A Reference Architecture for Quality Improvement in Steel Production
| Autor: | Marcus J. Neuer, Valentina Colla, Gabriel Fricout, Xavier Renard, Claudio Mocci, David Arnu, Edwin Yaqub, Christophe Mozzati, Patrick Gallinari |
|---|---|
| Rok vydání: | 2017 |
| Předmět: |
0209 industrial biotechnology
Engineering 020901 industrial engineering & automation business.industry 0202 electrical engineering electronic engineering information engineering 020201 artificial intelligence & image processing 02 engineering and technology business Humanities Manufacturing engineering |
| Zdroj: | Data Science – Analytics and Applications ISBN: 9783658192860 |
| DOI: | 10.1007/978-3-658-19287-7_12 |
| Popis: | Es gibt weltweit einen erhohten Bedarf an Stahl, aber die Stahlherstellung ist ein enorm anspruchsvoller und kostenintensiver Prozess, bei dem gute Qualitat schwer zu erreichen ist. Die Verbesserung der Qualitat ist noch immer die groste Herausforderung, der sich die Stahlbranche gegenuber sieht. Das EUProjekt PRESED (Predictive Sensor Data Mining for Product Quality Improvement) [Vorrausschauende Sensordatengewinnung zur Verbesserung der Produktqualitat] stellt sich dieser Herausforderung durch die Fokussierung auf weitverbreitete, wiederkehrende Probleme. Die Vielfalt und Richtigkeit der Daten sowie die Veranderung der Eigenschaften des untersuchten Materials erschwert die Interpretation der Daten. In dieser Abhandlung stellen wir die Referenzarchitektur von PRESED vor, die speziell angefertigt wurde, um die zentralen Anliegen der Verwaltung und Operationalisierung von Daten zu thematisieren. Die Architektur kombiniert grose und intelligente Datenkonzepte mit Datengewinnungsalgorithmen. Datenvorverarbeitung und vorausschauende Analyseaufgaben werden durch ein plastisches Datenmodell unterstutzt. Der Ansatz erlaubt es den Nutzern, Prozesse zu gestalten und mehrere Algorithmen zu bewerten, die sich gezielt mit dem vorliegenden Problem befassen. Das Konzept umfasst die Sicherung und Nutzung vollstandiger Produktionsdaten, anstatt sich auf aggregierte Werte zu verlassen. Erste Ergebnisse der Datenmodellierung zeigen, dass die detailgenaue Vorverarbeitung von Zeitreihendaten durch Merkmalserkennung und Prognosen im Vergleich zu traditionell verwendeter Aggregationsstatistik uberlegene Erkenntnisse bietet. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|