Applying Design of Experiments for VOSS Automotive


 This case study nicely illustrates a typical situation in which industry can directly benefit from academia—and the other way round. It is also an example that demonstrates how elementary Design of Experiment (DoE) techniques can yield good results in a very efficient manner. The company was facing severe quality issues from an injection molding process. Several million parts of this product were delivered to automobile manufacturers every year.

The project duration was 20 weeks. One student worked full time. Weekly meetings were held with project leaders, technical experts and users. Open Source Software, i.e., R, was used to perform the statistical analysis and to set up experimental designs.  The process owner has basic statistical knowledge, the student acquired elementary expertise during the project.

During brainstorming with process owners and technical experts the problem was defined. More than 20 parameters were considered as key-process variables. Parameters such as ambient temperature or air humidity were included in this setting.  During the “Data Acquisition and Measurement” phase, an experimental design with two stages was considered.  Cause-effect diagrams played an important role during this stage of the project. The first experiments were performed to determine important parameters (screening). A second set of experiments were performed to determine an improved setting (optimization). The output variables and statistics were specified. Simple linear regression models and tree based models were used during the modeling and analysis phase in parallel. The resulting regression trees are easy to understand and supported results from the regression models.  A fractional factorial design for the selected eight parameters was chosen during optimization.  Response surface methodology was used as the driving method. Regression trees, response surface plots, interaction plots were used to visualize results. Further screening indicated that the behavior of the system can be explained basically with three parameters only.  During the “Integration and Deployment” phase, not the best configuration was selected to keep deterioration low. Settings with reduced pressure and velocity were used instead. The customer asks for a robust solution which performs slightly worse than the absolute best solution. Experiments were performed with settings which were found on the model. These experiments confirmed the results from the statistical analysis. An improved configuration was determined.  During the “control” phase, it was confirmed that the process was in a stable state. Further steps to keep the process stable were discussed.

Applying Genetic Programming for Steinmüller Engineering GmbH

Reduction of noxious emissions plays a major role in the planning and the operation of coal-fired power plants. Even small changes in the parameters for design and operation of such plants can reduce the emission of climate damaging gases like nitrogen oxides significantly. The central task of the project is to find a parameter setting optimizing the trade-off between efficiency of the power plant and noxious emissions.

To predict the emission profile, i.e., different concentrations of toxic gases in the emission, simulation models are required. Computational fluid dynamics methods offer highly accurate models that usually are used for this task. However, such models are very complex, hard to generate and the computational effort of these for the considered burning processes are extremely high. In contrast to computational fluid dynamics models, the projects aims for developing cost-sensitive, interpretable models by using symbolic regression via genetic programming.

Genetic programming belongs to the class of computational intelligence methods that mimic natural processes, e.g., natural evolution, to guide optimization processes. To this end, data-driven models are generated by genetic programming to adequately simulate the properties and behavior of the process under investigation, i.e., the burning processes in coal-fired power plants. This leads to insights into the processes themselves and a highly accurate simulation tool. This simulation tool is later on used for the optimization of the power plant’s parameter setting by using multi-criteria evolutionary algorithms.

Time-series Analysis for GreenPocket GmbH

In times of accelerating climate change and rising energy costs, increasing energy efficiency becomes a high priority goal for businesses and private households alike. Smart metering equipment records energy consumption data in regular intervals multiple times an hour, reporting this data to a central system, usually located at a local public utility company. Here, consumption data from thousands businesses and households is correlated and analyzed to detect anomalies, discover patterns, and give important hints for improving energy efficiency.

In an ongoing project with GreenPocket GmbH, a pioneering provider of smart-metering software, the SpotSeven team provides state-of-the-art statistical methods for energy consumption time series analysis and forecasting.  Challenges of this project include an exceptionally high data volume, necessitating methods and algorithms that are not only accurate, but also scalable and of acceptable computational complexity. Solutions have to integrate into GreenPocket’s highly scalable computational infrastructure. In this project, SpotSeven chose a unique approach to discover a set of optimal solutions for GreenPocket’s time series analysis problem by tapping into the joint creativity of the international research community. The problem was announced as a challenge. The GECCO Industrial Challenge 2012 is a competition featuring challenging real-world industry problems and is held at the Genetic and Evolutionary Computation Conference (GECCO), the largest and most renowned conference in the field of genetic and evolutionary computation. Participants of the Industrial Challenge will provide scalable time series predictions methods directly applicable by GreenPocket. On behalf of SPOTSeven, the project is administered by two PhD students with support of one student assistant and has a scheduled runtime of six months.

Biogas Plant Optimization for GECO

In a collaboration with the Gummersbach Environmental Computing (GECO) group at CUAS the substrate mixture infeed of a biogas plant was optimized. The GECO group provided a calibrated simulation model, representing a specific plant of an industrial partner.  Additionally, the required background knowledge of the application was provided. Previous approaches used classical approaches, i.e., first-principles models, for this optimization task.  This work illustrates how statistical methods can complement the technical background provided by experts.  The resulting application of state of the art methods with Matlab reduced the required number of model evaluations to one tenth and showed some interesting observation of the applied algorithms behavior.  The project was tied to a diploma thesis, where one student spent three months, receiving regular assistance provided by supervisors of the SPOTSeven Team and supporting members of GECO. Results from this diploma thesis were awarded with the “Erzquell Förderpreis” for outstanding diploma theses.


Three of our current projects are funded by the Federal Ministry of Education and Research (BMBF):

  1. FIWA (Methoden der Computational Intelligence für Vorhersagemodelle in der Finanz- und Wasserwirtschaft, FKZ 17N2309).
  2. MCIOP (Mehrkriterielle CI-basierte Optimierungsverfahren für den industriellen Einsatz, FKZ 17N0311)
  3. CIMO (Computational Intelligence basierte Mehrzieloptimierungsverfahren, FKZ 17002X11)
A description of these projects (in German) is given below.

FIWA – Methoden der Computational Intelligence für Vorhersagemodelle in der Finanz- und Wasserwirtschaft:

Ziel des beantragten Projektes ist die Entwicklung modularer Systeme zur Analyse und Prognose von Daten aus der Finanz- und Wasserwirtschaft mittels Verfahren der Computational Intelligence (CI). Schwerpunktmäßig soll dabei Genetic Programming (GP) eingesetzt werden. Viele in der industriellen und ökonomischen Praxis auftretenden Prozesse weisen eine hohe Komplexität und nichtlineare Dynamik auf. Zudem kann sich die Natur dieser Prozesse ändern, wodurch sich die Prognosegenauigkeit vormals gut geeigneter Modelle im Verlauf der Zeit verschlechtert. Dieses Problem tritt häufig bei der Prognose von Zeitreihen auf, deren Struktur sich durch politische, ökonomische und umweltbedingte Einflüsse sehr rasch verändern kann. Aus diesen Gründen lassen sich viele für die wirtschaftliche Praxis interessante Zeitreihen nur schlecht mit klassischen Prognosemodellen vorhersagen. GP erlaubt die Integration von Komponenten aus bestehenden Verfahren der Zeitreihenprognose und ermöglicht somit die automatische Synthese eines an die zu prognostizierende Zeitreihe optimal angepassten Vorhersagemodells. Die in dem Vorhaben FIWA entwickelten GP-Systeme sollen für die Prognose von Finanzzeitreihen sowie für die Prognose von Zeitreihen in der Wasserwirtschaft eingesetzt werden. Dazu können neben Zeitreihen beliebige Eingabedaten, z.B. Schlüsselwörter aus Börsennachrichten oder Wetterdaten, genutzt werden.

 Die an diesem Antrag beteiligten KMU (DIP GmbH und Quaesta Capital GmbH) haben bereits sehr gute Erfahrungen mit dem Einsatz von GP auf Zeitreihen gemacht, bei denen klassische Verfahren keine verwertbaren Ergebnisse lieferten oder einen unangemessen hohen Modellierungsaufwand erforderten. Diese Systeme gehören weltweit zu den ersten GP Systemen im praktischen Einsatz in der Finanzwirtschaft. Besonders innovativ ist der erstmalige Einsatz dieser Systeme in der Wasserwirtschaft.

MCIOP – Mehrkriterielle CI-basierte Optimierungsverfahren für den industriellen Einsatz:

Ziel des Projektes MCIOP ist die Verringerung von Schadstoffemissionen in Kohlekraftwerken. Der wissenschaftliche Fokus liegt auf der Entwicklung von Methoden, die in der Lage sind, interpretierbare Modelle für die Schadstoffemissionen automatisch zu generieren. Hierzu werden mehrkriterielle Optimierungsverfahren entwickelt und eingesetzt. Zur Zeit- und Kostenreduktion wird die Optimierung durch Surrogat-Modelle erfolgen, die abgestuft mit aufwändigeren Simulationen zum Einsatz kommen („optimization via simulation“). Bei der Anlagenplanung und während des Betriebs können durch eine mehrkriterielle Optimierung unterschiedliche Zielgrößen, wie z.B. Kraftwerkseffizienz und Schadstoffmenge, gleichzeitig berücksichtigt werden.

Oliver Flasch

Das Projekt wird von Prof. Dr. Thomas Bartz-Beielstein und dem wissenschaftlichen Mitarbeiter Dipl.-Inf. Oliver Flasch geleitet.

CIMO – Computational Intelligence basierte Mehrzieloptimierungsverfahren:
Ziel des Projektes CIMO ist die Entwicklung von Optimierungsverfahren zur Analyse und Prognose von Daten zur „Reduktion von Schadstoffemissionen in Kohlekraftwerken“ mittels Verfahren der Computational Intelligence (CI). Methoden aus der Informatik, insbesondere aus dem Bereich des Algorithm Engineerings spielen hierbei eine zentrale Rolle. Die Entwicklung entsprechender Algorithmen (Optimierungsverfahren) und Visualisierungstechniken stehen im Mittelpunkt dieses Projektes. Der Schwerpunkt liegt dabei auf “Genetic Programming”, einem Verfahren, mit dem mathematische Modelle für Schadstoffemissionen automatisch anhand von Messdaten erzeugt werden können. Da mehrere Zielgrößen berücksichtigt werden, kommen Verfahren der mehrkriteriellen Parameteroptimierung zum Einsatz. Außerdem müssen Verfahren zur Restriktionsbehandlung entwickelt werden, da viele Nebenbedingungen auftreten.

Die Steinmüller Engineering GmbH verfügt über ein breit gefächertes Prozess-Know-how im Bereich der Energie- und Umwelttechnik.

Das Projekt wird in enger Kooperation mit der Steinmüller Engineering GmbH durchgeführt. Zu den Geschäftsfeldern der Steinmüller Engineering GmbH zählen Feuerungen, Dampferzeuger, Rauchgasentschwefelung, Rauchgasentstickung und -entstaubung, Wärmetauscher und Apparatebau sowie Planungs- und Beratungsleistungen für Kraftwerksanlagen.

Der internationale Master-Studiengang Automation & IT verbindet die Disziplinen Automatisierungstechnik und Informatik. Er wird in englischer Sprache angeboten und ist in dieser Form bundesweit einmalig.

In Kooperation mit Forschergruppen an der TU Dortmund, der Universität Leiden, der Universität Tilburg und Universität Ghent werden studienbegleitende Abschlussarbeiten (Bachelor- und Masterarbeiten sowie kooperative Promotionen) durchgeführt. Des Weiteren werden Case-Studies mit Studierenden des Studiengangs Master Automation & IT an der FH Köln durchgeführt.

M. Eng. Martin Zaefferer

Das Projekt wird von Prof. Dr. Thomas Bartz-Beielstein und dem wissenschaftlichen Mitarbeiter M. Eng. Martin Zaefferer geleitet. Die Projektlaufzeit beträgt 36 Monate (11/2011 bis 10/2014). Die Gesamtzuwendung (inkl. Projektpauschale) beträgt 281.453,70 €.