Kessler ProData GmbH hat Erfahrung in der Nutzung von unterschiedlichen Computerprogrammen im Bereich der multivariaten Datenanalyse (MVA), statistischen Versuchsplanung (Design of Experiments, DoE) und hat ein Netzwerk von Partnern in Europa aufgebaut, die in der Lage sind, anwenderspezifische Hard- und Software im Bereich der inline und online Spektroskopie zur Verfügung zu stellen.

Bei der Kalibration, Modellentwicklung und Validierung ist die richtige Vorgehensweise bei anspruchsvollen und komplexen industriellen Prozessen von entscheidender Bedeutung. Die folgende Vorgehensweise hat sich im industriellen Alltag bewährt und zum Erfolg geführt:

• Schritt 1: Univariate statistische und multivariate Datenanalyse von historischen Produktionsdaten, Auswahl der geeigneten kritischen Prozessparameter (critical proces parameter, CPP), die den höchsten Einfluss auf die Qualität (critical quality attributes, CQA) des Endprodukts besitzen. Definition der niedrigsten und höchsten Einstellungen im Versuchsraum. Durchführung von statistischen Versuchsplänen.
• Schritt 2: Etablierung einer inline oder online Prozessverfolgung mit Hilfe von Prozessdaten und optischer Spektroskopie bzw. spektralem Imaging.
• Schritt 3: Entwicklung von Prozessmodellen auf Basis von Softsensor Modellen, DoE Modellen und Modellen basierend auf molekularer Information der inline Spektroskopie.

Design of Experiments (DoE) ist der Schlüssel für den Erfolg, da hierbei zielgenau Daten und Proben erzeugt werden, die alle möglichen Einflussgrößen des Prozesses (orthogonal) beinhalten und gleichzeitig quantifiziert werden können. Neben den Standard Prozessdaten (z.B. Stromaufnahme, Durchfluss), einfachen Sensordaten wie z.B. Temperatur, Druck etc. und Daten von Sensoren mit komplexen Informationen wie z.B. der multi-modalen spektroskopischen Information werden in die Modellbildung integriert. Der Vorteil der optischen Spektroskopie ist, dass sie nicht-invasiv molekulare Informationen sowohl von der chemischen Zusammensetzung als auch von der morphologischen Textur des Substrates liefert. In diesem Kontext spielt die multivariate Datenanalyse (MVA) eine zentrale Rolle, da sie es ermöglicht, aus großen Datensätzen die wichtigsten orthogonalen Informationen herauszufiltern. Mit dieser Methodik können Datensätze in Wissen umgesetzt werden. Daten-integrationstechniken (data fusion) führen zur Verknüpfung von so genannten hard-, hard-soft, soft-models und self-modelling Konzepten, die unabdingbar sind für eine daten- oder modellgetriebene Steuerung von Prozessen.

Die intelligente Produktion ist die tragende Säule der deutschen und europäischen Wirtschaft. Dabei stehen Kundenwünsche, Ressourceneffizienz und Produktzuverlässigkeit an oberster Stelle. Wie im Programm "Industrie 4.0" des BMBF dargelegt, soll in Zukunft noch individueller auf die Kundenwünsche eingegangen werden. Dabei soll in kleineren Losgrößen dezentralisiert, vernetzt und kosteneffizient produziert werden, was nur über wissensbasierte Produktionsschritte und eine intelligente Prozesskontrolle zu erreichen ist.

Mit den vorher beschriebenen Methoden und der Vorgehensweise wird ein Prozessverständnis erreicht, das das notwendige Wissen für personalisierte Produkte generiert und gleichzeitig die Variabilität des Herstellungsprozesses verringert. Dies transformiert die

• chemische und pharmazeutische Industrie von einer „reaktiven“ Prozessgestaltung in eine „pro-aktive“,
• biotechnologische Industrie und die Medizintechnik in eine Industry, die wegen der Multimodalität der eingesetzten Sensorik auch die Komplexität des Prozesses beherrschbar macht,
• verarbeitende Industrie in eine wissensbasierte Industrie,
• Nahrungs- und Futtermittel Industrie in eine Industrie, die in allen Bereichen automatisierbar wird.

… mehr
Probenahme: Wie erhalte ich die richtigen Proben?
Statistische Versuchsplanung (Design of Experiments, DoE): Wie erhalte ich die richtigen Daten?
Spektroskopie und Spektrales Imaging: Wie erhalte ich Informationen auf molekularer Ebene?
Multivariate Datenanalyse/Chemometrie/Big Data: Wie kann ich aus komplexen Daten Information und Wissen gewinnen