Advertisement

A Reference Architecture for Quality Improvement in Steel Production

  • David ArnuEmail author
  • Edwin Yaqub
  • Claudio Mocci
  • Valentina Colla
  • Marcus Neuer
  • Gabriel Fricout
  • Xavier Renard
  • Christophe Mozzati
  • Patrick Gallinari
Conference paper

Zusammenfassung

Es gibt weltweit einen erhöhten Bedarf an Stahl, aber die Stahlherstellung ist ein enorm anspruchsvoller und kostenintensiver Prozess, bei dem gute Qualität schwer zu erreichen ist. Die Verbesserung der Qualität ist noch immer die größte Herausforderung, der sich die Stahlbranche gegenüber sieht. Das EUProjekt PRESED (Predictive Sensor Data Mining for Product Quality Improvement) [Vorrausschauende Sensordatengewinnung zur Verbesserung der Produktqualität] stellt sich dieser Herausforderung durch die Fokussierung auf weitverbreitete, wiederkehrende Probleme. Die Vielfalt und Richtigkeit der Daten sowie die Veränderung 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 große und intelligente Datenkonzepte mit Datengewinnungsalgorithmen. Datenvorverarbeitung und vorausschauende Analyseaufgaben werden durch ein plastisches Datenmodell unterstützt. 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 vollständiger 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 überlegene Erkenntnisse bietet.

Schlüsselwörter

process optimization steel manufacturing data mining time series nosql 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. [1] J. Ordieres-Meré, F. Alba-Elías, A. González-Marcos, M. Castejón-Limas, F. J. Pisón-Ascacíbar, Data mining and simulation processes as useful tools for industrial processes, Proc. 5 WSEAS Int. Conf Simulation, modelling and optimization, pp249-255, 2005Google Scholar
  2. [2] J. Ordieres-Meré, M. Castejón-Limas, Data Mining Applications in Steel Industry, IGI-Global, 2006Google Scholar
  3. [3] S. Mehran Sharafi, H. Reza Esmaeily, Applying data mining methods to predict defects on steel surface, J. Th. Appl. Inf. Technology, Oct. 2010Google Scholar
  4. [4] H. Peters, A. Ebel, J. Hackmann, M. Pander, Industrial data mining in steel industry, StahlEisen, Vo. 132 (2), December 2012Google Scholar
  5. [5] J. Deuse, B. Konrad, D. Lieber, K. Morik, M. Stolpe, Challenges for Data Mining on Sensor Data of Interlinked Processes, SFB 876, 2011Google Scholar
  6. [6] Cateni Silvia, Valentina Colla, and Gianluca Nastasi. “A multivariate fuzzy system applied for outliers detection.” Journal of Intelligent & Fuzzy Systems 24.4 (2013): 889-903.Google Scholar
  7. [7] Gianluca Nastasi, Claudio Mocci, Valentina Colla, Frenk Van Den Berg, Willem Beugeling. SOM-based analysis to relate non-uniformities in magnetic measurements to Hot Strip Mill process conditions. Proceeding of the 19th World Conference of Non-Destructive Testing (WCNDT) 13-17 June 2016, Munich, GermanyGoogle Scholar
  8. [8] Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., & Euler, T. (2006, August). Yale: Rapid prototyping for complex data mining tasks. In Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 935-940). ACM.Google Scholar
  9. [9] Hastie, T., Tibshirani, R., & Friedman, J. (2001). The elements of statistical learning. 2001. NY SpringeGoogle Scholar
  10. [10] Marz, N., & Warren, J. (2015). Big Data: Principles and best practices of scalable realtime data systems. Manning Publications Co.Google Scholar
  11. [11] X. Renard, M. Rifqi, G. Fricout, M. Detyniecki: “EAST representation: fast discover of discriminant temporal patterns from time series”, ECML/PKDD Workshop on Advanced Analytics and Learning on Temporal Data, Riva Del Garda, Italy (2016)Google Scholar
  12. [12] X. Renard, M. Rifqi, W. Erray, M. Detyniecki: “Random-shapelet: an algorithm for fast shapelet discovery”, 2015 ,IEEE International Conference on Data Science and Advanced Analytics (IEEE DSAA©2015), ParisGoogle Scholar
  13. [13] Monnin, M., Léger, J. B., & Morel, D. KASEM: e-Maintenance SOA platform. In Proceedings of 24th International Congress on Condition Monitoring and Diagnostics Engineering Management, 29th May-1st June, Stavanger, Norway (2011)Google Scholar
  14. [14] G. Medina-Oliva, F. Peysson, A. Voisin, M. Monnin, J-B Leger, Ships and marine diesel engines fleet-wide predictive diagnostic based on ontology, improvement feedback loop and continuous analytics, Proceedings of 26th International Congress of Condition Monitoring and Diagnostic, Engineering Management COMADEM, Helsinki, Finland, 2013Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH 2017

Authors and Affiliations

  • David Arnu
    • 1
    Email author
  • Edwin Yaqub
    • 1
  • Claudio Mocci
    • 2
  • Valentina Colla
    • 2
  • Marcus Neuer
    • 3
  • Gabriel Fricout
    • 4
  • Xavier Renard
    • 4
  • Christophe Mozzati
    • 5
  • Patrick Gallinari
    • 6
  1. 1.RapidMiner GmbHDortmundDeutschland
  2. 2.TeCIP Institute Scuola Superiore Sant’ AnnaPisaItalien
  3. 3.VDEH-Betriebsforschungsinstitut GmbHDüsseldorfDeutschland
  4. 4.ArcelorMittal Maizières Research SAMaizières-Les-MetzFrankreich
  5. 5.PREDICT SASVandoeuvre lès NancyFrankreich
  6. 6.LIP6Universite Pierre et Marie CurieParisFrankreich

Personalised recommendations