Statistiska metoder för förbättring av kontinuerliga tillverkningsprocesser

Projektet startade 1 januari 2014, finansieras av Vetenskapsrådet och löper under fem år, det vill säga till sista december 2018. I projektet arbetar förutom projektledaren och forskaren Murat Kulahci också doktoranden Francesca Capaci och forskarna Erik Vanhatalo och Bjarne Bergquist.

Sammanfattning:

Kontinuerliga tillverkningsprocesser är vanliga inom processindustrin, t. ex. inom gruv-, stål-, kemi-, läkemedels- eller pappersindustri. Eftersom att processindustrin utgör en viktig del av svenskt näringsliv är dessa processer därigenom centrala för svensk ekonomi. Att produktionen är kontinuerlig innebär att tillverkning sker dygnet runt, året om i ett obrutet flöde. Produkterna exempelvis utgöras av vara pulver, vätskor, partiklar eller massa, vilket gör att det är svårt att spåra produkten längs tillverkningskedjan; produkten blandar sig och tar olika vägar.

Att utveckla och förbättra processen innebär normalt att tillverkningen behöver övervakas för att upptäcka systematisk variation och problem som kan elimineras, men ofta krävs experiment för att uppnå förståelse för hur processerna kan förbättras ytterligare. Statistisk processtyrning och statistisk försöksplanering är därför viktiga hjälpmedel för att uppnå kvalitets- och produktivitetsförbättringar.

Litteraturen beskrivande metoder inom områdena statistisk processtyrning och försöksplanering är omfattande. Tyvärr är dessa metoder många gånger dåligt anpassade till de speciella omständigheter som kontinuerlig tillverkning medför. Högfrekvent sampling har gjort att mängden data och observationernas inbördes beroende ökat. Detta leder till att de kvalitetsvariabler som övervakas i ett styrdiagram eller studeras i ett experiment ofta är många och kan bäst beskrivas som tidsserier. Att data ofta måste ses som tidsserier försvårar analysen, men kan hanteras genom ny metodutveckling. I dessa sammanhang har vi identifierat två problem som de statistiska metoderna behöver kunna hantera: korskorrelation och autokorrelation.
Korskorrelationen kan ofta utnyttjas för att sammanfatta informationen som finns i många enskilda kvalitetsvariabler genom att informationen kan sammanfattas av nya variabler, vilka tas fram genom att bilda linjärkombinationer av de ursprungliga variablerna via multivariata analysmetoder. Dessa nya variabler kan sedan användas vid övervakning eller analys men med nackdelen att tolkningen av de nya variablerna blir mindre intuitiva.

Många statistiska metoder förutsätter oberoende dataobservationer, vilket gör att autokorrelation är problematiskt. Om inte autokorrelationen hanteras blir analysen felaktig, exempelvis på så sätt att statistisk processtyrning genererar fler falska larm än tänkt. Speciellt problematiskt blir det när autokorrelation och korskorrelation uppstår samtidigt, vilket de ofta gör i data från kontinuerliga tillverkningsprocesser.

Detta projekt har två mer specifika mål:

Mål 1: Utveckla statistiska metoder som baserat på statistisk processtyrning och styrdiagram kan hantera problemen med kors- och autokorrelation. I ett första steg studerar vi hur befintliga metoder reagerar vid autokorrelation för att sedan utveckla metoder inom multivariat statistisk processtyrning som klarar både kors- och autokorrelationsproblematiken.

Mål 2: Utveckla statistiska metoder för analys av experiment som tar hänsyn till att resultatvariablerna i processindustrin ofta genererar tidsserier istället för enskilda observationer från enskilda försöksinställningar. Genom att kombinera de statistiska fälten tidsserieanalys med statistisk försöksplanering ämnar vi skapa kraftfullare analysverktyg, samt göra dessa allmänt tillgängliga. Här vill vi studera situationer när vi endast har en resultatvariabel, men också för situationen med ett flertal resultatvariabler, d.v.s. när problemet är multivariat. Vi kommer också att studera fall där också försöksfaktorer samt störningar utgörs av tidsserier, samt koppla denna variation till resultatvariablernas variation.

Delmålen ovan kommer att kräva teoretisk utveckling av analysmetoder som sedan behöver testas i flera serier av simuleringar. Dessa simuleringar kommer att efterlikna hur verkliga kontinuerliga processer uppför sig.