Produkter og tjenester innen: Sensorteknologi Datakommunikasjon System integrasjon Prosess optimalisering Informasjons- og beslutningtøttesystem Spisskompetanse i et tverrfaglig miljø
De vanligste samarbeidsformer med våre kunder Nøkkel i døren løsning hvor Sonton tar det totale prosjektansvar på vegne av kunden Arbeidsgruppe eller prosjektteam hvor kunden eller Sonton har prosjektledelse. Ansatte i Sonton arbeider hos kunden for en periode, hel- eller deltid. Sonton gir rådgivning og teknisk bistand via mail, tlf., fax eller besøk.
Om kjemometri i DN 24. Juni 1996...
Vårt løfte: Bedre lønnsomhet
Kjemometri; en verktøysboks for informasjons- og beslutningstøtte informasjon beslutning store datamengder (komplekse)
Hva er Kjemometri? Tom Martinsen, DN
Eksempel klassifikasjon... brille høyde vekt hårfarge hårlengde skonr. kjønn alder GUNNAR 1 198 92 5 0 48 0 45 FRODE 0 184 84 5 0 44 0 33 SYNNØVE 1 166 47 1 0 36 1 32 MALIN 0 170 60 4 1 38 1 23 ELSE 1 172 64 1 1 39 1 24 MORTEN 1 182 80 6 0 42 0 35 GURI 0 169 51 1 0 36 1 24 ERLING 0 183 81 4 0 42 0 37 GRETE 1 157 47 1 0 36 1 32 SIGNE ELISE 1 164 5 0 38 1 41 PER 1 180 82 5 0 44 0 43 ARNE 0 180 81 1 0 44 0 43 TERJE 0 179 90 5 0 40 0 41 Bjørn Tore 0 193 83 4 0 44 0 35 Oppgaver: Hvilken person er mest lik Bjørn Tore? Hvilken person er mest ulik Bjørn Tore? Og hvilken variabel er mest korrelert til høyde?
2.0 Objektplott; - et vindu inn i datarommet (75%) PER SIGNE ELISE GRETE SYNNØVE GUNNAR MORTEN ARNE TERJE ERLING FRODE BJØRN TORE GURI ELSE -2.6 MALIN -3.8-2.3-0.8 0.6 2.1 3.6
ladningsplott; -et vindu inn i variabelrom (75%) 3.1 brille 2.0 alder 0.8 kjønn -0.4 hårfarge skonr. vekt høyde -1.6 hårlengde -2.7-4.0-0.8 2.5 4.1
biplott; et vindu inn i begge rom 3.1 brille 2.0 0.8 alder GUNNAR PER MORTEN SIGNE ELISE GRETE SYNNØVE kjønn -0.4 hårfarge ARNE skonr. TERJE ERLING vekt høyde FRODE Bjørn Tore GURI ELSE -1.6 hårlengde MALIN -2.7-4.0-0.8 2.5 4.1
GUNNAR 92 Bjørn Tore Estimert vekt 82 72 62 SYNNØVE GURI ELSE MALIN ERLING ARNE PER FRODE MORTEN TERJE 52 GRETE 42.0 52.0 62.0 72.0 82.0 92.0 Reell vekt
Kjemometri prosess (Prosess Analytisk Kjemi); -eksempel Fasit er kjent: yield=300 + 2*catalyst 0.5*temp Yield Catalyst Temp 296.5 2 15 303.5 3 5 300.5 4 15 300 5 20 307 6 10 304 7 20 299 7 30 310.5 9 15 307.5 10 25 312 11 20 306.5 12 35 303.5 13 45 313 14 30 312 16 40 313.5 18 45 320 20 40
Yield 322.00 318.00 314.00 310.00 306.00 302.00 298.00 294.00 0.0 2.0 4.0 6.0 8.0 10.0 12.0 14.0 16.0 18.0 Catalyst Altså standard analyse: yield = 1*catalyst Men fasit: yield = 2*catalyst!
Yield 322 318 314 310 306 302 298 294 1.0 6.0 11.0 16.0 21.0 26.0 31.0 36.0 41.0 46.0 Temp Altså standard analyse: yield = 0,2*temp Men fasit: yield = - 0,5*temp!!!!
Hva når det er mange parametre? (real life...) Yield Catalyst Temp Noise1 Noise2 Noise3 Noise4 Noise5 Noise6Noise7Noise8Noise9Noise10 296.5 2 15 7 1 1 20 2 3 9 3 4 6 303.5 3 5 5 5 7 60 6 8 5 9 7 5 300.5 4 15 4 1 3 40 8 1 1 0 2 2 300 5 20 4 25 2 80 2 7 3 3 7 6 307 6 10 8 5 7 60 8 1 4 0 5 1 304 7 20 7 3 5 60 1 0 8 1 4 8 299 7 30 9 2 4 60 7 9 3 4 2 9 310.5 9 15 4 3 2 50 4 5 5 9 7 6 307.5 10 25 4 9 9 20 3 2 1 2 3 2 312 11 20 7 0 5 60 7 9 9 8 2 5 306.5 12 35 2 3 5 10 7 0 5 0 7 5 303.5 13 45 8 0 2 80 6 3 5 5 5 8 313 14 30 9 7 6 90 4 0 2 5 4 3 312 16 40 9 4 7 50 5 7 6 8 2 0 313.5 18 45 4 9 1 90 5 6 8 7 9 2 320 20 40 1 9 8 40 9 0 7 1 8 9
Ved kjemometri: 2.0 Regression coeff. 1.5 1.0 0.5 0.0 Catalyst Temp Med 5-10% støy: 1.84, -0.45 Altså...vi får fasit!!!
PCA...?? PC2 2, 19% 3.50-0.50 1 Noise8 Noise6 Noise4 Noise1 10 Noise7 7 12 14 8 24 Noise10 13 Noise2 6 Noise9 Noise5 15 Temp Catalyst Yield 3 5 9 Noise3 11 16 PC1 23%%
Ved kjemometrisk regresjon (LPLS) koeffisient 2.0 1.5 1.0 0.5 0.0-0.5 Catalyst Temp Noise1 Noise2 Noise3 Noise4 Noise5 Noise6 Noise7 Noise8 Noise9 Kun catalyst og temp har betydning for yield!! (vi finner nesten fasit!!) Noise10
Kjemometriens verktøysbokser: -designe og planlegge flervariable forsøk -analyse og evaluering av store datasett -modellering (respons og klassifikasjon) (data -> informasjon -> beslutning -> handling)
Kjemometri i kjemisk industri, (-egne erfaringer) Måleteknikk -indirekte sensorer; spektra, akustikk, bilder -renhetsanalyser Design av forsøk -fra lab til pilot (hva er viktig å måle på?) Prosessforbedring -fra diagnose til kur -hvor,hva og hvordan skal vi måle? -varsle og korrigere Kvalitetskontroll -råvare og produktskontroll Evaluering av data og forsøksserier -identifisere uteliggere -anslå verdi av forsøksserie -forbedre modeller og forståelse Miljøovervåking -kobling biologi og kjemi -forbedre modeller og grenseverdier QSPR - QSAR -kobling kjemi og egenskaper Organisasjonsutvikling -hvordan bedre bedriftens resultat?
Eksempel på bruk: (prosess) Produksjonsprofil Respons 400.00 350.00 300.00 250.00 200.00 150.00 100.00 50.00 0.00 17.00 22.00 27.00 32.00 37.00 42.00 47.00 tid Variasjon i prosessen? (produsert mengde eller kvalitet)
Produksjonsprofil Respons 400.00 350.00 300.00 250.00 200.00 150.00 100.00 50.00 0.00 17.00 22.00 27.00 32.00 37.00 42.00 47.00 tid Kan disse variasjonene forklares?
Et eksempel fra prosess... Produksjon av magnesium Avstikk, gjennomsnittlig døgnproduksjon 400.00 350.00 tonn 300.00 250.00 200.00 150.00 17.00 22.00 27.00 32.00 37.00 42.00 47.00 uke nr
Vår stegvise strategi 1. Analyse og diagnose av prosessen 2. Bestemme forbedringspotensial 3. Identifisere og prioritere målepunkter 4. Velge riktig sensor og signaloverføring 5. Varsle 6. Korrigere
Kjemometri og industri et vell av muligheter!! Design av forsøk Organisasjonsutvikling Kjemisk industri Kvalitetskontroll QSAR-QSPR Miljøkartlegging og overvåking process- product- people Prosesskartlegging og optimalisering Analyse og evaluering av data Analysemetodikk -indirekte målinger -bedre kalibreringer -raskere(billigere) metoder -prosess analytisk kjemi
Sonton- kjemometri stegvis strategi (kjemometrisk metodikk) Kjemisk industri process- product- people Bedre lønnsomhet