← Terug naar Data Acquisition, Networking, Comms & IIoT categorie

Werken in de Fast Lane

TrendMiner1

Contextualiseren tijdreeksgegevens voor slimmere analyses

Door Edwin van Dijk, TrendMiner

In de wereld van IIoT worden gegevens beschouwd als de nieuwe olie. Maar het volledige potentieel zal alleen worden losgelaten als met de operationele context rekening kan worden gehouden bij het analyseren, bewaken of voorspellen van de operationele prestaties. Door het nodige licht uit te storten op tijdreeksgegevens via dynamische contextualisatie, kunt u uw processen in de hoogste versnelling brengen van operationele uitmuntendheid en uw organisatie in de toekomst.

Fabrieken vandaag de dag zijn het vastleggen en opslaan van een enorme hoeveelheid gegevens die direct of indirect verband houden met het productieproces. Al deze vastgelegde gegevens eindigen meestal in de beste zakelijke toepassingen voor specifieke operationele doeleinden. Sommige gegevens worden opgeslagen in historici, andere gegevens gaan naar het kwaliteitsinformatiesysteem, het onderhoudsbeheersysteem, het incidentbeheersysteem, enz. Vaak zijn al deze gegevens niet verbonden en daarom is de vraag of u de relatie tussen de gegevens in verschillende opslagplaatsen, wanneer u uw procesgegevens in uw historicus analyseert?

Worden alle gegevens die in uw organisatie zijn vastgelegd, verlicht door uw productiefaciliteiten, zodat u sneller kunt werken? In veel gevallen zien we dat als een fabriek wordt gerund door experts, zelfs met al hun kennis in hun gedachten, u in feite uw fabriek in het donker draait. Zelfbedieningsanalyse van tijdsreeksgegevens werpt reeds licht op de operationele prestaties. Maar als u alle beschikbare contextuele informatie beschikbaar hebt, vastgelegd tijdens productie en benut vanuit andere toepassingen, heeft u een veel betere zichtbaarheid van uw activiteiten. Naar analogie kun je veel sneller rijden over een verlichte snelweg dan in het donker. Dat is ook het geval wanneer contextuele informatie u helpt om sneller te analyseren, efficiënter te werken en meer rendement te behalen.

TrendMiner2

Gebruikmakend van uw door de sensor gegenereerde tijdreeksgegevens die zijn vastgelegd in uw historicus, biedt veel mogelijkheden om de operationele prestaties te verbeteren door gebruik te maken van zelfbedieningsanalyses, zoals dit praktische voorbeeld laat zien:

Praktische use cases: zorg voor stabiele procesprestaties door destilleeringen in de kolom te vermijden

TrendMiner3

Afbeelding 2 Verbeter de productkwaliteit door het proces te garanderen
prestaties in destillatiekolom

In een continu productieproces worden de destillatiekolommen in een fabriek voor speciale chemicaliën gebruikt voor het scheiden van methylacetaat en methanol door er water bovenop toe te voegen om de azeotroop te verbreken. Een temperatuurregelaar in de buurt van de onderkant van de kolom is ontworpen om ervoor te zorgen dat er geen methylacetaat wordt meegevoerd. Onlangs trad een drukpiek op, die de productie en kwaliteit negatief beïnvloedde. Het doel is om uit te zoeken of dit een enkel incident was of dat het eerder was gebeurd en, zo ja, of er een oorzaak van het probleem kon worden gevonden.

Om te controleren of de situatie eerder was opgetreden, werd het drukprofiel gebruikt om vergelijkbaar gedrag te vinden in alle historische tijdreeksgegevens. Door een overeenkomstzoekopdracht uit te voeren en de resultaten te overlopen, werd een zeer vergelijkbare gebeurtenis (> 90% overeenkomst) gevonden, wat een paar maanden geleden gebeurde. Door de resultaten te overlappen, vertoont het patroon van de gebeurtenissen dezelfde vorm, wat de ingenieurs op natuurlijke wijze deed geloven dat ze te wijten kunnen zijn aan een soortgelijke oorzaak.

TrendMiner4

In plaats van handmatig te zoeken naar mogelijke oorzaken, werd de aanbevelingsengine gebruikt om suggesties te krijgen van de self-service analytics-oplossing. De materiedeskundige kan eenvoudig herleiden om de inzichten te vinden waarnaar hij of zij op zoek is. In dit geval werden vrij snel een aantal interessante tags door de software gesuggereerd om de ingenieur verder te beoordelen. Het werd duidelijk dat de combinatie van hoge terugvloeiing met onvoldoende opwarmen of stoom naar de herverdamper (stoomverdamping) tijdens de opstartfase van de kolom de hoofdoorzaken van de piek waren.

Door de aanbevelingsmotor werd ook duidelijk dat een hogere schoteltemperatuur in de kolom een ​​mooie vroege indicator is voor de drukpiek. Er is een monitor ingesteld die de productie-technicus waarschuwt zodra de temperatuur begint te dalen, zodat tijdig actie kan worden ondernomen en de gevolgen kunnen worden beperkt.

De analyse heeft aangetoond dat een ongewenste combinatie van procesomstandigheden zal leiden tot onstabiele kolomwerking, wat op zijn beurt leidt tot slechte scheiding en slechte bodemproductkwaliteit. De monitoren die zijn ingesteld, zullen de ingenieurs en operators voldoende tijd geven om te reageren en deze situaties in de toekomst te voorkomen. Elk evenement zou realistisch gezien leiden tot meerdere uren verloren productie en verminderde kwaliteit. Bij een gemiddelde doorvoer van 25t / h leidt dit tot meer dan 100 tonnen off-spec product per evenement en omgekeerd, 100 tonnen extra on-spec geproduceerd door het evenement helemaal te vermijden.

Slimmere analyses met contextuele gegevens

Het gebruik van vastgelegde tijdreeksgegevens, in combinatie met de kennis van uw proces- en assetexperts, zorgt ervoor dat u sneller werkt en de algehele prestaties verbetert. Zoals eerder gezegd, worden directe en indirecte operationele gegevens vastgelegd door verschillende bedrijfsapplicaties. Als deze gegevens tijdens trendanalyse aan de tijdreeksgegevens kunnen worden gekoppeld, kunnen nog meer operationele verbeteringen worden bereikt.

TrendMiner5Een eerste logische toevoeging van contextuele informatie is het koppelen van de kwaliteitstestgegevens van het laboratorium aan de procesgegevens. Vooral in het geval van batchproductie, waarbij de context van een batch (zoals batchnummer, cyclustijd ...) kan worden gekoppeld aan de testgegevens van het laboratorium. Op deze manier is elke specifieke batchrun niet alleen gekoppeld aan de procesgegevens, maar ook aan zijn eigen kwaliteitsgegevens. Deze extra gekoppelde informatie maakt een snellere beoordeling mogelijk van de beste runs voor het maken van gouden batch-vingerafdrukken om toekomstige batches te bewaken. Het helpt ook om de slecht presterende batches te verzamelen voor het starten van uw analyse om het productieproces te verbeteren.

Sneller rennen met alle contextuele informatie gebruiken?

Of u nu een continu productieproces hebt of in batches werkt, een breed scala aan contextuele gegevens kan een nieuw licht werpen op uw operationele prestaties. Denk aan vastgelegde gebeurtenissen tijdens het productieproces, zoals onderhoudsstops, procesafwijkingen, gezondheidsinformatie over activa, externe gebeurtenissen, productieverliezen, enz. Ook kan de degradatie van de prestaties van apparatuur erop duiden dat de productkwaliteit wordt beïnvloed, wat kan worden gebruikt om te verzekeren productkwaliteit. Al deze contextuele informatie helpt de operationele prestaties beter te begrijpen en geeft nieuwe aanknopingspunten voor optimalisatieprojecten bij het gebruik van uw geavanceerde analyseplatform.

TrendMiner6

Afbeelding 5 Vele factoren beïnvloeden de operationele prestaties en daarmee de productkwaliteit, die kan worden opgenomen om de operationele prestaties te analyseren, te bewaken en te voorspellen.

Afsluitende gedachten

Veel bedrijven in de procesproductiemarkt gebruiken hun tijdreeksgegevens al voor het verbeteren van de operationele prestaties. De beste resultaten worden behaald wanneer vakspecialisten de gegevens zelf kunnen analyseren met behulp van zelfbedienings geavanceerde analysesoftware. Wanneer gegevens van andere bedrijfstoepassingen kunnen worden gekoppeld aan de tijdreeksgegevens, kunnen nieuwe inzichten worden verkregen. Gegevens in die bedrijfsapplicaties geven nieuwe aanknopingspunten voor procesverbeteringen. De inzichten kunnen ertoe leiden dat monitoren nieuwe evenementen vastleggen voor een toekomstige diepere beoordeling van het productieproces en dus resulteren in een continue verbeteringscyclus. Deze aanpak helpt de kosten van afval, energie en onderhoud te verlagen en de opbrengst te verhogen met kwaliteitsproducten. Al met al leidt dit tot een betere winstgevendheid van de site waardoor u snel kunt werken.

Neem voor meer informatie contact op met TrendMiner op:

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

Procesindustrie Informer

Gerelateerd nieuws

Laat een reactie achter

Deze site gebruikt Akismet om spam te verminderen. Ontdek hoe uw reactiegegevens worden verwerkt.

Deel via
Kopieer link