Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Facco, Pierantonio (2009) DEVELOPMENT OF MULTIVARIATE STATISTICAL TECHNIQUES FOR QUALITY MONITORING IN THE BATCH MANUFACTURING OF HIGH VALUE ADDED PRODUCTS. [Tesi di dottorato]

Full text disponibile come:

[img]Documento PDF
Tesi non accessible per motivi correlati alla proprietà intellettuale.
Visibile a: nessuno

2478Kb

Abstract (inglese)

Although batch processes are “simple” in terms of equipment and operation design, it is often difficult to ensure consistently high product quality. The aim of this PhD project is the development of multivariate statistical methodologies for the realtime monitoring of quality in batch processes for the production of high value added products. Two classes of products are considered: those whose quality is determined by chemical/physical characteristics, and those where surface properties define quality. In particular, the challenges related to the instantaneous estimation of the product quality and the realtime prediction of the time required to manufacture a product in batch processes are addressed using multivariate statistical techniques. Furthermore, novel techniques are proposed to characterize the surface quality of a product using multiresolution and multivariate image analysis.
For the first class of products, multivariate statistical soft sensors are proposed for the real-time estimation of the product quality and for the online prediction of the length of batch processes. It is shown that, to the purpose of realtime quality estimation, the complex series of operating steps of a batch can be simplified to a sequence of estimation phases in which linear PLS models can be applied to regress the quality from the process data available online. The resulting estimation accuracy is satisfactory, but can be substantially improved if dynamic information is included into the models. Dynamic information is provided either by augmenting the process data matrix with lagged measurements, or by averaging the process measurements values on a moving window of fixed length. The process data progressively collected from the plant can be exploited also by designing time-evolving PLS models to predict the batch length. These monitoring strategies are tested in a real-world industrial batch polymerization process for the production of resins, and prototypes of the soft sensor are implemented online.
For products where surface properties define the overall quality, novel multiresolution and multivariate techniques are proposed to characterize the surface of a product from image analysis. After analyzing an image of the product surface on different levels of resolutions via wavelet decomposition, the application of multivariate statistical monitoring tools allow the in-depth examination of the product features. A two-level “nested” principal component analysis (PCA) model is used for surface roughness monitoring, while a new strategy based on “spatial moving window” PCA is proposed to analyze the shape of the surface pattern. The proposed approach identifies the abnormalities on the surface and localizes defects in a sensitive fashion. Its effectiveness is tested in the case of scanning electron microscope images of semiconductor surfaces after the photolithography process in the production of integrated circuits.

Abstract (italiano)

Nonostante i processi batch siano relativamente semplici da configurare e da gestire anche con un livello limitato di automazione e una conoscenza ridotta dei meccanismi che ne stanno alla base, spesso è difficile assicurare una qualità del prodotto finito riproducibile ed elevata. La strumentazione comunemente utilizzata nella pratica industriale riesce solo raramente a fornire misure in tempo reale della qualità di un prodotto. Inoltre, molte complicazioni nascono dalla natura multivariata della qualità, la quale dipende da una serie di parametri fisici, operativi o addirittura soggettivi. Sebbene le informazioni sulla qualità del prodotto non siano facilmente accessibili, esse sono racchiuse nelle variabili di processo abitualmente registrate dai calcolatori di processo e memorizzate in banche di dati storici. I metodi statistici multivariati permettono di ridurre la dimensione del problema proiettando le variabili di processo in uno spazio di dimensioni ridotte costituito di variabili fittizie che sono in grado di mantenere tutto il contenuto informativo sulla qualità, superando i problemi del rumore di misura delle variabili, della ridondanza e dell’elevato grado di correlazione. Inoltre, questi metodi sono in grado di trattare dati anomali o dati mancanti.
Lo scopo di questa Tesi di Dottorato è di sviluppare dei sistemi innovativi per il monitoraggio della qualità di prodotti dall’alto valore aggiunto mediante tecniche statistiche multivariate. In particolare, i contributi scientifici di questo progetto di Dottorato sono:
• l’elaborazione di tecniche per lo sviluppo di sensori virtuali per la stima in tempo reale della qualità del prodotto in sistemi produttivi di tipo batch;
• l’applicazione non convenzionale di tecniche di proiezione su sottospazi latenti al fine di prevedere la durata di un batch o delle relative fasi operative;
• lo sviluppo di metodiche innovative per il monitoraggio multirisoluzione e multivariato della qualità mediante l’analisi di immagini di un prodotto dall’alto valore aggiunto.
Innanzi tutto, in questa Tesi vengono proposti sensori virtuali per la stima in linea della qualità del prodotto. Essi sono stati sviluppati e implementati prendendo in considerazione il caso di studio un processo industriale reale per la produzione di resine mediante polimerizzazione batch. I sensori virtuali proposti sono basati sulla tecnica statistica multivariate della proiezione su strutture latenti (PLS), che opera una regressione delle misure di processo usualmente disponibili in linea in tempo reale. Questo sistema riesce a garantire una accuratezza delle stime della qualità che è dello stesso ordine di grandezza delle misure di qualità fatte in laboratorio, col vantaggio che le stime in linea sono disponibili con altissima frequenza (sull’ordine di grandezza di s-1), cioè una frequenza centinaia di volte superiore delle misure che possono essere fatte in laboratorio (sull’ordine di grandezza di h-1). Inoltre, le stime sono accessibili in tempo reale e senza il ritardo che è tipico delle misure di laboratorio. Al fine di compensare le non linearità dei dati e i cambiamenti nella struttura di correlazione fra le variabili, la procedura adottata divide il batch in una sequenza di un numero limitato di fasi di stima, all’interno delle quali lo stimatore virtuale è in grado di dare stime molto accurate per mezzo di modelli PLS lineari. Il passaggio da una fase a quella successiva avviene in corrispondenza di alcuni “eventi” facilmente riconoscibili nelle stesse variabili di processo. La caratteristica principale del sensore virtuale proposto è che esso tiene conto di informazioni sulla dinamica del processo per mezzo di modelli a “variabili ritardate” (i quali aggiungono informazioni sulla dinamica del processo da valori passati delle variabili di processo) o modelli a media mobile. Il filtro a media mobile aggiunge una “memoria temporale” al sensore virtuale che migliora l’accuratezza di stima e, mediando le variabili di processo all’interno di una finestra temporale di dimensione fissata, riesce ad eliminare il rumore di misura, attenuare il rumore di processo, appiattire valori anomali e compensare l’effetto di temporanee mancanze di dati. L’ampiezza della finestra deve comunque essere scelta con cautela, dato che una finestra temporale troppo larga potrebbe ritardare gli allarmi sull’attendibilità della stima. Da un punto di vista operativo, il sistema proposto aiuta il personale che opera nell’impianto a rilevare delle derive sulla qualità del prodotto, suggerisce tempestivamente le correzioni da apportare alla ricetta del processo, e aiuta a minimizzare i fuori specifica del prodotto finale. Inoltre, il numero di campioni per la misura della qualità in laboratorio può essere ridotto drasticamente, la qual cosa determina un guadagno sia sul tempo totale del batch, sia sui costi relativi al laboratorio che alla manodopera e alla sua organizzazione.
Anche una seconda tipologia di sensori virtuali è stata sviluppata per assistere il monitoraggio in linea della qualità del prodotto e per fornire informazioni utili per una programmazione efficace della produzione: un sensore virtuale per la previsione in tempo reale della durata del batch. Questa strategia di monitoraggio si basa su modelli PLS evolutivi che sfruttano le informazioni progressivamente raccolte nel tempo durante il batch per prevedere la durata del batch o di ciascuno dei relativi stadi operativi. Anche l’accuratezza ottenuta dalle previsioni ottenute con questo sensore virtuale è del tutto soddisfacente, dato che l’errore di previsione è molto inferiore sia alla variabilità delle durata del batch che alla durata dei turni di lavoro degli operatori. Inoltre, la parte iniziale del batch conferma di essere di importanza fondamentale per la durata, in quanto le condizioni iniziali delle attrezzature, lo stato delle materie prime, e la fase di riscaldamento iniziale del reattore esercitano una grandissima influenza sulle prestazioni del batch stesso. Le informazioni che si ricavano sulla durata con grande anticipo rispetto alla fine del batch permettono una migliore organizzazione degli interventi sull’impianto, degli operatori d’impianto e dell’utilizzazione delle apparecchiature.
L’efficacia dei sensori per la stima della qualità e per la previsione della durata del batch è stata verificata applicandoli ed implementandoli in linea nel caso della produzione di resine mediante polimerizzazione batch.
Infine, i metodi statistici multivariati sono stati utilizzati anche nel campo dell’analisi dell’immagine. Abitualmente, nella pratica industriale, le ispezioni di un prodotto mediante analisi dell’immagine vengono svolte con semplici misurazioni dei più importanti parametri fisici opportunamente messi in evidenza per mezzo di tecniche di filtrazione. Inoltre, queste misure vengono ottenute in modo non sistematico. Molte informazioni utili restano però “nascoste” nelle immagini. Queste permettono di identificare la natura complessa della qualità del prodotto finale. Per questo è stato sviluppato un sistema totalmente automatizzato per il monitoraggio in tempo reale da immagini di un manufatto dall’alto valore aggiunto. Questo sistema di monitoraggio basato su tecniche multirisoluzione e multivariate è stato applicato al caso della caratterizzazione della superficie di un semiconduttore dopo fotolitografia, un’operazione fra le più importanti nella fabbricazione di circuiti integrati. Tecniche avanzate di analisi multivariata dell’immagine estraggono le tracce che il processo lascia sul prodotto, aiutando sia il rilevamento di situazioni critiche nel processo che l’intervento con azioni correttive a neutralizzare eventuali problemi. L’approccio proposto in questa Tesi si basa su un filtraggio preliminare multirisoluzione dell’immagine mediante wavelet, seguito da uno schema di monitoraggio che conduce in parallelo un’analisi della rugosità superficiale e della forma della superficie di un prodotto. Ad esempio, la rugosità della superficie può essere esaminata con una analisi delle componenti principali “nidificata”. Questa è una strategia che si articola su due differenti livelli: il livello esterno che permette di discriminare parti differenti della superficie per mezzo di una analisi dei gruppi con PCA; il livello interno esegue il monitoraggio della rugosità superficiale con PCA. La forma della superficie viene analizzata per mezzo di un approccio PCA a “finestra mobile nello spazio”, il quale coglie l’informazione dell’immagine secondo il relativo ordine nello spazio e riesce anche a tener conto sia delle non linearità che delle differenze strutturali della superficie. Questo sistema è in grado di rilevare alcune delle caratteristiche qualitative del prodotto che abitualmente non sono accessibili senza richiedere l’intervento dell’uomo. Inoltre, il monitoraggio risulta essere veloce, attendibile e non ambiguo, ed esegue una scansione di un’immagine del prodotto localizzando in modo preciso difetti e anomalie e rilevando eventuali derive del processo.
In conclusione, nonostante le metodologie proposte siano state testate su specifici casi di studio, esse hanno dimostrato di essere generali e vantano un grande potenziale. Per questo si ritiene sia possibile estenderle a differenti campi di ricerca e a diverse applicazioni industriali (ad esempio: ingegneria alimentare; industria farmaceutica; biotecnologie; etc…), nonché a differenti scale di indagine, dalla scala macroscopica alla microscopica o nanoscopica.

Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Barolo, Massimiliano
Correlatore:Bezzo, Fabrizio - Romagnoli, Josè A.
Dottorato (corsi e scuole):Ciclo 21 > Scuole per il 21simo ciclo > INGEGNERIA INDUSTRIALE > INGEGNERIA CHIMICA
Data di deposito della tesi:29 Gennaio 2009
Anno di Pubblicazione:2009
Parole chiave (italiano / inglese):quality monitoring; statistical process control; multivariate statistical techniques; image analysis; batch; polymerization; semiconductors; integrated circuits; high value added products
Settori scientifico-disciplinari MIUR:Area 09 - Ingegneria industriale e dell'informazione > ING-IND/26 Teoria dello sviluppo dei processi chimici
Area 09 - Ingegneria industriale e dell'informazione > ING-IND/25 Impianti chimici
Struttura di riferimento:Dipartimenti > pre 2012 - Dipartimento di Principi e Impianti di Ingegneria Chimica "I. Sorgato"
Codice ID:1702
Depositato il:29 Gen 2009
Simple Metadata
Full Metadata
EndNote Format

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

Addison, P. S. (2002). The illustrated wavelet transform handbook. IOP Publishing, London (U.K.). Cerca con Google

Aguado, D., A. Ferrer, A. Seco, and J. Ferrer (2006). Comparison of different predictive models for nutrient estimation in a sequencing batch reactor for wastewater treatment. Chemom. Intell. Lab. Sys., 84, 75-81. Cerca con Google

Apetrei, C., I. M. Apetrei, I. Nevares, M. del Alamo, V. Parra, M. L. Rodrìguez-Méndez, J. A. De Saja (2007). Using an e-tongue based on voltammetric electrodes to discriminate among red wines aged in oak barrels or aged using alternative methods. Correlation between electrochemical signals and analytical parameters. Electrochimica Acta, 52, 2588-2594. Cerca con Google

Arvisenet, G., L. Billy, P. Poinot, E. Vigneau, D. Bertrand, and C. Prost (2008). Effect of apple particle state on the release of volatile compounds in a new artificial mouth device. J. Agric. Food Chem., 56, 3245-3253. Cerca con Google

Baffi, G., E. B. Martin, and A. J. Morris (1999a). Non-linear projection to latent structures revisited: the quadratic PLS algorithm. Computers Chem. Eng., 23, 395-411. Cerca con Google

Baffi, G., E. B. Martin, and A. J. Morris (1999b). Non-linear projection to latent structures revisited (the neural network PLS algorithm). Computers Chem. Eng., 23, 1293-1307. Cerca con Google

Bakshi, B. R., (1998). Multiscale PCA with application to multivariate statistical process monitoring. AIChE J., 44, 1596-1610. Cerca con Google

Bakshi, B. R., M. N. Nounou, P. K. Goel, and X. Shen (2001). Multiscale bayesian rectification of data from linear steady-state and dynamic systems without accurate models. Ind. Eng. Chem. Res., 40, 261-274. Cerca con Google

Bartolacci, G., P. J. Pelletier, J. J. Tessier, C. Duchesne, P. A. Bossè, J. Fournier (2006). Application of numerical image analysis to process diagnosis and physical parameter measurement in mineral processes - Part I: Flotation control based on froth textural characteristics. Minerals Eng., 19, 734-747. Cerca con Google

Beaver, S., A. Palazoglu and J. A. Romagnoli (2007). Cluster analysis for autocorrelated and cyclic chemical process data. Ind. Eng. Chem. Res., 46, 3610-3622. Cerca con Google

Bharati, M. H., J. F. MacGregor and W. Tropper (2003). Softwood lumber grading through on-line multivariate image analysis techniques. Ind. Eng. Chem. Res., 42, 5345-5353. Cerca con Google

Bharati, M. H., J. J. Liu, and J. F. MacGregor (2004). Image texture analysis: methods and comparisons. Chemom. Intell. Lab. Sys., 72, 57-71. Cerca con Google

Blais, P., M. Micheals and J. N. Helbert (2001). Issues and trends affecting lithography tool selection strategy. In: Handbook of VLSI microlithography. Second edition. Principles, technology and application. Noyes Publications, Park Ridge, New Jersey (U.S.A.). Cerca con Google

Box, G. E. P. (1954). Some theorems on quadratic forms applied in the study of analysis of variance problems: effect of inequality of variance in one way classification. The Annals of Mathematical Statistics, 25, 290-302. Cerca con Google

Brauner, N., and M. Shacham (2000). Considering precision of data in reduction of dimensionality and PCA. Computers Chem. Eng., 24, 2603-2611. Cerca con Google

Brosnan, T., and D. W. Sun (2004). Improving quality inspection of food products by computer vision - a review. J. Food Eng., 61, 3–16. Cerca con Google

Burnham, A. J., J. F. MacGregor, and R. Viveros (1999). Latent variable multivariate regression modeling. Chemom. Intell. Lab. Sys., 48, 167-180. Cerca con Google

Camacho, J. and J. Picò (2006a). Multi-phase principal component analysis for batch processes modeling. Chemom. Intell. Lab. Sys., 81, 127-136. Cerca con Google

Camacho, J. and J. Picò (2006b). Online monitoring of batch processes using multi-phase principal component analysis. J. Process Control, 16, 1021-1035. Cerca con Google

Camacho, J., J. Picò and A. Ferrer (2008a). Bilinear modeling of batch processes. Part 1: theorical discussion. J. Chemom., 22, 299-308. Cerca con Google

Camacho, J., J. Picò and A. Ferrer (2008b). Multiphase analysis framework for handling batch process data. J. Chemom., 22, 632-643. Cerca con Google

Capron, X., B. Walczak, O. E. de Noord, and D.L. Massart (2005). Selection and weighting of samples in multivariate regression model updating. Chemom. Intell. Lab. Sys., 76, 205-214. Cerca con Google

Chang, H., J. Chen and Y. P. Ho (2006). Batch process monitoring by wavelet transform based fractal encoding. Ind. Eng. Chem. Res., 45, 3864-3879. Cerca con Google

Chen, J. and K. Liu (2002). On-line batch process monitoring using dynamic PCA and dynamic PLS models. Chem. Eng. Sci., 57, 63-75. Cerca con Google

Chen, G., T. J. MacAvoy, and M. Piovoso (1998). A multivariate statistical controller for on-line quality improvement. J. Process Control, 8, 139-149. Cerca con Google

Chen, F. Z., and X. Z. Wang (2000). Discovery of operational spaces from process data for production of multiple grades of products. Ind. Eng. Chem. Res., 39, 2378-2383. Cerca con Google

Chiang, L. H., and L. F. Colegrove (2007). Industrial implementation of on-line multivariate quality control. Chemom. Intell. Lab. Sys., 88, 143-153. Cerca con Google

Chiang, L. H., E. L. Russel, and R. D. Braatz (2001). Fault detection and diagnosis in industrial systems. Springer, London (U.K.). Cerca con Google

Choi, S. W., E. B. Martin, A. J. Morris, and I. B. Lee (2006). Adaptive multivariate statistical process control for monitoring time-varying processes. Ind. Eng. Chem. Res., 45, 3108-3118. Cerca con Google

Choi, S. W., and I. B. Lee (2005). Multiblock PLS-based localized process diagnosis. J. Process Control, 15, 295-306. Cerca con Google

Chong, I. G., and C. H. Jun (2005). Performance of some variable selection methods when multicollinearity is present. Chemom. Intell. Lab. Sys., 78, 103-112. Cerca con Google

Chu, Y. H., Y. H. Lee, and C. Han (2004). Improved quality estimation and knowledge extraction in a batch process by bootstrapping-based generalized variable selection. Ind. Eng. Chem. Res., 43, 2680-2690. Cerca con Google

Çinar, A., S. J. Parulekar, C. Ündey, and G. Birol (2003). Batch fermentation modeling, monitoring, and control. Marcel Dekker Inc., New York (U.S.A.). Cerca con Google

Clément, A., M. Dorais, and M. Verno (2008). Multivariate approach to the measurement of tomato maturity and gustatory attributes and their rapid assessment by vis-NIR spectroscopy. J. Agri. Food Chem., 56, 1538–1544. Cerca con Google

Conlin, A. K., E. B. Martin and A. J. Morris (2000). Confidence limits for contribution plots. J. Chemom., 14, 725-736. Cerca con Google

Costantoudis, V., G. P. Patsis, A. Tserepi, and E. Gogolides (2003). Quantification of line-edge roughness of photoresist. II. Scaling and fractal analysis and the best roughness descriptors. J. Vac. Sci. Technol. B, 21, 3, 1019-1026. Cerca con Google

Dayal, B. S., and J. F. MacGregor (1997a). Improved PLS algorithms. J. Chemom., 11, 73-85. Cerca con Google

Dayal, B. S., and J. F. MacGregor (1997b). Recursive exponentially weighted PLS and its applications to adaptive control and prediction. J. Process Control, 7, 169-179. Cerca con Google

de Jong, S.(1993). An alternative approach to partial least squares regression. Chemom. Intell. Lab. Sys., 18, 251-263. Cerca con Google

Doan, X. T. and R. Srinivasan (2008). Online monitoring of multi-phase batch processes using phase-based multivariate statistical process control. Computers Chem. Eng., 32, 230-243. Cerca con Google

Dokucu, M. T., and F. J. Doyle III (2008). Batch-to-batch control of characteristic points on the PSD in experimental emulsion polymerization. AIChE J., 54, 3171-3187. Cerca con Google

Dokken, K. M., and L. C. Davis (2007). Infrared imaging of sunflower and maize root anatomy. J. Agric. Food Chem., 55, 10517–10530. Cerca con Google

Donarski, J. A., S. A. Jones, and A. J. Charlton (2008). Application of cryoprobe 1H nuclear magnetic resonance spectroscopy and multivariate analysis for the verification of Corsican honey. J. Agric. Food Chem., 56, 5451–5456. Cerca con Google

Doymaz, F., A. Palazoglu, and J. A. Romagnoli (2003). Orthogonal nonlinear partial least-squares regression. Ind. Eng. Chem. Res., 42, 5836-5849. Cerca con Google

Du, C. J., and D. W. Sun (2004). Recent developments in the applications of image processing techniques for food quality evaluation. Trends in Food Science & Technology, 15, 230-249. Cerca con Google

Du, C. J., D. W. Sun (2008). Multi-classification of pizza using computer vision and support vector machine. J. Food Eng., 86, 234-242. Cerca con Google

Durante, C., M. Cocchi, M. Grandi, A. Marchetti, R. Bro (2006). Application of N-PLS to gaschromatographic and sensory data of traditional balsamic vinegars of Modena. Chemom. Intell. Lab. Sys., 83, 54-65. Cerca con Google

Eastment, H. T., and W. J. Krzanowski (1982). Cross-validatory of the number of components from a principal component analysis. Technometrics, 24, 73-77. Cerca con Google

Edgar, T. F., S. W. Butler, W. J. Campbell, C. Pfeiffer, C. Bode, S. B. Hwang, K. S. Balakrishnan and J. Hahn (2000). Automatic control in microelectronics manufacturing: practices, challenges, and possibilities. Automatica, 36, 1567-1603. Cerca con Google

Edgar, T. E (2004). Control and operations: when does controllability equal profitability. Computers Chem. Eng., 29, 41-49. Cerca con Google

El Chemali, C., J. Freudemberg, M. Hankinson and J. J. Bendik (2004). Run-to-run critical dimension and sidewall angle lithography control using the PROLITH simulator. IEEE Trans. Semiconductor Manuf., 17, 3, 388-401. Cerca con Google

ElMasry, G., N. Wang, C. Vigneault, J. Qiao, and A. ElSayed (2008). Early detection of apple bruises on different background colors using hyperspectral imaging. LWT, 41, 337-345. Cerca con Google

Eriksson, L., E. Johansson, N. Kettaneh-Wold and S. Wold (2001). Multi- and megavariate data analysis principles and applications. Umetrics Academy, Umeå (Sweden). Cerca con Google

Facco, P., (2005). Monitoring a semi-continuous polymerization process using multivariate statistical methods (in Italian). Tesi di Laurea, DIPIC, Università di Padova (Italy). Cerca con Google

Facco, P., M. Olivi, C. Rebuscini, F. Bezzo and M. Barolo (2007). Multivariate Statistical Estimation of Product Quality in the Industrial Batch Production of a Resin. In: Proc. DYCOPS 2007 – 8th IFAC Symposium on Dynamics and Control of Process Systems, (B. Foss and J. Alvarez, Eds.), Cancun (Mexico), June 6-8, vol. 2, 93-98. Cerca con Google

Facco, P., A. Faggian, F. Doplicher, F. Bezzo and M. Barolo (2008a). Virtual sensors can reduce lab analysis requirements in the industrial production of specialty chemicals. In: Proc. EMCC5 – 5th Chemical Engineering Conference for Collaborative Research in Eastern Mediterranean Countries, Cetraro (Italy), May 24-29, 178-181. Cerca con Google

Facco, P., F. Bezzo, J. A. Romagnoli and M. Barolo (2008b). “Monitoraggio multivariato e multiscala di processi di fotolitografia per la produzione di semiconduttori”. In: Proc. Congresso Gr.I.C.U 2008: Ingegneria Chimica, le nuove sfide, LaCastella (KR), September 14-17, 1383-1388. Cerca con Google

Facco, P., F. Bezzo, J. A. Romagnoli and M. Barolo (2008c). “Using digital images for fast, reliable, and automatic characterization of surface quality: a case study on the manufacturing of semiconductors”. In: Workshop on nanomaterials production, characterization and industrial applications, December 3, Milano (Italia). Cerca con Google

Facco, P., F. Doplicher, F. Bezzo and M. Barolo (2009a). “Moving-average PLS soft sensor for online product quality estimation in an industrial batch polymerization process”. J. Process Control, in press. doi:10.1016/j.jprocont.2008.05.002 Cerca con Google

Facco, P., R. Mukherjee, F. Bezzo, M. Barolo and J. A. Romagnoli (2009b). “Monitoring Roughness and edge shape on semiconductors through multiresolution and multivariate image analysis”. AIChE J., in press. Cerca con Google

Faggian, A., P. Facco, F. Bezzo and M. Barolo (2009). “Multivariate statistical real-time monitoring of an industrial fed-batch process for the production of specialty chemical”. Chem. Eng. Res. Des., in press. doi:10.1016/j.cherd.2008.08.019 Cerca con Google

Flores-Cerrillo, J., and J. F. MacGregor (2002). Control of particle size distributions in emulsion semibatch polymerization using mid-course correction policies. Ind. Eng. Chem. Res., 41, 1805-1814. Cerca con Google

Flores-Cerrillo, J., and J. F. MacGregor (2003). Within-batch and batch-to-batch inferential-adaptive control of semibatch reactors: a partial least squares approach. Ind. Eng. Chem. Res., 42, 3334-3345. Cerca con Google

Flores-Cerrillo, J., and John F. MacGregor (2004). Control of batch product quality by trajectory manipulation using latent variable models. J. Process Control, 14, 539–553. Cerca con Google

Fransson, M., and S. Folestad (2006). Real-time alignment of batch process data using COW for on-line process monitoring. Chemom. Intell. Lab. Sys., 84, 56-61. Cerca con Google

García-Muñoz, S., T. Kourti, J. F. MacGregor, A. G. Mateos and G. Murphy (2003). Troubleshooting of an industrial batch process using multivariate methods. Ind. Eng. Chem. Res., 42, 3592-3601. Cerca con Google

Garcia-Muñoz, S., T. Kourti, and J. F. MacGregor (2004). Model Predictive Monitoring for Batch Processes. Ind. Eng. Chem. Res., 43, 5929-5941. Cerca con Google

Geladi, P., (1995). Sampling and local models for multivariate image analysis. Mikrochim. Acta, 120, 211-230. Cerca con Google

Geladi, P. and H. Grahn (1996). Multivariate Image Analysis, John Wiley & Sons, Inc., New York (U.S.A.). Cerca con Google

Geladi, P. and R. Kowalski (1986). Partial least squares regression: a tutorial. Anal. Chim. Acta, 185, 1-17 Cerca con Google

Giordani, D. S., A. F. Siqueira, M. L. C. P. Silva, P. C. Oliveira, and H. F. de Castro (2008). Identification of the biodiesel source using an electronic nose. Energy & Fuels, 22, 2743–2747. Cerca con Google

Giri, S., J. R. Idle, C. Chen, T. M. Zabriskie, K. W. Krausz, and F. J. Gonzalez (2006). A Metabolomic Approach to the metabolism of the areca nut alkaloids arecoline and arecaidine in the mouse. Chem. Res. Toxicol., 19, 818-827. Cerca con Google

Guldi, R. L. (2004). Inline defect reduction from a historical perspective and its implication for future integrated circuits manufacturing. IEEE Trans. Semiconductor Manuf., 17, 4, 629-639. Cerca con Google

Gunther, J. C., J. S. Conner, and D. E. Seborg (2009). Process monitoring and quality variable prediction utilizing PLS in industrial fed-batch cell culture. J. Process Control, in press. doi:10.1016/j.jprocont.2008.11.007 Cerca con Google

Härdle, W., and L. Simar (2007). Applied multivariate statistical analysis (2nd ed.). Springer, New Jork (USA). Cerca con Google

Hare, L. (2003). SPC: from chaos to wiping the floor. Quality progress. Available at: http://www.asq.org/pub/qualityprogress/past/0703/58spc0703.html [accessed on October 1st, 2008]. Vai! Cerca con Google

Harrison, L., P. Dastidar, H. Eskola, R. Järvenpää, H. Pertovaara, T. LuukkaalaP. L. Kellokumpu-Lehtinen, S. Soimakallio (2008). Texture analysis on MRI images of non-Hodgkin lymphoma. Computers in Biology and Medicine, 38, 519-524. Cerca con Google

Helbert, J. N., and T. Daou (2001). Resist technology – Design, processing and applications. In: Handbook of VLSI microlithography. Second edition. Principles, technology and application. Noyes Publications, Park Ridge, New Jersey (U.S.A.)/ William Andrew Publishing, LLC, Norwich, New York (U.S.A.). Cerca con Google

Höskuldsson, A., (1988). PLS regression methods. J. Chemom., 2, 211-228. Cerca con Google

Höskuldsson, A., (2001). Variable and subset selection in PLS regression. Chemom. Intell. Lab. Sys., 55, 23-38. Cerca con Google

Hwang, D. H., and C. Han (1999). Real-time monitoring for a process with multiple operating modes. Control Eng. Practice, 7, 891-902. Cerca con Google

Jackson, J. E. (1991). A user’s guide to principal components. John Wiley & Sons Inc., New York (U.S.A.). Cerca con Google

Jackson, J. E., and G. S. Mudholkar (1979). Control procedures for residuals associated with principal component analysis. Technometrics, 21, 341-349. Cerca con Google

Johnson, R. A., and D. W. Wichern (2007). Applied multivariate statistical analysis (6th ed.). Pearson International Edition, Upper Saddle River (USA). Cerca con Google

Kaistha, N., and C. F. Moore (2001). Extraction of event times in batch profiles for time synchronization and quality predictions. Ind. Eng. Chem. Res., 40, 252-260. Cerca con Google

Kamohara, H., A. Takinami, M. Takeda, M. Kano, S. Hasebe and I. Hasimoto (2004). Product quality estimation and operating condition monitoring for industrial ethylene fractionator. J. Chem. Eng. Japan, 37, 422-428. Cerca con Google

Kano, M., and Y. Nakagawa (2008). Data-based process monitoring, process control and quality improvement: recent developments and applications in steel industry. Computers Chem. Eng., 32, 12-24. Cerca con Google

Kano, M., N. Showchaiya, S. Hasebe, and I. Hashimoto (2003). Inferential control of distillation composition: selection of model and control configuration. Control Eng. Practice, 11, 927-933. Cerca con Google

Kassidas, A., J. F. MacGregor, and P. A. Taylor (1999). Synchronization of batch trajectories using dynamic time warping. AIChE J., 44, 864-876. Cerca con Google

Khan, A. A., J. R. Moyne, and D. M. Tilbury (2008). Virtual metrology and feedback control for semiconductor manufacturing process using recursive partial least squares. J. Process Control, 18, 961-974. Cerca con Google

Kim, C., and C. H. Choi (2007). Image covariance-based subspace method for face recognition. Pattern Recognition, 40, 1592-1604. Cerca con Google

Kim, M., Y. H. Lee, I. S. Han, and C. Han (2005). Clustering-based hybrid soft sensor for industrial polypropylene process with grade changeover operation. Ind. Eng. Chem. Res., 44, 334-342. Cerca con Google

Kirdar, A. O., K. D. Green, and A. S. Rathore (2008). Application of multivariate data analysis for identification and successful resolution of a root cause for a bioprocessing application, Biotechnol. Prog., 24, 720-726. Cerca con Google

Knight, S., R. Dixon, R. L. Jones, E. K. Lin, N. G. Orji, R. Silver, J. S. Villarrubia, A. E. Vladár and W. Wu (2006). Advanced metrology needs for nanoelectric lithography. C. R. Physique, 7, 931-941. Cerca con Google

Komulainen, T., M. Sourander, S. L. Jämsä-Jounela (2004). An online application of dynamic PLS to a dearomatization process. Computers Chem. Eng., 28, 2611-2619. Cerca con Google

Kosanovich, K. A., M. J. Piovoso (1997). PCA of wavelet transformed process data for monitoring. Intelligent Data Analysis, 1, 85-99. Cerca con Google

Kourti, T. (2003). Mulivariate dynamic data modeling for analysis and statistical process control of batch processes, start-ups and grade transitions. J. Chemom., 17, 93-109. Cerca con Google

Kourti, T. (2005). Application of latent variable methods to process control and multivariate statistical process control in industry. Int. J. Adapt. Control Signal Process., 19, 213-246. Cerca con Google

Kourti, T. and J. F. MacGregor (1995). Process analysis, monitoring and diagnosis, using multivariate projection methods. Chemom. Intell. Lab. Sys., 28, 3-21. Cerca con Google

Kresta, J. V. , J. F. MacGregor and T. E. Marlin (1991). Multivariate statistical monitoring of process operating performance. Canadian J. Chem. Eng., 69, 35-47. Cerca con Google

Kresta, J. V., T. E. Marlin, and J. F. MacGregor (1994). Development of inferential process models using PLS. Computers Chem. Eng.,18, 597-611. Cerca con Google

Kruger, U., Y. Zhou and G. W. Irwing (2004). Improved principal component monitoring of large scale processes. J. Process Control, 14, 879-888. Cerca con Google

Ku, W., R. H. Storer and C. Georgakis (1995). Disturbance detection and isolation by dynamic principal component analysis. Chemom. Intell. Lab. Sys., 30, 179-196. Cerca con Google

Lee, F. (2001). Lithography process monitoring and defect detection. In: Handbook of VLSI microlithography. Second edition. Principles, technology and application. Noyes Publications, Park Ridge, New Jersey (U.S.A.). Cerca con Google

Lee, J. H., and A. W. Dorsey (2004). Monitoring of batch processes through state-space models. AIChE J., 50, 1198-1210. Cerca con Google

Lee, J. H., A. W. Dorsey, and S. Russell (2004). Inferential product quality control of a multistage batch plant. AIChE J., 50, 136-148. Cerca con Google

Lee, Y. H., M. Kim, Y. H. Chu, and C. Han (2005a). Adaptive multivariate regression modeling based on model performance assessment. Chemom. Intell. Lab. Sys., 78, 63-73. Cerca con Google

Lee, D. S., J. M. Park, and P. A. Vanrolleghem (2005b). Adaptive multiscale principal component analysis for on-line monitoring of a sequencing batch reactor. J. Biotech., 116, 195-210. Cerca con Google

Lee, . Y., S. S. Shah, C. C. Zimmer, G. Liu, and A. Revzin (2008a). Use of photolithography to encode cell adhesive domains into protein microarrays. Langmuir, 24, 2232-2239. Cerca con Google

Lee, A. C., K. Shedden, G. R. Rosania, and G. M. Crippen (2008b). Data mining the NCI60 to predict generalized cytotoxicity. J. Chem. Inf. Model., 48, 1379–1388. Cerca con Google

Lennox, B., G. A. Montague, H. G. Hiden, G. Kornfeld, P. R. Goulding (2001). Process monitoring of an industrial fed-batch fermentation. Biotechnology and Bioengineering, 74, 125-135. Cerca con Google

Li, B., J. Morris, E. B. Martin (2002). Model selection for partial least squares regression. Chemom. Intell. Lab. Sys., 64, 79-89. Cerca con Google

Li, W. and S. J. Qin (2001). Consistent dynamic PCA based on errors-in-variables subspace identification. J. Process Control, 11, 661-678. Cerca con Google

Lieftucht, D., U. Kruger, L. Xie, T. Littler, Q. Chen, and S. Q. Wang (2006). Statistical monitoring of dynamic multivariate processes – Part 2. Identifying fault magnitude and signature. Ind. Eng. Chem. Res., 45, 1677-1688. Cerca con Google

Lin, B., B. Recke, J. K. H. Knudsen, and S. B. Jørgensen (2007). A systematic approach for soft sensor development. Computers Chem. Eng., 31,419-425. Cerca con Google

Lindgren, S., and S. Rännar (1998). Alternative partial least-squares (PLS) algorithms. Perspectives in Drug Discovery and Design, 12/13/14, 105-113. Cerca con Google

Liu, J. J., and J. F. MacGregor (2005). Modeling and optimization of product appearance: application to injection-molded plastic panels. Ind. Eng. Chem. Res., 44, 4687-4696. Cerca con Google

Liu, J. J., M. H. Bharati, K. G. Dunn, and J. F. MacGregor (2005). Automatic masking in multivariate image analysis using support vector machines. Chemom. Intell. Lab. Sys., 79, 42-54. Cerca con Google

Liu, J. J., D. Kim, and C. Han (2007a). Use of wavelet packet transform in characterization of surface quality. Ind. Eng. Chem. Res., 46, 5152 -5158. Cerca con Google

Liu, J. J., J. F. MacGregor, C. Duchesne, and G. Bartolacci (2007b). Flotation froth monitoring using multiresolutional multivariate image analysis. Minerals Engineering, 18, 65-76. Cerca con Google

Liu, J., Q. Li, J. Dong, J. Chen, and G. Gu (2008). Multivariate modeling of aging in bottled lager beer by principal component analysis and multiple regression methods. J. Agric. Food Chem., 56, 7106-7112. Cerca con Google

Ljung, L., (1999). System identification. Theory for the user (2nd ed.). Prentice Hall, Upper Saddler River (USA). Cerca con Google

Louwerse, D. J., and A. K. Smilde (2000). Multivariate statistical process control of batch processes based on three-way models. Chem. Eng. Sci., 55, 1225-1235. Cerca con Google

Lu, N., F. Gao and F. Wang (2004a). Sub-PCA modeling and on-line monitoring strategy for batch processes. AIChE J., 50, 255-259. Cerca con Google

Lu, N. and F. Gao (2005a). Stage-based process analysis and quality prediction for batch processes. Ind. Eng. Chem. Res., 44, 3547-3555. Cerca con Google

Lu, N. and F. Gao (2006). Stage-based online quality control for batch processes. Ind. Eng. Chem. Res., 45, 2272-2280. Cerca con Google

Lu, N., Y. Yang, F. Gao and F. Wang (2004b). Multirate dynamic inferential modeling for multivariable processes. Chem. Eng. Sci., 59, 855-864. Cerca con Google

Lu, N., Y. Yang, F. Gao and F. Wang (2004c). PCA-based modeling and on-line monitoring strategy for uneven length batch process. Ind. Eng. Chem. Res., 2004, 43, 3343-3352. Cerca con Google

Lu, N., Y. Yao, F. Gao, and F. Wang (2005b). Two-dimensional dynamic PCA for batch process monitoring. AIChE J., 51, 3300-3304. Cerca con Google

MacGregor, J. F., T. E. Marlin, J. Kresta and B. Skagerberg (1991). Multivariate statistical methods in process analysis and control. In: Chemical process control (Y. Arkun e W. H. Ray, Eds.), CACHE Austin, AIChE New York (U. S. A.). Cerca con Google

Mallat, S. G., (1989). A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on pattern analysis and machine intelligence, 11, 674-693. Cerca con Google

Marjanovic, O., B. Lennox, D. Sandoz, K. Smith and M. Crofts (2006). Real-time monitoring of an industrial batch process. Computers Chem. Eng., 30, 1476-1481. Cerca con Google

Marín, S., M. Vinaixa, J. Brezmes, E. Llobet, X. Vilanova, X. Correig, A. J. Ramos, V. Sanchis (2007). Use of a MS-electronic nose for prediction of early fungal spoilage of bakery products. International Journal of Food Microbiology, 114, 10–16. Cerca con Google

Maulud, A., D. Wang, and J. A. Romagnoli (2006). A multi-scale orthogonal nonlinear strategy for multi-variate statistical process monitoring. J. Process Control, 16, 671-683. Cerca con Google

Misra, M., H. H. Yue, S. J. Qin, and C. Ling (2002). Multivariate process monitoring and fault diagnosis by multi-scale PCA. Computers Chem. Eng., 26, 1281-1293. Cerca con Google

Mosteller, F., and D. L. Wallace (1963). Inference in an authorship problem. J. Amer. Statist. Assoc., 58, 275-309. Cerca con Google

Montgomery, D. C. (2005). Introduction to statistical quality control (5th edition). John Wiley & Sons Inc., Danvers (USA). Cerca con Google

Montgomery, D.C., and G. C. Runger (2003). Applied statistics and probability for engineers (3rd ed.). John, Wiley and Sons Inc., Danvers (USA). Cerca con Google

Neogi, D., and C. E. Schlags (1998). Multivariate statistical analysis of an emulsion batch process. Ind. Eng. Chem. Res., 37, 3971-3979. Cerca con Google

Nomikos, P. (1996). Detection and diagnosis of abnormal batch operations based on multi-way principal component analysis. ISA Trans., 35, 259-266. World Batch Forum, Toronto, May. Cerca con Google

Nomikos, P., and J. F. MacGregor (1994). Monitoring batch processes using multiway principal component analysis. AIChE J., 40, 1361-1375. Cerca con Google

Nomikos, P., and J. F. MacGregor (1995a). Multivariate SPC charts for monitoring batch processes. Technometrics, 37, 41-59. Cerca con Google

Nomikos, P., and J. F. MacGregor (1995b). Multi-way partial least squares in monitoring batch processes. Chemom. Intell. Lab. Sys., 30, 97-108. Cerca con Google

Patsis, G. P., V. Constantoudis, A. Tserepi, E. Gogolides and G. Grozevb (2003). Quantification of line-edge roughness of photoresists. I. A comparison between off-line and on-line analysis of top-down scanning electron microscopy images. J. Vac. Sci. Technol. B, 21, 1008-1018. Cerca con Google

Qiao, J., M. O. Ngadi, N. Wang, C. Garièpy, S. O. Prasher (2007). Pork quality and marbling level assessment using a hyperspectral imaging system. J. Food Eng., 83, 10-16. Cerca con Google

Qin, S. J., (1998). Recursive PLS algorithms for adaptive data modeling. Computers Chem. Eng., 22, 503-514. Cerca con Google

Qin, S. J., and R. Dunia (2000). Determining the number of principal components for best reconstruction. J. Process Control, 10, 245-250. Cerca con Google

Quevedo, R., L. G. Carlos, J. M. Aguilera, and L. Cadoche (2002). Description of food surfaces and microstructural changes using fractal image texture analysis. J. Food Eng., 53, 361-371. Cerca con Google

Ramaker, H. J., E. N. M. van Sprang, S. P. Gurden, J. A. Westerhuis, and A. K. Smilde (2002). Improved monitoring of batch processes by incorporating external information. J. Process Control, 12, 569-576. Cerca con Google

Ramaker, H. J., E. N. M. van Sprang, J. A. Westerhuis and A. K. Smilde (2005). Fault detection properties of global, local and time evolving models for batch process monitoring. J. Process Control, 15, 799-805. Cerca con Google

Rännar, S., J. F. MacGregor and S. Wold (1998). Adaptive batch monitoring using hierarchical PCA. Chemom. Intell. Lab. Sys., 41, 73-81. Cerca con Google

Rao, A. R. (1996). Future directions in industrial machine vision: a case study of semiconductor manufacturing applications. Image and Vision Computing, 14, 3-19. Cerca con Google

Reis, M. S., P. M. Saraiva, and B. R. Bakshi (2008). Multiscale statistical process control using wavelet packets. AIChE J., 54, 2366-2378. Cerca con Google

Romagnoli, J. A., and A. Palazoglu (2006). Introduction to process control. Taylor & Francis, Boca Raton (FL, U.S.A.). Cerca con Google

Russel, S. A., P. Kesavan, J. H. Lee and B. A. Ogunnike (1998). Recursive data-base prediction and control of batch product quality. AIChE J., 44, 11, 2442-2458. Cerca con Google

Ruttiman, U. E., M. Unser, R. R. Rowlings, D. Rio, N. F. Ramsey, V. S. Mattay, D. W. Hommer, J. A. Frank and D. R. Weinberger (1998). Statistical analysis of functional MRI data in the wavelet domain. IEEE Trans. Med. Imag., 17, 142-154. Cerca con Google

Salari, E., and Z. Ling (1995). Texture segmentation using hierarchical wavelet decomposition. Pattern Rec., 28, 1818-1824. Cerca con Google

Schievano, E., G. Pasini, G. Cozzi, and S. Mammi (2008). Identification of the production chain of Asiago d’Allevo cheese by nuclear magnetic resonance spectroscopy and principal component analysis. J. Agric. Food Chem., 56, 7208-7214. Cerca con Google

Seborg, D. E., T. F. Edgar, and D. A. Mellichamp (2004). Process dynamics and control (2nd. ed.). John Wiley & Sons Inc., New York (U.S.A.) Cerca con Google

Sharmin, R., U. Sundararaj, S. Shah, L. V. Griend and Y. J. Sun (2006). Inferential sensor for estimation of polymer quality parameter: industrial application of a PLS-based soft sensor for a LDPE plant. Chem. Eng. Sci., 61, 6372-6384. Cerca con Google

Shawhart, W. A. (1931). Statistical method from the viewpoint of quality control. The Graduate School of Agriculture, Washington DC (USA). [Reprinted in 1986 by Dover Publishing, Toronto (Canada)]. Cerca con Google

Shao, R., F. Jia, E. B. Martin, and A. J. Morris (1999). Wavelets and non-linear principal components analysis for process monitoring. Control Eng. Practice, 7, 865-879. Cerca con Google

Shi, R., and J. F. MacGregor (2000). Modeling of dynamic systems using latent variable and subspace methods. J. Chemom., 14, 423-439. Cerca con Google

Škrbi?, B., and A. Onjia (2007). Multivariate analyses of microelement contents in wheat cultivated in Serbia (2002). Food Control, 18, 338-345. Cerca con Google

Srinivasan, R., and M. Qian (2005). Off-line temporal signal comparison using singular points augmented time warping. Ind. Eng. Chem. Res., 44, 4697-4716. Cerca con Google

Srinivasan, R., and M. Qian (2007). Online temporal signal comparison using singular points augmented time warping. Ind. Eng. Chem. Res., 46, 4531-4548. Cerca con Google

Szatvanyi, G., C. Duchesne, and G. Bartolacci (2006). Multivariate image analysis of flames for product quality and combustion control in rotary kilns. Ind. Eng. Chem. Res., 45, 4706-4715. Cerca con Google

Tan, Y., L. Shi, W. Tong and C. Wang (2005). Multi-class cancer classification by total principal component regression (TPCR) using microarray gene expression data. Nucleic Acids Research, 33, 56-65. Cerca con Google

Teppola, P., and P. Minkkinen (2000). Wavelet–PLS regression models for both exploratory data analysis and process monitoring. J. Chemom., 14, 383-399. Cerca con Google

Tessier, J., C. Duchesne, and G. Bartolacci (2007). A machine vision approach to on-line estimation of run of mine ore composition on conveyor belts. Minerals Eng., 20, 1129-1144. Cerca con Google

Tessier, J., C. Duchesne, C. Gauthier, and G. Dufour (2006). Estimation of alumina content of anode cover materials using multivariate image analysis techniques. Chem. Eng. Sci., 63, 1370-1380. Cerca con Google

Treasure, R. J., U. Kruger, and J. E. Cooper (2004). Dynamic multivariate statistical process control using subspace identification. J. Process Control, 14, 279-292. Cerca con Google

Trendafilova, I., M.P. Cartmell, and W. Ostachowicz (2008). Vibration-based damage detection in an aircraft wing scaled model using principal component analysis and pattern recognition. Journal of Sound and Vibration, 313, 560-566. Cerca con Google

Übeyli, D. E., (2007). Implementing automated diagnostic systems for breast cancer detection. Expert Systems with Applications, 33, 1054-1062. Cerca con Google

Ündey, C., and A. Çinar (2002). Statistical process monitoring of multistage, multiphase batch processes. 2002. IEEE Control Systems Magazine, 22, 40-52. Cerca con Google

Ündey, C., B. A. Williams, and A. Çinar (2002). Monitoring batch pharmaceutical fermentations: data synchronization, landmark alignment and real-time monitoring. 15th IFAC World Congress, July 22-26, Barcelona (Spain). Cerca con Google

Ündey, C., S. Ertunç, and A. Çinar (2003a). Online batch/fed-batch process performance monitoring, quality prediction, and variable-contribution analysis for diagnosis. Ind. Eng. Chem. Res., 42, 4645-4658. Cerca con Google

Ündey, C., E. Tatara, and A. Ç?nar (2003b). Real-time batch process supervision by integrated knowledge-based systems and multivariate statistical methods. Engineering Applications of Artificial Intelligence, 16, 555-566. Cerca con Google

Ündey, C., E. Tatara, and A. Ç?nar (2004). Intelligent real-time performance monitoring and quality prediction for batch/fed-batch cultivations. J. Biotech.,108, 61-77. Cerca con Google

Valle, S., W. Li, and S. J. Qin (1999). Selection of the number of principal components: the variance of the reconstruction error criterion with a comparison to other methods. Ind. Eng. Chem. Res., 38, 4389-4401. Cerca con Google

Viggiani, L., and M. A. Castiglione Morelli (2008). Characterization of wines by nuclear magnetic resonance: a work study on wines from the Basilicata region in Italy. J. Agric. Food Chem., 56, 8273-8279. Cerca con Google

Viñasa, R., A. Eff-Darwicha, V. Solerb, M. C. Martín-Luisa, M. L. Quesadaa, J. de la Nuez (2007). Processing of radon time series in underground environments: implications for volcanic surveillance in the island of Tenerife, Canary Islands, Spain. Radiation Measurements, 42, 101-115. Cerca con Google

Xie, L., U. Kruger, D. Lieftucht, T. Littler, Q. Chen, and S. Q. Wang (2006). Statistical monitoring of dynamic multivariate processes – Part 1. Modelling autocorrelation and crosscorrelation. Ind. Eng. Chem. Res., 45, 1659-1676. Cerca con Google

Xu, L., J. H. Jiang, H. L. Wu, G. L. Shen, R. Q. Yu (2007). Variable-weighted PLS. Chemom. Intell. Lab. Sys., 85, 140-143. Cerca con Google

Yaakobovitz, B., Y. Cohen and Y. Tsur (2007). Line edge roughness detection using deep UV light scatterometry. Microelectronic Eng., 84, 619-625. Cerca con Google

Yabuki, Y., T. Nagasawa, and J. F. MacGregor (2002). Industrial experiences with product quality control in semi-batch processes. Computers Chem. Eng., 26, 205-212. Cerca con Google

Yabuki, Y., and J. F. MacGregor (1997). Product quality control in semibatch reactors using midcourse correction policies. Ind. Eng. Chem. Res., 36, 1268-1275. Cerca con Google

Yao, Y, and F. Gao (2009). Phase and transition based batch process modeling and online monitoring. J. Process Control, in press. doi:10.1016/j.jprocont.2008.11.001 Cerca con Google

Yoon, S., and J. F. MacGregor (2004). Principal-component analysis of multiscale data for process monitoring and fault diagnosis. AIChE J., 50, 2891-2903. Cerca con Google

Yu, H., and J. F. MacGregor (2003). Multivariate image analysis and regression for prediction of caoating content and distribution in the production of snack foods. Chemom. Intell. Lab. Sys., 67, 125-144. Cerca con Google

Yu, H., J. F. MacGregor, G. Haarsma and W. Bourg (2003). Digital imaging for online monitoring and control of industrial snack food processes. Ind. Eng. Chem. Res., 42, 3036-3044. Cerca con Google

Yue, H. H., S. J. Qin, R.J. Markle, C. Nauert and M. Gatto (2000). Fault detection of plasma etcher using optical emission spectra. IEEE Trans. Semicond. Manufact., 13, 374-385. Cerca con Google

Waits, C. M., B. Morgan, M. Kastantin and R. Ghodssi (2005). Microfabrication of 3D silicon MEMS structures using grey-scale lithography and deep reactive ion etching. Sensors and actuators A, 119, 245-253. Cerca con Google

Waldo, W. (2001). Techniques and tools for optical lithography. In: Handbook of VLSI microlithography. Second edition. Principles, technology and application. Noyes Publications, Park Ridge, New Jersey (U.S.A.). Cerca con Google

Wang, X., U. Kruger, and B. Lennox (2003). Recursive partial least squares algorithms for monitoring complex industrial processes. Control Eng. Practice, 11, 613-632. Cerca con Google

Warne, K., G. Prasad, S. Rezvani, and L. Maguire (2004). Statistical and computational intelligence techniques for inferential model development: a comparative evaluation and a novel proposition for fusion. Engineering Applications of Artificial Intelligence, 17, 871-885. Cerca con Google

Westerhuis, J. A., S. P. Gurden, and A. K. Smilde (2000). Generalized contribution plots in multivariate statistical process monitoring. Chemom. Intell. Lab. Sys., 51, 95-114. Cerca con Google

Westerhuis, J. A., T. Kourti, and J. F. MacGregor (1998). Analysis of multiblock and hierarchical PCA and PLS models. J. Chemom., 12, 301-321. Cerca con Google

Westerhuis, J. A., T. Kourti, and J. F. MacGregor (1999). Comparing alternative approaches for multivariate statistical analysis of batch process data. J. Chemometrics 13, 397-413. Cerca con Google

Whelehan, O. P., M. E. Earll, E. Johansson, M. Toft, L. Eriksson (2006). Detection of ovarian cancer using chemometric analysis of proteomic profiles. Chemom. Intell. Lab. Sys., 84, 82-87. Cerca con Google

Wise, B. M., and N. B. Gallagher (1996). The process chemometrics approach to process monitoring and fault detection. J. Process Control, 6, 329-348. Cerca con Google

Wold, S. (1978). Cross-validatory estimation of number of components in factor and principal components models. Technometrics, 20, 397-405. Cerca con Google

Wold, S. (1994). Exponentially weighted moving principal components analysis and projection on latent structures. Chemom. Intell. Lab. Sys., 23, 149-161. Cerca con Google

Wold, S., P. Geladi, K. Esbensen, J. Öhman (1987). Multi-way principal components and PLS-analysis, J. Chemom., 1, 47–56. Cerca con Google

Wold, S., N. Kettaneh, H. Fridèn e A. Holmberg (1998). Modeling and diagnostics of batch processes and analogous kinetics experiments. Chemom. Intell. Lab. Sys., 44, 331-340. Cerca con Google

Wold, S., N. Kettaneh-Wold, and Skagerberg, B (1989). Non-linear PLS modelling. Chemom. Int. Lab. Sys., 7, 53-65. Cerca con Google

Wold, S., N. Kettaneh, and K. Tjessem (1996). Hierarchical multiblock PLS and PC models for easier model interpretation and as an alternative to variable selection. J. Chemom., 10, 463-482. Cerca con Google

Wold, S., M. Sjöström, and L. Eriksson (2001). PLS-regression: a basic tool of chemometrics. Chemom. Intell. Lab. Sys., 58, 109-130. Cerca con Google

Zamprogna, E., M. Barolo and D. E. Seborg (2004). Estimating product composition profiles in batch distillation via partial least squares regression. Computers Eng. Practice., 12, 917-929. Cerca con Google

Zhai, H. L., X. G. Chen, and Z. D. Hu (2006). A new approach for the identification of important variables. Chemom. Intell. Lab. Sys., 80, 130-135. Cerca con Google

Zhang, Y., and M. Dudzic (2006). Industrial application of multivariate SPC to continuous caster start-up operations for breakout prevention. Computers Eng. Practice, 14, 1357-1375. Cerca con Google

Zhang, H., and B. Lennox (2004). Integrated condition monitoring and control of fed-batch fermentation processes. J. Process Control, 14, 41-50. Cerca con Google

Zhang, Q., K., Poola, and C. J. Spanos (2007). Across wafer critical dimension uniformity enhancement through lithography and etch process sequence: concept, approach, modeling, and experiment. IEEE Trans. Semicond. Manufact., 20, 488-505. Cerca con Google

Zhang, Q., K., Poola, and C. J. Spanos (2008). One step forward from run-to-run critical dimension control: across-wafer level critical dimension control through lithography and etch process. J. Process Control, 18, 937-945. Cerca con Google

Zhao, C., F. Wang, F. Gao, N. Lu, and M. Jia (2007a). Adaptive monitoring method for batch processes based on phase dissimilarity updating with limited modeling data. Ind. Eng. Chem.. Res., 46, 4943-4953. Cerca con Google

Zhao, C., F. Wang, N. Lu, and M. Jia (2007b). Staged-based soft-transition multiple PCA modeling and on-line monitoring strategy for batch processes. J. Process Control, 17, 728-741. Cerca con Google

Zhao, C., F. Wang, Z. Mao, N. Lu, and M. Jia (2008a). Improved batch process monitoring and quality prediction based on multiphase statistical analysis. Ind. Eng. Chem. Res., 47, 835-849. Cerca con Google

Zhao, C., F. Wang, Z. Mao, N. Lu, and M. Jia (2008b). Quality prediction based on phase-specific average trajectory for batch processes. AIChE J., 54, 693-705. Cerca con Google

Zhao, S. J., J. Zhang and Y. M. Xu (2006a). Performance monitoring of process with multiple operating modes through multiple PLS models. J. Process Control, 16, 763-772. Cerca con Google

Zhao, S. J., J. Zhang, Y. M. Xu, and Z. H. Xiong (2006b). Nonlinear projection to latent structures method and its applications. Ind. Eng. Chem. Res., 45, 3843-3852. Cerca con Google

Web sites Cerca con Google

http://www.asq.org/index.html/ [accessed on October 1st, 2008] Vai! Cerca con Google

http://www.eigenvectorresearch.com/ [accessed on January 5th, 2009] Vai! Cerca con Google

http://www.mathworks.com/ [accessed on January 5th, 2009] Vai! Cerca con Google

http://www.progea.com/ [accessed on January 5th, 2009] Vai! Cerca con Google

http://www.sirca.com/ [accessed on December 31st, 2008] Vai! Cerca con Google

Solo per lo Staff dell Archivio: Modifica questo record