← Zurück zu Datenerfassung, Networking, Comms & IIoT Kategorie

Betrieb auf der Überholspur

TrendMiner1

Zeitreihen-Daten für intelligentere Analysen kontextualisieren

Von Edwin van Dijk, TrendMiner

In der Welt des IIoT gelten Daten als das neue Öl. Das volle Potenzial wird jedoch erst dann freigesetzt, wenn der betriebliche Kontext bei der Analyse, Überwachung oder Vorhersage der betrieblichen Leistung berücksichtigt werden kann. Durch die dynamische Kontextualisierung erhalten Sie Zeitreihendaten, die Sie in die Lage versetzen, Ihre Prozesse auf höchstem Niveau operativer Exzellenz und Ihre Organisation in die Zukunft zu führen.

Die heutigen Fabriken erfassen und speichern eine enorme Menge an Daten, die direkt oder indirekt mit dem Produktionsprozess zusammenhängen. All diese erfassten Daten landen in der Regel in erstklassigen Geschäftsanwendungen, die bestimmte betriebliche Zwecke erfüllen. Einige Daten werden in Historikern gespeichert, andere Daten werden in das Qualitätsinformationssystem, das Wartungsmanagementsystem, das Ereignismanagementsystem usw. übernommen. Häufig sind all diese Daten nicht miteinander verbunden. Daher stellt sich die Frage, ob Sie die Beziehung zwischen den Daten in verschiedenen Quellen finden können Repositories, wenn Sie Ihre Prozessdaten in Ihrem Historian analysieren?

Sind alle in Ihrem Unternehmen erfassten Daten für Ihre Produktionsanlagen beleuchtet, damit Sie schneller arbeiten können? In vielen Fällen sehen wir, dass, wenn eine Fabrik von Experten betrieben wird, selbst wenn sie alle mit ihrem Wissen im Kopf haben, Sie Ihre Fabrik grundsätzlich im Dunkeln betreiben. Die Self-Service-Analyse von Zeitreihendaten gibt bereits Aufschluss über die Betriebsleistung. Wenn Sie jedoch über alle verfügbaren Kontextinformationen verfügen, die während der Produktion erfasst und von anderen Anwendungen genutzt werden, haben Sie eine viel bessere Sicht auf Ihre Vorgänge. Analog kann man auf einer beleuchteten Autobahn viel schneller fahren als im Dunkeln. Dies ist auch der Fall, wenn kontextbezogene Informationen Ihnen helfen, schneller zu analysieren, effizienter zu arbeiten und mehr Ertrag zu erzielen.

TrendMiner2

Die Nutzung Ihrer in Ihrem Historian erfassten sensorgenerierten Zeitreihendaten bietet viele Möglichkeiten zur Verbesserung der Betriebsleistung durch Self-Service-Analysen, wie dieses praktische Beispiel zeigt:

Praktische Anwendungsfälle: Sicherstellung einer stabilen Prozessleistung durch Vermeidung von Destillationskolonnenfahrten

TrendMiner3

Abbildung 2 Verbessern Sie die Produktqualität, indem Sie den Prozess sichern
Leistung in der Destillationskolonne

In einem kontinuierlichen Produktionsprozess werden die Destillationskolonnen in einer Spezialchemieanlage zum Abtrennen von Methylacetat und Methanol verwendet, indem Wasser zugegeben wird, um das Azeotrop aufzubrechen. Ein Temperaturregler im unteren Bereich der Säule soll sicherstellen, dass kein Methylacetat mitgerissen wird. Kürzlich kam es zu einer Druckspitze, die sich negativ auf Produktion und Qualität auswirkte. Das Ziel besteht darin, herauszufinden, ob es sich um einen einzelnen Vorfall handelt oder ob es zuvor passiert ist und ob dies eine Ursache des Problems ist.

Um zu überprüfen, ob die Situation zuvor aufgetreten war, wurde das Druckprofil verwendet, um in allen historischen Zeitreihendaten ein ähnliches Verhalten zu finden. Durch Durchführen einer Ähnlichkeitssuche und Überlagern der Ergebnisse wurde ein sehr ähnliches Ereignis (> 90% Übereinstimmung) gefunden, das vor einigen Monaten stattgefunden hat. Durch die Überlagerung der Ergebnisse zeigt das Muster der Ereignisse dieselbe Form, was die Ingenieure natürlich zu der Annahme führte, dass sie auf eine ähnliche Ursache zurückzuführen sind.

TrendMiner4

Anstatt manuell nach möglichen Ursachen zu suchen, wurde die Recommendation Engine verwendet, um Vorschläge aus der Self-Service-Analyselösung zu erhalten. Der Fachexperte kann leicht iterieren, um die Einsichten zu finden, nach denen er sucht. In diesem Fall wurden von der Software ziemlich schnell eine Reihe interessanter Tags vorgeschlagen, damit der Ingenieur sie weiter beurteilen kann. Es stellte sich heraus, dass die Kombination von hohem Rückfluss mit unzureichendem Aufkochen oder Dampf zum Verdampfer (Dampfverdampfung) während der Startphase der Kolonne die Hauptursachen für die Spitze war.

Durch den Empfehlung-Motor wurde auch deutlich, dass eine höhere Bodentemperatur in der Kolonne ein guter Frühindikator für die Druckspitze ist. Ein Monitor wird eingerichtet, der den Produktionsingenieur alarmiert, sobald die Temperatur zu sinken beginnt, so dass zeitnahe Maßnahmen ergriffen und die Folgen gemindert werden können.

Die Analyse hat gezeigt, dass eine unerwünschte Kombination von Prozessbedingungen zu einem instabilen Säulenbetrieb führt, was wiederum zu einer schlechten Trennung und einer schlechten Bodenproduktqualität führt. Die eingerichteten Monitore geben den Ingenieuren und Bedienern ausreichend Zeit, um zu reagieren und zu vermeiden, dass diese Situationen weiter auftreten. Jede Veranstaltung würde realistischerweise zu mehreren Stunden Produktionsausfall und verminderter Qualität führen. Bei einem durchschnittlichen Durchsatz von 25t / h führt dies dazu, dass pro Ereignis mehr als 100-Tonnen Off-Spec-Produkt eingespart werden. Umgekehrt werden 100-Tonnen zusätzlicher On-Specs erzeugt, indem das Ereignis insgesamt vermieden wird.

Intelligentere Analyse mit Kontextdaten

Durch die Verwendung erfasster Zeitreihendaten in Kombination mit dem Wissen Ihrer Prozess- und Asset-Experten können Sie schneller arbeiten und die Gesamtleistung verbessern. Wie bereits erwähnt, werden direkte und indirekte Betriebsdaten von verschiedenen Geschäftsanwendungen erfasst. Wenn diese Daten während der Trendanalyse mit den Zeitreihendaten verknüpft werden können, können noch mehr betriebliche Verbesserungen erzielt werden.

TrendMiner5Eine erste logische Hinzufügung von Kontextinformationen besteht darin, die Qualitätstestdaten aus dem Labor an die Prozessdaten zu binden. Insbesondere bei einer Serienfertigung, bei der der Kontext einer Charge (wie Chargennummer, Zykluszeit usw.) mit den Testdaten aus dem Labor verknüpft werden kann. Auf diese Weise ist jeder spezifische Batchlauf nicht nur an seine Prozessdaten, sondern auch an seine eigenen Qualitätsdaten gebunden. Diese zusätzlichen verknüpften Informationen ermöglichen eine schnellere Beurteilung der besten Läufe für die Erstellung goldener Stapel-Fingerabdrücke zur Überwachung zukünftiger Stapel. Es hilft auch, die unterdurchschnittlichen Chargen zu sammeln, um Ihre Analyse zu starten, um den Produktionsprozess zu verbessern.

Laufen Sie schneller und nutzen Sie alle Kontextinformationen?

Unabhängig davon, ob Sie einen kontinuierlichen Produktionsprozess haben oder in Batches arbeiten, eine Vielzahl von Kontextdaten kann Ihre betriebliche Leistung neu beleuchten. Denken Sie an erfasste Ereignisse während des Produktionsprozesses, z. B. Wartungsstopps, Prozessanomalien, Informationen zum Zustand des Assets, externe Ereignisse, Produktionsausfälle usw. Auch eine Verschlechterung der Leistung von Geräten kann darauf hindeuten, dass die Produktqualität beeinträchtigt wird Produktqualität. All diese kontextbezogenen Informationen helfen Ihnen, die betriebliche Leistung besser zu verstehen und neue Ansatzpunkte für Optimierungsprojekte zu bieten, wenn Sie Ihre erweiterte Analyseplattform verwenden.

TrendMiner6

Abbildung 5 Viele Faktoren beeinflussen die Betriebsleistung und damit die Produktqualität, die zur Analyse, Überwachung und Vorhersage der Betriebsleistung einbezogen werden können.

Abschließende Gedanken

Viele Unternehmen im Prozessherstellungsmarkt nutzen ihre Zeitreihendaten bereits zur Verbesserung der Betriebsleistung. Die besten Ergebnisse werden erzielt, wenn Fachexperten die Daten selbst mit Hilfe der erweiterten Self-Service-Analysesoftware analysieren können. Wenn Daten aus anderen Geschäftsanwendungen mit den Zeitreihendaten verknüpft werden können, können neue Erkenntnisse gewonnen werden. Daten in diesen Geschäftsanwendungen bieten neue Ansatzpunkte für Prozessverbesserungen. Die Erkenntnisse können dazu führen, dass Überwachungen neue Ereignisse erfassen, um den Produktionsprozess zukünftig tiefer einschätzen zu können, was zu einem kontinuierlichen Verbesserungszyklus führt. Dieser Ansatz wird dazu beitragen, die Kosten für Abfall, Energie und Instandhaltung zu senken und den Ertrag mit Qualitätsprodukten zu steigern. Insgesamt führt dies zu einer verbesserten Rentabilität der Website, wodurch Sie auf der Überholspur arbeiten.

Weitere Informationen erhalten Sie bei TrendMiner unter:

+32 11 263830
[Email protected]
www.trendminer.com

Prozessindustrie Informer

Weitere Nachrichten

Hinterlasse einen Kommentar

Diese Seite verwendet Akismet, um Spam zu reduzieren. Erfahren Sie, wie Ihre Kommentardaten verarbeitet werden.

Via
Link kopieren