Wir haben uns mit Cylad zusammengetan, um Zeitdatenreihen zu analysieren, die während eines Reinigungsprozesses für unedle Metalle gesammelt wurden, und eine datengesteuerte Lösung zur Optimierung der Prozessparameter zu entwickeln.
Input: | Zeitreihendaten der Variablen des Reinigungsprozesses |
Output: | Identifizierung der kritischen Prozessparameter und ihrer optimalen Werte |
Ziel: | Verbesserung der Gesamtbetriebsleistung, z. B. Verringerung des Verunreinigungsgrads |
In Zusammenarbeit mit unserem Partner Cylad gelang es uns, mithilfe unseres gemeinsamen Fachwissens diese Hindernisse zu überwinden. Unser Kunde, eine europäische Metallraffinerie, beauftragte uns mit der Anwendung von Algorithmen des maschinellen Lernens zur Analyse der Zeitdatenreihen, die während des Reinigungsprozesses von Basismetallen gesammelt wurden. Unser gemeinsames Ziel war es, eine datengesteuerte Lösung zu entwickeln, die die betriebliche Leistung durch die Optimierung von Prozessparametern, die Minimierung des Verunreinigungsgrads und eine Gesamtprozessoptimierung verbessern konnte.
Die Interpretation von Zeitreihendaten kann für Menschen aufgrund ihrer sequenziellen Natur, komplexer Muster und hoher Dimensionalität schwierig sein. Daher haben wir eine Kombination von Modellen des maschinellen Lernens eingesetzt, um die Zeitdatenreihen zu interpretieren und wichtige Muster und Beziehungen innerhalb des Prozesses zu identifizieren. Unser Team setzte die folgenden Modelle ein:
Langes Kurzzeitgedächtnis (LSTM): LSTMs sind leistungsstarke Deep-Learning-Modelle, die in der Lage sind, langfristige Abhängigkeiten in sequenziellen Daten zu lernen. Durch das Trainieren eines LSTM-Modells auf die Zeitreihendaten konnten wir komplexe zeitliche Muster innerhalb des Reinigungsprozesses von unedlen Metallen erfassen und analysieren.
ROCKET (Randomized Convolutional Kernel Transform): ROCKET ist ein neuartiger Algorithmus, der mithilfe von randomisierten Faltungskernen Merkmale aus Zeitreihendaten extrahiert. Mit diesem Modell konnten wir wesentliche Merkmale und Trends in den Zeitreihendaten aufdecken und so wertvolle Erkenntnisse für die Prozessoptimierung gewinnen.
XGBoost: XGBoost ist ein beliebter Gradient-Boosting-Algorithmus, der für seine hohe Leistung und Interpretierbarkeit bekannt ist. Durch die Anwendung von XGBoost auf die verarbeiteten Zeitreihendaten waren wir in der Lage, ein Vorhersagemodell zu erstellen, das frühzeitige Warnungen über künftige betriebliche Probleme im Prozessablauf liefert.
Durch unsere gemeinsamen Bemühungen konnten wir den Reinigungsprozess für unedle Metalle erheblich verbessern. Durch die Analyse der Zeitreihendaten identifizierten unsere Modelle die Schlüsselparameter, die den größten Einfluss auf die Verunreinigungswerte hatten. Diese Informationen ermöglichten es uns, unsere Optimierungsbemühungen auf diese spezifischen Parameter zu konzentrieren, was zu erheblichen Effizienzsteigerungen führte.
Durch das Training unserer Modelle mit den Zeitreihendaten konnten wir kritische Prozessvariablen in verschiedenen Prozessphasen genau vorhersagen. Diese Vorhersagefähigkeit ermöglichte eine proaktive Entscheidungsfindung und erleichterte ein frühzeitiges Eingreifen, um eine Eskalation der Verunreinigungen zu verhindern.
Eine Auswahl von Projekten, die wir bereits abgeschlossen haben
KI-gestützte optische Defekterkennung für die Halbleiterlaserproduktion.
Wie Machine Learning dazu beitragen kann, Umweltzerstörung zu verhindern.
Aus den kurzen Begründungstexten für Tierarztbesuche extrahieren wir Symptome, Krankheiten und gewünschte Dienstleistungen.
Automatisches Extrahieren von numerischen Attributen aus Produktbeschreibungen, um die bestehende Datenbank anzureichern.