Data Analysis at GVC/DECHEMA 2004

Abstract

Messdaten aus laufenden Produktionsprozessen werden mit Hilfe von „Process Historians“ oder Prozessinformationsmanagementsysteme (PIMS) immer häufiger längerfristig archiviert. Die Analyse dieser Daten ermöglicht Prozessoptimierungen bezüglich Produktionskosten und Produktqualität, die Fehlersuche bei Produktions- oder Qualitätsproblemen oder präventive Instandhaltungsmaßnahmen – zumindest im Prinzip. In der Praxis werden diese Möglichkeiten aber unzureichend genutzt. Hierfür gibt es eine Reihe von Gründen. Reale Prozessdaten sind dadurch charakterisiert, dass sie in großer Menge und in schlechter Qualität vorliegen: Fehlende oder fehlerhafte Werte oder stark miteinander korrelierte Größen seien hier genannt. Bei absatzweisen Produktionsprozessen erschwert die unterschiedliche Dauer einzelner Kampagnen eine direkte vergleichende Analyse. Herkömmliche Analysemethoden, wie sie etwa in Statistikpaketen bereitgestellt werden, sind mit dieser kombinierten Problematik überfordert.

Dieser Beitrag beschreibt die Anwendung eines neuen, aus der Forschung stammenden Ansatzes auf Problemstellungen aus der Praxis. Der Ansatz basiert auf der Erkennung von zeitlichen Mustern in den Daten, so genannten Trends; unter diesen Oberbegriff fallen Sonderfälle wie stationäre Zustände oder lineare Verläufe einer Messgröße. Er vereinfacht die Sichtung großer Datensätze, auch wenn sehr viele Größen parallel gemessen wurden. Für die weiter gehende Analyse brauchen dann lediglich die als relevant erkannten Prozesszeiträume betrachtet zu werden. Um die neue Methode auf reale Problemstellungen anwenden zu können, wurde ein prototypisches Softwarewerkzeug aus der Forschung erweitert, sodass auch die Analyse von Datensätzen mit mehreren Millionen Messpunkten keine Schwierigkeiten bereitet. Außerdem musste das methodische Vorgehen bei der Analyse gegenüber kleineren Problemstellungen verfeinert werden. Insgesamt ist die entwickelte Methodik damit reif für eine Anwendung in der Praxis.

Der Vortrag geht beispielhaft auf einige praktische Problemstellungen ein, die aus dem Kreis der Mitgliedsfirmen der Forschungstransfereinrichtung AixCAPE stammen. Ein Anwendungsfall ist die Sichtung stationärer Prozesszustände, um daraus ein Modell zur Vorhersage einer Qualitätsgröße zu gewinnen, die bislang nur umständlich über eine Probenentnahme bestimmt werden konnte. In einem anderen Beispielprozess ging es darum, eine Zielgröße zu maximieren. Hier wurden mit dem trendbasierten Ansatz Erkenntnisse gewonnen, die weder eine zuvor erfolgte manuelle Sichtung der Daten noch ein modellbasierter Ansatz offen gelegt hatten.

Contact us to obtain an electronic copy of the slides.