Ομιλίες Ε. Κασκαβέλη και Π. Τσιαμυρτζή

AUEB-Stats Seminar: «Ανάλυση Δεδομένων & Ευκαιρίες Διδακτορικής Έρευνας στην Ελληνική Βιομηχανία Αλουμινίου»:

1^η Ομιλία: «Ανάλυση Δεδομένων στην Ελληνική Βιομηχανία Αλουμινίου», Ελευθέριος Κασκαβέλης, Data Scientist/Industrial Statistician, Τμήμα Τεχνολογίας & Καινοτομίας, Ελληνική Βιομηχανία Αλουμινίου (ΕΛΒΑΛ)

Abstract:

H Ελληνική Βιομηχανία Αλουμινίου είναι μια από τις μεγαλύτερες βιομηχανίες κατεργασίας αλουμινίου στην Ευρώπη με εξαγωγές και δραστηριότητα σε ολόκληρο τον κόσμο.

Στα πλαίσια των προσπαθειών για συνεχή βελτίωση και βελτιστοποίηση των διαδικασιών της, χρησιμοποιεί ένα πλήθος στατιστικών τεχνικών για να αναλύσει τα διαθέσιμα δεδομένα όπως αυτά καταγράφονται στα διάφορα συστήματα και βάσεις δεδομένων της εταιρείας.

Ο στόχος της παρουσίασης είναι διττός. Πρώτα θα δώσουμε μια σύντομη περιγραφή της εταιρείας, της παραγωγικής διαδικασίας και των θεμάτων που αφορούν τον τομέα της στατιστικής ανάλυσης. Στη συνέχεια θα περιγράψουμε όσο πιο απλά γίνεται ένα από τα πιο κλασσικά και σημαντικά ποιοτικά θέματα που αφορούν την έλαση αλουμινίου και είναι επιπεδότητα του παραγόμενου ρόλου αλουμινίου. Η βέλτιστη επιπεδότητα που πρέπει να επιτευχθεί για όλο το μήκος ενός ρόλου είναι μια απαιτητική ποιοτική παράμετρος που επηρεάζει όλες τις επόμενες διαδικασίες εντός εργοστασίου αλλά και των πελατών της ΕΛΒΑΛ. Η καταγραφή αυτής γίνεται από σύγχρονα συστήματα σε όλο το μήκος και πλάτος ενός ρόλου που μπορεί να εκτείνεται σε μερικά χιλιόμετρα. Το πλήθος αυτών των καταγραφών παρουσιάζουν μεγάλες προκλήσεις στους τομείς του classification και regression με σκοπό τον εντοπισμό των κρίσιμων παραμέτρων που επιδρούν σε αυτήν αλλά και τη δημιουργία μοντέλων πρόβλεψης αυτής από τις συνθήκες παραγωγής του ελάστρου.

2^η Ομιλία: “Image based Statistical Process Monitoring using Partial First Order Stochastic Dominance”, Panagiotis Tsiamyrtzis, Dept. of Mechanical Engineering, Politecnico di Milano & Dept. of Statistics, Athens University of Economics and Business

Abstract:

The continuously evolving digitalized manufacturing industry is pushing quality engineers to face new and complex challenges. Quality data formats are evolving from simple univariate or multivariate characteristics to big data streams consisting of sequences of images and videos in the visible or infrared range; manufacturing processes are moving from series production to more and more customized applications. In this framework, novel methods are needed to monitor and keep under statistical control the process. This study presents two novel process monitoring techniques that rely on the partial first order stochastic dominance (PFOSD) concept, applicable to in-line analysis of video image data aiming at signaling out-of-control process states. Being non-parametric, they allow dealing with complex underlying dynamics and wildly varying distributions that represent the natural process conditions. A motivating case study in metal additive manufacturing is presented, where the proposed methodology enables the in-line and in-situ detection of anomalous patterns in thermal videos captured during the production of zinc samples. Performances are investigated and compared in the presence of both simulated and real data.

Key Words: Stochastic dominance, statistical process monitoring, image analysis, thermal images, additive manufacturing, laser powder bed fusion.

Reference paper:

https://www.tandfonline.com/doi/full/10.1080/08982112.2021.2008974

Αίθουσα Ε701, Νέο Κτίριο ΟΠΑ