<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Elie Maricau , PhD, Advanced Process Control Engineer, BASF
elie.maricau
Eine Chemieanlage verwendet häufig Laboranalysen, um die Produktqualität zu überwachen und den Produktionsprozess anzupassen. Diese werden jedoch nur alle paar Stunden durchgeführt. Zwischen zwei Analysen ist die Produktionsqualität nicht bekannt und kann davon abweichen. Darüber hinaus sind Qualitätsschwankungen manchmal schwer von Messfehlern zu unterscheiden. Anlagenbetreiber wissen also nicht immer, welche Prozessparameter sich ändern, wenn die Qualität abweicht. In einigen Fällen können die oben beschriebenen Probleme gelöst werden, indem ein Inferenzmodell für die Produktqualität entwickelt wird. Für eine bestimmte Produktionsanlage in BASF Antwerpen wurde ein solches Modell in JMP Pro entwickelt. Das Modell wurde aus einem Rohdatensatz mit mehr als 8.000 Prozessparametern entwickelt, die zahlreiche fehlende Werte und Ausreißer enthalten, und hat eine gute Vorhersagekraft. Zu den verwendeten Techniken gehören die Datenbereinigung mit Imputation und Ausreißererkennung, die Funktionsauswahl mit Bootstrap-Forest-Partitionierung, die Identifizierung von Schlüsselparametern mit multivariater Analyse und variablem Clustering sowie die elastische Netzregression mit Trainings- und Validierungsdaten für die endgültige Modellentwicklung. Diese Präsentation gibt einen Überblick über den allgemeinen Ansatz, spezifische Tipps und Tricks bei der Entwicklung des Modells mit JMP und die Verwendung von JMP als Werkzeug zur Diskussion von Ergebnissen mit dem Werkspersonal. Die Analyse hilft der Anlage, die Parameter, die die Produktqualität beeinflussen, besser zu verstehen, während das Vorhersagemodell Entscheidungshilfen bietet, wann und wie man sich an den Produktionsprozess anpassen kann.
