Optimering av industriella processer är ett viktigt steg för kvalitetsäkring av processer och produkter och för en effektivt resurs- och energianvändning. En väsentlig del i kvalitetsarbetet med industriella batchprocesser är att spåra och minska processvariationer. Multivariata beräkningsmetoder är ett kraftfullt verktyg för detta men kräver ett systematisk arbetssätt för insamling och granskning av information, för utformning av beräkningsrutiner och för tolkning av resultaten.” Det som skiljer batchprocesser från mera vanliga kontinuerliga processer är att loggade data från processen förändras under batchens gång. Förutom dessa tidserier finns också skalära data, dvs ingångsdata som beskriver råvaror och bakgrundstillstånd samt resultatdata t.ex. i form av kvalitetsegenskaper. Den här rapporten beskriver arbetsgången vid multivariat analys och modellering av batchprocesser i industriella sammanhang. Arbetet sker i flera steg 1 Processbeskrivning 2 Datakatalogisering 3 Datainsamling och sammanställning 4 Analys och modellering 5 Rapportering För analys och modellering har vi använt principalkomponentanalys (PCA) och PLS-regression både på skalära data och på batchdata. Metoderna och tillvägagångssättet presenteras med användning av programmet SIMCA från Umetrics AB.
Optimization of industrial processes is an important part in quality assurance of processes and products for efficient resource and energy use. The tracing and reduction of process variations is an important part of total quality management for batch processes. Multivariate modelling methods are powerful tools in this work but requires a systematic procedure for data collection, data analysis, and results interpretation. The difference between batch and continuous processes is that batch processes have monitored variables that change during the evolution of the batch, while variables in continuous processes are kept steady. Apart from the time series logged during the evolution of the batches, there are also scalar data, such as initial data on raw material and background state data as well as result data such as quality data. This report describes the work procedure for multivariate analysis and modelling of industrial batch processes. The work can be divided in multiple steps 1 Process description 2 Data dictionary 3 Data collection and joining 4 Analysis and modelling 5 Reporting We have used principal components analysis (PCA) and PLS-regression both on scalar and time series data. The methods and the modelling procedures are presented using the program SIMCA from Umetrics AB.