Under CopyrightKühnert, C.C.KühnertMinx, J.J.MinxBernard, T.T.BernardKuntze, H.-B.H.-B.Kuntze2022-03-1127.8.20092009https://publica.fraunhofer.de/handle/publica/36257210.24406/publica-fhg-362572Industrielle Produktionsprozesse sind häufig hinsichtlich mehrerer unterschiedlicher Gütekriterien zu optimieren (z.B. Kosten, Qualität, Energie- und Rohstoffverbrauch). Eine multikriterielle Optimierung der Prozessführung ausschließlich auf der Grundlage von physikalisch motivierten analytischen Modellen ist in den meisten Fällen sehr zeitaufwändig und damit kostenintensiv. Da in der Regel umfangreiche historische Prozessdaten vorliegen, bietet es sich an, die Optimierung alternativ dazu auf der Grundlage geeigneter Data-Mining-Methoden durchzuführen. Sie sind in der Lage, aus großen Datenmengen charakteristische Prozessführungsmuster zu identifizieren und hinsichtlich ihres Beitrages zur Prozessoptimierung zu klassifizieren. Im vorliegenden Beitrag wird hierzu ein neuartiges Konzept vorgestellt, welches im Rahmen des Fraunhofer-Verbundprojektes PRODAMI entwickelt wurde. Es basiert auf der Methode der Support Vector Machines (SVM). Es werden aus einem Merkmalspool automatisiert relevante Merkmale der Prozessgrößen bezüglich einer frei wählbaren Gütefunktion selektiert. Außerdem wird ein Modell generiert, mittels dem optimale Werte der relevanten Merkmale berechnet werden können. Die Leistungsfähigkeit des Data-Mining-Konzeptes wird anhand eines realen industriellen Batchprozesses demonstriert.de004670620conference paper