Faggruppens svar på sportsjournalist Melvin
Snerken har fått et eksklusivt intervju.
Prosessoptimaliseringsprisen 2006 ble vunnet av
Ingrid Måge, som er stipendiat ved UMB, finansiert av EWOS Innovation
AS. Doktorgradsarbeidet hennes omhandler statistisk modellering
av fiskefor-produksjon, så hun hadde gode forutsetninger for
å gjøre det bra i denne konkurransen.
Hvordan føles det å ha vunnet historiens første
prosessoptimaliseringspris?
Veldig bra! Dette er en fin bekreftelse på at det
jeg har lært fungerer! Kanskje er denne prisen også fin å ha
på CV’en når jeg om kort tid skal ut å søke jobb, for eksempel
i prosessindustrien?
Hvordan gikk du fram for å løse oppgaven?
Jeg begynte med å samle inn data. Jeg satte opp
et eksperimentelt design i de tre prosessvariablene ”fraksjon
av A”, ”temperatur” og ”tid”. Siden jeg er litt lat, men visste
at prosessen er ulineær, valgte jeg et Box Behnken design med
et senterpunkt, altså 13 designpunkter.
Er virkelig 13 designpunkter alt som trengs
for å vinne prosessoptimaliseringsprisen?
Ja, egentlig. Men jeg må innrømme at jeg fikk litt
panikk og utvidet designet med de åtte hjørnepunktene. Dessuten
samlet jeg inn data for 10-20 mursteiner i hvert designpunkt.
Det gikk veldig greit, ettersom fabrikken er hel-automatisert
og data ble logget automatisk mens jeg kunne sitte på kontrollrommet
og drikke grønn te.
Hvordan vil du sammenligne dette med å gjøre
forsøk i fiskeforfabrikken til EWOS, som du er vant til?
Bortsett fra at mursteinsfabrikken er behagelig
luktfri er det egentlig ganske likt. En viktig ting som jeg
har lært på EWOS er at det kan ta lang tid fra man justerte
en prosessinnstilling til prosessen er stabil. Data fra disse
ustabile periodene brukte jeg ikke videre i modelleringen.
Brukte du PLS regresjon til å modellere responsene?
Selvfølgelig! Jeg laget en separat modell for hver
av de fire responsene ”porøsitet”, ”permeabilitet”, ”hardhet”
og ”sprøhet”. Jeg startet med å ha med alle lineære-, kvadrat-
og samspill-effekter i modellen, og så brukte jeg kryssmodellvalidering
til å fjerne de variablene som ikke var signifikante. Marginalitetsprinsippet
ble selvfølgelig overholdt. Jeg var utrolig fornøyd med modellene
mine, ettersom jeg fikk forklart mer enn 90% av variansen i
alle responsvariablene. Den slags modeller er jeg ikke vant
med fra fiskefor-produksjonen!
Men var det ikke vanskelig å finne de optimale
prosessinnstillingene ut ifra fire ulineære modeller?
For meg ville det vært utrolig vanskelig, men for
Excel var det lett! I Excel finnes en add-in som heter ”solver”,
som kan brukes til å løse ulineære optimeringsproblemer. Jeg
laget meg en såkalt straffefunksjon, basert på responsenes avstand
fra target-verdiene, og så minimerte jeg denne med restriksjoner
om at designvariablene og responsene måtte ligge innenfor de
lovlige områdene.
Hva med fargen på mursteinene, hvordan optimaliserte
du den?
Jeg så først hvordan de rene spektra av rød, blå
og grønn så ut, og så justerte jeg verdiene manuelt til jeg
fikk et spektrum som lignet target-spekteret. Jeg kan dessverre
ikke skryte av å ha brukt en fancy vitenskapelig metode her.
I noen tilfeller fungerer den gode, gamle prøve-og-feile-metoden
også!
Hva syns du om denne konkurransen?
Jeg er kanskje litt inhabil siden jeg vant, men
jeg mener at MUST har gjort en utrolig god jobb med å lage denne
mursteinsfabrikken. Den fungerer kjempefint til å illustrere
hele prosessen med å sette opp en forsøksplan, samle
inn data, lage regresjonsmodeller, og til slutt bruke modellene
til å styre fabrikken. Jeg synes de har klart å lage en ganske
realistisk fabrikk (blir murstein forresten spraylakkert i virkeligheten?),
men likevel enkel nok til at det ikke tar for lang tid å sette
seg inn i sakene og løse problemet. Jeg vil oppfordre alle til
å gå inn på nettet og prøve mursteinsfabrikken! Prisen i seg
selv er en fin motivasjon til å lære om prosessoptimalisering
og skape blest om emnet.
