Prozessdaten richtig nutzen Wie Sie mehr Wert aus Produktionsdaten holen – mit Advanced Analytics in der Cloud

Autor Sabine Mühlenkamp

Unruhige Märkte, mehr Nachhaltigkeit, sinkende Gewinnmargen fordern neue Ideen von Chemieunternehmen, um auch künftig Profit und Wachstum zu sichern. Eine unternehmensweit einheitliche und insgesamt bessere Nutzung von Prozessfertigungsdaten verspricht den Durchbruch.

Firma zum Thema

In der Cloud kann die Analyse riesiger Datenmengen in immer schnellerem Tempo und mit nahezu unbegrenzter Rechenleistung durchgeführt werden.
In der Cloud kann die Analyse riesiger Datenmengen in immer schnellerem Tempo und mit nahezu unbegrenzter Rechenleistung durchgeführt werden.
(Bild: ©makoto akimoto/EyeEm - stock.adobe.com)

Schon lange gibt es die Forderung, die oftmals über Jahrzehnte gespeicherten Produktionsdaten für die Prozessoptimierung zu nutzen. So werden bereits heute standortübergreifende KPIs genutzt, um Prozesse zu vergleichen. Auch Pumpen und Kompressoren werden mithilfe von Algorithmen überwacht. Dies sind jedoch in der Regel Einzelprojekte, und die Ergebnisse stehen nur einer kleinen Gruppe aus Experten zur Verfügung. Auch hapert es an der Einbindung von Echtzeitanalysen. Von einem unternehmensweiten Zugriff auf Daten und einheitlichem Ansatz für deren Auswertung sind die meisten Unternehmen noch weit entfernt. Die Bereitstellung von Advanced Analytics in der Cloud kann hier helfen.

Tipp der Redaktion: Im Webinar am 02.11.2021 um 14 Uhr erfahren Sie, wie Sie Ihre Prozessdaten durch digitale Transformation und Advanced Analytics für bessere Entscheidungen nutzbar machen können.

In der Cloud kann die Analyse riesiger Datenmengen in immer schnellerem Tempo und mit nahezu unbegrenzter Rechenleistung durchgeführt werden. Deshalb eignet sich die Cloud auch besonders gut für die Anwendung des maschinellen Lernens, um neue Erkenntnisse zu gewinnen und Vorhersagen zu treffen. Voraussetzung ist jedoch eine benutzerfreundliche Software-Lösung, um Advanced Analytics auch denjenigen zu ermöglichen, die keine Programmierkenntnisse besitzen.

Warum der Weg über die Cloud?

Viele Hersteller haben jahrzehntelang Betriebsdaten generiert und die Informationen in übergeordneten Steuerungs- und Datenerfassungssystemen oder anlagenbasierten Historians gespeichert. Die Bereitstellung dieser Daten für Cloud-basierte Datenbanken oder Business-Anwendungen ist jedoch nach wie vor eine Herausforderung.

Die Gründe sind vielschichtig: So wurde bei der Entwicklung von Protokollen für SPS nicht an das Internet gedacht. Zudem ist bei der Übertragung von Betriebsdaten in eine öffentliche Cloud das Thema Cybersicherheit immer ein Diskussionspunkt. Weiter handelt es sich bei den meisten Betriebsdaten um Zeitreihendaten. Für Business-Anwendungen ist dies eine besondere Herausforderung, da diese in der Regel für relationale Daten entwickelt wurden.

Mittlerweile vollzieht sich ein Wandel, da die Unternehmen vermehrt Betriebsdaten in ihre digitalen Unternehmensstrategien einbeziehen möchten. Vor allem möchten sie die Analysen auf weitere Anlagen und Werke und schließlich auf den globalen Betrieb ausweiten. Das Aufkommen industrieller Datenstandards wie OPC und Maschinendaten-Meldungsbroker wie MQTT sorgen inzwischen für eine bessere Konnektivität zu neuen Cloud-basierten Datenbanken.

Wie beginnt man?

Zunächst sollte man sich über einige Fakten klar werden:

  • Welche Daten werden derzeit gespeichert?
  • Wer sind die Hauptnutzer dieser Daten und wo befinden sich diese Nutzer?
  • Welche Art von Berechnungen werden mit den Daten durchgeführt?
  • Wie häufig werden die Daten für die Analysen benötigt?
  • Beruhen die Analysen auf historischen, echtzeitnahen oder prognostizierten Daten?
  • Welche Datenquellen werden zusammen verwendet, um Erkenntnisse zu gewinnen?

Wenn man weiß, wie und wo die Daten gespeichert sind, kann man dazu übergehen, die Art der Analysen entsprechend der Zielsetzung zu priorisieren, und mit der Umsetzung beginnen. Zum Beispiel könnte man eine Reihe von KPI definieren, die regelmäßig ausgewertet, berichtet und standortübergreifend verglichen werden. Oder man standardisiert die Analyse und Überwachung wichtiger Prozessanlagen (Pumpen, Kompressoren, Ventile usw.) unternehmensweit. Weitere mögliche Aspekte sind das Einbeziehen von maschinellem Lernen oder digitaler Zwillinge für die Umsetzung von vorausschauender Wartung.

Bildergalerie

Generell sollte man vermeiden, zunächst alle Daten einfach in eine Cloud zu verschieben, bevor mit der Arbeit begonnen wird. Dies verzögert die Implementierung und führt häufig dazu, dass Projekte abgebrochen werden, weil die Zeitspanne zwischen Investition und Ergebnis zu lang ist.

Hilfreicher ist es, die betroffenen Mitarbeiter im Betrieb mit benutzerfreundlichen Self-Service-Tools für Advanced Analytics, wie z. B. Seeq, auszustatten. Seeq kann auf eigener Hardware, in der privaten Cloud oder als SaaS bereitgestellt werden, und es kann auf Datenspeicher auf eigenen Servern oder in der Cloud zugreifen. Dadurch kann die effiziente Arbeit mit den Daten vor, während und nach dem Umzug in die Cloud sichergestellt werden. Ein weiterer Vorteil: Mitarbeiter, die mit den Produktionsprozessen vertraut sind, können die Daten in den richtigen Kontext setzen. Damit vermeidet man aufwändige Feedback-Schleifen, die häufig bei isolierten Data-Science-Gruppen in Unternehmen auftreten.

Proaktive Qualitätskontrolle

Die Seeq-Systemarchitektur untergliedert sich in die Module Seeq Organizer, Seeq Workbench und Seeq Data Lab. Wie diese angewendet werden, zeigen die folgenden Beispiele.

Mitarbeiter eines großen Chemieproduzenten öffneten die relevanten Prozessvariablen in der Seeq Workbench und identifizierten Zeiträume mit normalem und abnormalem Betrieb. Mithilfe eines Korrelationsmatrix-Algorithmus, der in Seeq Data Lab entwickelt wurde, ermittelten sie die Variablen mit dem größten Einfluss auf die gemessene Qualitätsvariable. Nach dem Entfernen von Ausreißern und Stillstandzeiträumen aus den relevanten Signalen und unter Berücksichtigung der automatisch berechneten Zeitversätze zwischen den Signalen konnte schließlich ein Vorhersagemodell für die Produktqualität erstellt werden, das den Bedienern in der Leitwarte über ein sich automatisch aktualisierendes Dashboard zur Verfügung gestellt wurde. Aufgrund der Vorhersage künftiger Laborproben aus aktuellen Prozessdaten nehmen die Bediener nun proaktiv Anpassungen vor, um den Prozess auf die Zielvorgaben abzustimmen. Durch diesen Mechanismus der proaktiven Produktqualitätskontrolle spart das Unternehmen inzwischen eine bis fünf Millionen Dollar pro Jahr an Produktverlusten.

Ergänzendes zum Thema
Nachgefragt bei Wolfgang Weiss, Seeq
Gemeinsame Arbeitsplattformen finden

Herr Weiss, was ist das größte Hindernis bei der unternehmensweiten Analyse von Prozessfertigungsdaten?

Wolfgang Weiss, Sales Executive: „Seeq kann innerhalb weniger Stunden implementiert und mit Datenquellen verbunden werden.“
Wolfgang Weiss, Sales Executive: „Seeq kann innerhalb weniger Stunden implementiert und mit Datenquellen verbunden werden.“
( Bild: Seeq )

Wolfgang Weiss: Tatsächlich gibt es gleich mehrere große Hindernisse. Erstens: Daten verschiedenen Typs und verteilt auf verschiedenen Speichern müssen konsolidiert werden. Zweitens: Analysewerkzeuge müssen Zeitreihendaten und Kontextinformation zusammen verarbeiten können und dennoch einfach bedienbar sein, damit Ingenieure und Fachexperten damit arbeiten können. Drittens: Ingenieure und Datenwissenschaftler haben oft keine gemeinsame Arbeitsplattform, über die sie ihr jeweils spezielles Expertenwissen für die Lösung konkreter Fragestellungen in der Produktion zusammenführen können.

Wie schnell gelingt die Umsetzung eines solchen Projektes?

Weiss: Seeq kann innerhalb weniger Stunden implementiert und mit Datenquellen verbunden werden. Die Umsetzung der Anwendungsfälle ist typischerweise ein kontinuierlicher Prozess, in dem man Lösungen für einzelne Bereiche umsetzt und dann unternehmensweit ausrollt. Einfache Anwendungen, z. B. die Berechnung von KPI, setzt man in einigen Stunden um, weltweite Projekte in Unternehmen mit mehr als 100.000 Mitarbeitern können Monate laufen.

Für welche Unternehmensgröße ist Ihr Analysetool geeignet?

Weiss: Für alle Unternehmen mit mehr als zehn Ingenieuren, die sich mit Prozessfertigungsdaten beschäftigen.

Eine Voraussetzung für die Reduzierung von Emissionen ist das Verständnis für die Menge der freigesetzten Emissionen und die anschließende Verfolgung dieser kumulierten Mengen anhand der jährlichen Genehmigungsgrenzen. Mitarbeiter eines Chemieunternehmen nutzten die Seeq Workbench, um ein automatisiertes Modell des Verhaltens eines Schadstoffdetektors während der Zeiträume zu erstellen, in denen der Messbereich überschritten wurde. Die rückblickende Anwendung des Modells ergab, dass die Schadstoffmengen in den Vorjahren wahrscheinlich zu niedrig ausgewiesen wurden und die Prozesse wurden entsprechend angepasst.

Chemieindustrie an Bord

Covestro in Leverkusen startete eine Digitalisierungsinitiative unter dem Namen Prozessdatenanalyse und -visualisierung (ProDAVis) zur Prozessüberwachung. Ziel ist es, den Mitarbeitern an allen Standorten weltweit den Zugang zu Prozessdaten und Analysetools zu ermöglichen, um die digitale Transformation zu erreichen. Dabei soll die betriebliche Dateninfrastruktur nicht einfach ersetzt werden, sondern die bestehende Infrastruktur weiterentwickelt werden, um einen größeren Nutzen aus den Daten zu ziehen. Ein wesentliches Element war die Bereitstellung der Analysetools von Seeq in der Cloud, die jeder Mitarbeiter nutzen kann. Damit sollen sie in die Lage versetzt werden, mit wenig bis gar keinen Vorkenntnissen ganz einfach datengesteuerte Modelle zu erstellen, um Prozesse vorherzusagen.

Allnex ist seit Ende des 19. Jahrhunderts ein führender Hersteller von industriellen Beschichtungsharzen und verfügt heute über 33 Produktionsstätten auf der ganzen Welt. Im Rahmen seiner Initiativen zur digitalen Transformation entschied sich Allnex für eine Seeq-Bereitstellung auf Amazon Web Services (AWS), um unterschiedliche Datenquellen miteinander zu verbinden und eine einheitliche Sicht auf die Daten der Prozessfertigung zu erhalten. Mit Seeq und AWS greift Allnex nun unternehmensweit sicher auf Prozessautomatisierungsdaten zu, um diese zu kontextualisieren.

Fazit: Um Prozesse zu verbessern, müssen nicht unbedingt neue Daten erhoben werden. Häufig reicht es, wenn man mit den Daten und Anwendungen beginnt, die bereits zugänglich sind. Mit benutzerfreundlichen und flexiblen Analysetools stehen neue Möglichkeiten zur Verfügung, um aus diesen Daten das Beste herauszuholen.

Tipp der Redaktion: Im Webinar am 02.11.2021 um 14 Uhr erfahren Sie, wie Sie Ihre Prozessdaten durch digitale Transformation und Advanced Analytics für bessere Entscheidungen nutzbar machen können.

(ID:47686611)