Seeq

So steigst du ein

Schritt 1: Verbinde Seeq mit deinem vorhandenen Historian (AVEVA PI, InfluxDB, Honeywell PHD) über einen der mitgelieferten Konnektoren. Die Verbindung ist meist in 1–2 Stunden eingerichtet, sofern der Historian im Netz erreichbar ist.

Schritt 2: Definiere eine Qualitätssignal-Gruppe: Lade deine Ausschuss- oder Fehlerdaten (z.B. aus dem QMS oder Labor-LIMS) als Zeitreihe in Seeq, damit das System sie zusammen mit den Prozessparametern visualisiert.

Schritt 3: Nutze die Scatter-Plot- und Korrelations-Funktion, um die stärksten Einzelparameter-Zusammenhänge zu identifizieren. Für multivariate Interaktionen (z.B. Temperatur × Luftfeuchtigkeit) kann Seeq Data Lab (Python) eingesetzt werden, um einfache Gradient-Boosting-Modelle direkt auf den historischen Daten zu trainieren.

Ein konkretes Beispiel

Ein mittelständischer Lohnbeschichter betreibt 3 Beschichtungslinien mit AVEVA PI als Historian. In den vergangenen 18 Monaten hat er 47 Haftungsreklamationen erfasst — aber keiner der SPC-Charts zeigte auffällige Grenzwertüberschreitungen. In Seeq lädt der Qualitätsingenieur die Reklamationszeitpunkte als Annotation-Datei und überlagert sie mit den Prozessparametern der vorangegangenen Schicht. Im Scatter-Plot zeigt sich: Die Reklamationen häufen sich bei Kombinationen von Substrat-Eingangstemperatur unter 12°C und Luftfeuchtigkeit über 68 % — ein Muster, das kein einzelner SPC-Chart erfasst hatte, weil beide Parameter je für sich innerhalb der Toleranz lagen.