Immer mehr Industrieunternehmen stehen unter Druck, Energie zu sparen und Kosten zu senken. Eine Datenanalyse kann helfen, die Hauptquellen des Energieverbrauchs an ihren Standorten zu ermitteln.
Die Analyse der Verbrauchsdaten der Fabrik an jeder einzelnen Station ist eine Lösung, um den Verbrauch dort zu senken, wo Einsparungen möglich sind, und Verschwendung zu vermeiden. Die Beeinflussung der Maschinengeschwindigkeit, des Durchsatzes, der Temperaturen oder der Auslastung der Anlagen, um den Verbrauch manchmal nur um wenige Prozent zu senken, klingt nach wenig, kann aber in Bezug auf die Wettbewerbsfähigkeit viel bedeuten. Das Ziel ist mehr Sparsamkeit bei gleichbleibender Qualität.
Dieser Artikel beschreibt ein interessantes Beispiel für die Verwendung der Datenanalyse, genauer gesagt der Regressionsanalyse, um die größten Energieverbraucher in einer Fabrik zu ermitteln.
Die schrittweise Regression ist eine geeignete Analyse, wenn Sie mit vielen Variablen arbeiten und eine sinnvolle Teilmenge von Prädiktoren ermitteln möchten. In Minitab werden bei der standardmäßigen schrittweisen Regression Prädiktoren einzeln hinzugefügt und entfernt. Minitab beendet das Verfahren, sobald alle Variablen, die nicht im Modell enthalten sind, p-Werte aufweisen, die größer als der angegebene Alpha-für-Aufnahme-Wert sind, und sobald alle Variablen, die im Modell enthalten sind, p-Werte aufweisen, die kleiner oder gleich dem angegebenen Alpha-für-Ausschluss-Wert sind.
Neben diesem Standardverfahren bietet Minitab zwei weitere Typen der schrittweisen Regression:
In diesem Beispiel werden mithilfe der schrittweisen Regression die wichtigsten Stromverbraucher ermittelt. Dafür wurden in einem Fertigungswerk die folgenden Prädiktorvariablen betrachtet: Gesamtzahl der produzierten Einheiten, Gesamtlaufzeit der Geräte, Anzahl der Mitarbeiter, mittlere Außentemperatur, minimale Außentemperatur, maximale Außentemperatur, Prozentsatz der Sonnenstunden und mittleres Alter der Geräte. Es sollte aber darauf hingewiesen werden, dass die schrittweise Regression besonders hilfreich ist, wenn Sie mit über 100 Prädiktorvariablen arbeiten.
Das Ziel bestand darin, diese Variablen auf eine Liste der wichtigsten Prädiktoren für den Energieverbrauch zu reduzieren. Zum Erstellen des endgültigen Modells wählten die Analysten in Minitab Statistik > Regression > Regressionsmodellanpassen aus und gaben im Dialogfeld als Antwort Energie und die oben genannte Liste von stetigen Prädiktoren ein. Vervollständigen Sie das Dialogfeld,wie nachstehendgezeigt.
Klicken Sie auf Schrittweise. Vervollständigen Sie das Dialogfeld, wie nachstehendgezeigt.
Sie erhielten das folgende Modell, das als Prädiktoren die Gesamtlaufzeit der Geräte, die maximale Temperatur und das durchschnittliche Alter der Geräte enthielt. Minitab entfernte die anderen Variablen, weil ihre p-Werte größer als der Wert für „Alpha für Aufnahme“ waren.
Zum Aufrufen der Residuendiagramme wählen Sie CTRL E und im Dialogfeld Grafiken und dann Pareto und unter Residuendiagramme die Option Vier-in-Eins aus.
Die Regressionsgleichung unten zeigt, dass der Energieverbrauch steigt, wenn die Gesamtlaufzeit der Geräte, die maximale Temperatur und das durchschnittliche Alter der Geräte zunehmen:
Die Gesamtlaufzeit der Geräte hat laut der obigen t-Statistik und dem nachstehenden Pareto-Diagramm den stärksten Einfluss. An zweiter Stelle folgt die Höchsttemperatur und dann das Durchschnittsalter der Geräte.
Anhand dieser Analyse ließ sich schließen, dass der Energieverbrauch aufgrund der starken Nutzung der Klimaanlage höher ist und dass der Verbrauch durch neuere Geräte offenbar gesenkt werden kann. Das Werk sollte überlegen, ob die Gerätenutzung während Spitzenzeiten mit durchgängiger Klimaanlagennutzung eingeschränkt werden sollte, und in Betracht ziehen, vor der Sommersaison neue Geräte zu erwerben.
Auch wenn eine schrittweise Regression viele Einblicke bietet, sollten dabei einige mögliche Fehlerquellen berücksichtigt werden:
Wenn Sie selbst mit diesem Datensatz arbeiten möchten, können Sie die Daten von Scribd herunterladen.
Stellen Sie sich vor, Sie könnten 20 Prozent Ihrer Herstellungskosten senken, indem Sie einfach Ihre Daten analysieren. 💻
In unserem Webinar mit unserem Solutions-Experten Roberto Mastrangelo erhalten Sie Einblicken in Digitalisierungs- und Energieoptimierungsprozesse.
Sichern Sie sich jetzt Ihren Platz für neue Erkenntnisse darüber, wie Sie die Hoheit über Ihre Kosten wiedererlangen.
Reduzieren Sie Ihren Energieverbrauch mit Minitab! 👍