Präsentation veranschaulicht die Nutzung der Modellierungs- und Multivariatenfunktionen von JMP Pro, um diese Daten in Informationen umzuwandeln, die ein besseres Prozessverständnis ermöglichen. Drei Beispiele für zunehmende Komplexität werden vorgestellt. Das erste Beispiel nutzt eine Hauptkomponentenanalyse (PCA) von sechs Variablen, um die Ursache für Leistungsunterschiede zwischen zwei Produktionseinheiten zu untersuchen. Das zweite Beispiel berücksichtigt 34 Variablen (z. B. Durchfluss, Temperatur, Druck usw.) eines kontinuierlichen Prozesses und nutzt Klassifizierungstechniken wie rekursive Partitionierung, Boosted Trees, PLS-DA und neuronale Netze, um die polymorphe Form eines Produkts vorherzusagen. Derselbe Satz von Eingangsvariablen wird verwendet, um die Menge einer Gruppe verwandter chemischer Verunreinigungen mithilfe von PLS und neuronalen Netzen zu modellieren. Das dritte Beispiel verwendet PCA/PLS und rekursive Partitionierung, um die Unterschiede zwischen drei parallelen Produktionsströmen zu untersuchen. Daten zu 14 Prozessvariablen wurden für 30 Chargen erfasst, 10 für jeden Strom. Pro Variable und Charge wurden etwa 400 Beobachtungen im Minutentakt erfasst.
