Article
Licensed
Unlicensed Requires Authentication

Qualitätsprognose anhand Prozess-parametern einer Papiermaschine mittels Industrial Data Science

  • , , and
Published/Copyright: May 29, 2019
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 114 Issue 5

Kurzfassung

Eine hohe Prozessstabilität und Produktqualität ist für viele Unternehmen entscheidend, um in einem sehr kompetitiven Markt konkurrenzfähig zu bleiben. Vor dem Hintergrund der digitalen Transformation der Produktion werden an Produktionsanlagen eine Vielzahl an Prozess- und Qualitätsdaten erfasst, verarbeitet und gespeichert. In diesem Zusammenhang wird in diesem Beitrag ein Ansatz zur Qualitätsprognose anhand Prozessparametern einer Papiermaschine mittels Industrial Data Science vorgestellt. Der entwickelte Ansatz ermöglicht eine Reduktion des qualitätsbedingten Ausschusses aufgrund kürzerer Reaktionszeiten im Fall von Prozessschwankungen.

Abstract

High process stability and product quality are key factors for many companies to remain competitive in a highly competitive market. Considering digital transformation of production, a large amount of process and quality data is recorded, processed and stored at production plants. In this context, an approach to quality prediction based on process parameters of a paper machine using Industrial Data Science is presented. The developed approach enables a reduction of quality related waste due to shorter reaction times in case of process fluctuations.

Dipl.-Ing. Anton Stockert, geb. 1992, studierte Wirtschaftsingenieurswesen-Maschinenbau an der Technischen Universität Wien. Im Rahmen seiner Diplomarbeit untersuchte er in Kooperation mit Fraunhofer Austria sowie einem multinationalen Papierkonzern die Potentiale angewandter Data Science an Papiermaschinen.

Dipl.-Ing. Robert Glawar, geb. 1986, ist Wissenschaftlicher Mitarbeiter und Projektleiter bei Fraunhofer Austria auf dem Gebiet der Produktionsoptimierung und Industrial Engineering. Seine Hauptbetätigungsfelder liegen in der Gestaltung und Implementierung von Lösungen in der Instandhaltung und Anlagenmanagement.

Dr.-Ing. Fazel Ansari, geb. 1981, forscht als Assistant Professor bei Fraunhofer Austria und am Institut für Managementwissenschaften der Technischen Universität Wien, wo er die Forschungsgruppe „Smart and Knowledge-Based Maintenance“ leitet.

Prof. Dr. Wilfried Sihn, geb. 1955, leitet seit 2004 den Forschungsbereich für Betriebstechnik, Systemplanung und Facility Management am Institut für Managementwissenschaften an der Technischen Universität Wien und ist Geschäftsführer von Fraunhofer Austria.

Literatur

1. Westkämper, E.; Schloske, A.: Fertigungs-und Fabrikbetrieb. In: Dubbel: Taschenbuch für den Maschinenbau. Springer-Vieweg-Verlag, Berlin, Heidelberg2018, S. 1510–154110.1007/978-3-662-54805-9_118Search in Google Scholar

2. Laudenbach, P.: Papier ist ungeduldig (2017). Online unter https://www.brandeins.de/magazine/brand-eins-wirtschaftsmagazin/2017/offenheit/papier-ist-ungeduldig [Letzter Aufruf am 04.04.2019]Search in Google Scholar

3. Blechschmidt, J.: Taschenbuch der Papiertechnik. 2. Aufl., Carl Hanser Verlag, Leipzig201310.3139/9783446437012Search in Google Scholar

4. Ansari, F.; Erol, S.; Sihn, W.: Rethinking Human-Machine Learning in Industry 4.0: How Does the Paradigm Shift Treat the Role of Human Learning?Procedia Manufacturing 23, Elsevier, 2018, S. 117–12210.1016/j.promfg.2018.04.003Search in Google Scholar

5. Hopgood, A.: Intelligent Systems for Engineers and Scientists. 3. Aufl., CRC Press, Boca Raton201610.1201/b11287Search in Google Scholar

6. Subramaniyan, M.; Skoogh, A.; Salomonsson, H.: Data-driven Algorithm for Throughput Bottleneck Analysis of Production Systems. Production & Manufacturing Research6 (2018) 1, S. 225–24610.1080/21693277.2018.1496491Search in Google Scholar

7. Popovic, A.; Hackney, R.; Tassabehji, R.: The Impact of Big Data Analytics on Firms’ High Value Business Performance. Information System Frontiers20 (2018) 2, S. 209–22210.1007/s10796-016-9720-4Search in Google Scholar

8. Ansari, F.; Glawar, R.; Nemeth, T.: PriMa: A Prescriptive Maintenance Model for Cyber-physical Production Systems. International Journal of Computer Integrated Manufacturing, 201910.1080/0951192X.2019.1571236Search in Google Scholar

9. Ge, Z.: Review on Data-driven Modelling and Monitoring for Plant-wide Industrial Processes. Chemometrics and Intelligent Laboratory Systems171 (2017), S. 16–2510.1016/j.chemolab.2017.09.021Search in Google Scholar

10. Yao, L.; Ge, Z.: Scalable Semi-supervised GMM for Big Data Quality Prediction in Multimode Processes. IEEE Access, 201810.1109/TIE.2018.2856200Search in Google Scholar

11. Reis, M.; Gins, G.: Industrial Process Monitoring in the Big Data/Industry 4.0 Era: from Detection, to Diagnosis, to Prognosis. Processes, June 2017; 10.3390/pr503003510.3390/pr5030035Search in Google Scholar

12. Shao, W.; Ge, Z.; Song, Z.: Quality Variable Prediction for Chemical Processes Based on Semisupervised Dirichlet Process Mixture of Gaussians. Elsevier, Hangzhou, 201810.1016/j.ces.2018.09.031Search in Google Scholar

13. Zhang, X.; Kano, M.; Tani, M.: Defect Data Modeling and Analysis for Improving Product Qualityand Productivity in Steel Industry. Elsevier Publishing, San Diego, 201810.1016/B978-0-444-64241-7.50367-0Search in Google Scholar

14. Navya, H. N.; Kumar, B. V.: Application of Multivariate Statistical Techniques to Predict Process Quality. In: Sreenivasa Reddy, M.; Viswanath, K.; Shiva Prasad, K. M. (Hrsg.): International Proceedings on Advances in Soft Computing, Intelligent Systems and Application, Springer Nature Singapore Pte Ltd., 2018, S. 157–16610.1007/978-981-10-5272-9_15Search in Google Scholar

15. Ropodi, A.; Panagou, E; Nychas, G.: Data Mining Derived from Food Analyses Using Non-invasive/Non-destructive Analytical Techniques. Determination of Food Authenticity, Quality & Safety in Tandem with Computer Science Disciplines. Trends in Food Science & Technology, 2016. 10.1016/j.tifs.2016.01.01110.1016/j.tifs.2016.01.011Search in Google Scholar

16. Nalbach, O.; Linn, C.; Derouet, M.; Werth, D.: Predictive Quality: Towards a New Understanding of Quality Assurance Using Machine Learning Tools. In: Proceedings of the International Conference on Business Information Systems. Springer-Verlag, Berlin2018, S. 30–4210.1007/978-3-319-93931-5_3Search in Google Scholar

17. Huang, C.; Baron, L.; Balazinski, M.: Comprehensive Model Optimization in Pulp Quality Prediction: A Machine Learning Approach. Department of Mechanical Engineering, Ecole Polytechnique de Montreal, Montreal, 201710.7287/peerj.preprints.2749v1Search in Google Scholar

18. Hakansson, M.: Connecting Process Variables to Product Properties in Papermaking – A Multivariate Approach. Lulea University of Technology, Licentiate Thesis, 2014Search in Google Scholar

19. Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, T.; Reinartz, T.; Shearer, C.: Crisp-dm 1.0.CRISP-DM Consortium, 2000Search in Google Scholar

20. Paulapuro, H.: Papermaking – Part 1, Stock Preparation and Wet End. Finnish Paper Engineer's Association, Helsinki, 2008Search in Google Scholar

Online erschienen: 2019-05-29
Erschienen im Druck: 2019-05-28

© 2019, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. Logistik als digitaler Vorreiter
  3. Inhalt/Contents
  4. Inhalt
  5. Montage
  6. Arbeitsfortschrittssynchrone Materialbereitstellung in der Großgerätemontage
  7. Interaktive 4D-Flächenbelegungsplanung
  8. Instandhaltung
  9. Opportunistische Instandhaltungsplanung in Flexiblen Fertigungssystemen
  10. Predictive Maintenance im Kontext der industriellen Robotik
  11. Logistikplanung
  12. Regelbasiertes Assistenzsystem zur Logistikplanung
  13. Data Mining
  14. Dynamische Röntgenprüfung in der Elektronikproduktion
  15. Supply-Chain-Management
  16. LoRaWAN als Kommunikationstechnologie für vernetzte Sonderladungsträger
  17. Sensorik
  18. Sensorauswahl für Bestandsanlagen
  19. Gleisbasierte Schwingungs-diagnose an Straßenbahnen – mit komplementärer Sensorik
  20. Agile Arbeitsweise
  21. Agile Invention: Zehn Erfolgsthesen
  22. Agil, intelligent, flexibel
  23. Management
  24. Systematisches Organisation 4.0-Vorgehensmodell zur ganzheitlichen Prozessdigitalisierung
  25. Me-Systeme
  26. Herausforderungen bei der Auswahl und Beschaffung von ME-Systemen
  27. Anwenderbericht
  28. Fehlerquellen minimieren
  29. Digitalisierung
  30. Digitalisierung der Fabrik – Datenqualität als Schlüssel zum Erfolg
  31. Digitaler Informationsfluss in der Unikatfertigung
  32. Künstliche Intelligenz
  33. Qualitätsprognose anhand Prozess-parametern einer Papiermaschine mittels Industrial Data Science
  34. Kollaboration
  35. Kollaboration in globalen Wertschöpfungsnetzwerken
  36. Vorschau/Preview
  37. Vorschau
https://doi.org/10.3139/104.112086

Articles in the same Issue

  1. Editorial
  2. Logistik als digitaler Vorreiter
  3. Inhalt/Contents
  4. Inhalt
  5. Montage
  6. Arbeitsfortschrittssynchrone Materialbereitstellung in der Großgerätemontage
  7. Interaktive 4D-Flächenbelegungsplanung
  8. Instandhaltung
  9. Opportunistische Instandhaltungsplanung in Flexiblen Fertigungssystemen
  10. Predictive Maintenance im Kontext der industriellen Robotik
  11. Logistikplanung
  12. Regelbasiertes Assistenzsystem zur Logistikplanung
  13. Data Mining
  14. Dynamische Röntgenprüfung in der Elektronikproduktion
  15. Supply-Chain-Management
  16. LoRaWAN als Kommunikationstechnologie für vernetzte Sonderladungsträger
  17. Sensorik
  18. Sensorauswahl für Bestandsanlagen
  19. Gleisbasierte Schwingungs-diagnose an Straßenbahnen – mit komplementärer Sensorik
  20. Agile Arbeitsweise
  21. Agile Invention: Zehn Erfolgsthesen
  22. Agil, intelligent, flexibel
  23. Management
  24. Systematisches Organisation 4.0-Vorgehensmodell zur ganzheitlichen Prozessdigitalisierung
  25. Me-Systeme
  26. Herausforderungen bei der Auswahl und Beschaffung von ME-Systemen
  27. Anwenderbericht
  28. Fehlerquellen minimieren
  29. Digitalisierung
  30. Digitalisierung der Fabrik – Datenqualität als Schlüssel zum Erfolg
  31. Digitaler Informationsfluss in der Unikatfertigung
  32. Künstliche Intelligenz
  33. Qualitätsprognose anhand Prozess-parametern einer Papiermaschine mittels Industrial Data Science
  34. Kollaboration
  35. Kollaboration in globalen Wertschöpfungsnetzwerken
  36. Vorschau/Preview
  37. Vorschau
Downloaded on 14.4.2026 from https://www.degruyterbrill.com/document/doi/10.3139/104.112086/html
Scroll to top button