← Torna alla categoria Acquisizione dati, Networking, Comms e IIoT

Operando nella corsia veloce

TrendMiner1

Contestualizzare i dati delle serie temporali per analisi intelligenti

Di Edwin van Dijk, TrendMiner

Nel mondo di IIoT, i dati sono considerati il ​​nuovo petrolio. Ma il pieno potenziale verrà scatenato solo se il contesto operativo può essere preso in considerazione durante l'analisi, il monitoraggio o la previsione delle prestazioni operative. Spargere la luce necessaria sui dati delle serie temporali attraverso la contestualizzazione dinamica consente di portare i processi nella più alta marcia dell'eccellenza operativa e della propria organizzazione nel futuro.

Le fabbriche oggi stanno acquisendo e memorizzando un'enorme quantità di dati direttamente o indirettamente correlati al processo di produzione. Tutti questi dati acquisiti di solito finiscono nelle migliori applicazioni aziendali che servono a scopi operativi specifici. Alcuni dati vengono archiviati in storici, altri dati vengono inseriti nel sistema di informazioni sulla qualità, nel sistema di gestione della manutenzione, nel sistema di gestione degli incidenti, ecc. Spesso tutti questi dati non sono collegati e quindi la domanda è se è possibile trovare la relazione tra i dati in vari repository, quando analizzi i tuoi dati di processo nel tuo storico?

Tutti i dati catturati nella tua organizzazione stanno illuminando i tuoi impianti di produzione in modo da poter operare più velocemente? In molti casi vediamo che se una fabbrica è gestita da esperti, anche con tutte le loro conoscenze nelle loro menti, stai fondamentalmente gestendo la tua fabbrica al buio. L'analisi self-service dei dati delle serie temporali mette già in luce le prestazioni operative. Ma se disponi di tutte le informazioni contestuali disponibili, acquisite durante la produzione e sfruttate da altre applicazioni, hai una visibilità molto migliore delle tue operazioni. In analogia, puoi guidare molto più velocemente su un'autostrada illuminata piuttosto che al buio. Questo è anche il caso in cui le informazioni contestuali ti aiutano ad analizzare più velocemente, a gestire in modo più efficiente e ad avere più rendimento.

TrendMiner2

L'utilizzo dei dati generati da serie temporali generati dal sensore acquisiti nel tuo storico offre molte possibilità per migliorare le prestazioni operative attraverso l'utilizzo di analisi self-service, come dimostra questo esempio pratico:

Casi di utilizzo pratico: assicura prestazioni di processo stabili evitando gli scatti della colonna di distillazione

TrendMiner3

Figura 2 Migliora la qualità del prodotto garantendo il processo
prestazione nella colonna di distillazione

In un processo di produzione continuo, le colonne di distillazione in una pianta chimica speciale vengono utilizzate per separare metil acetato e metanolo aggiungendo acqua in alto per rompere l'azeotropo. Un regolatore di temperatura vicino al fondo della colonna è progettato per garantire che non venga trascinato il metil acetato. Si è verificato recentemente un picco di pressione che ha avuto un impatto negativo sulla produzione e sulla qualità. L'obiettivo è scoprire se si è trattato di un singolo incidente o se è successo prima, e in tal caso, se è stata trovata una causa principale del problema.

Per verificare se la situazione si fosse verificata prima, il profilo di pressione è stato utilizzato per trovare un comportamento simile in tutti i dati storici delle serie temporali. Eseguendo una ricerca di similarità e sovrapponendo i risultati è stato trovato un evento molto simile (> 90% match), che è successo qualche mese fa. Sovrapponendo i risultati, il pattern degli eventi mostra la stessa forma, il che ha portato naturalmente gli ingegneri a credere che potrebbero essere dovuti a cause simili.

TrendMiner4

Invece di cercare manualmente le potenziali cause alla radice, il motore dei consigli è stato utilizzato per ottenere suggerimenti dalla soluzione di analisi self-service. L'esperto in materia può facilmente iterare per trovare gli approfondimenti che sta cercando. In questo caso, abbastanza rapidamente, il software ha suggerito una serie di tag interessanti da valutare ulteriormente. È apparso evidente che la combinazione di alto riflusso con ebollizione insufficiente o vapore al ribollitore (evaporazione del vapore) durante la fase di avviamento della colonna sono state le cause principali dello spike.

Attraverso il motore di raccomandazione, è diventato anche chiaro che una temperatura più alta del vassoio nella colonna è un buon indicatore precoce per il picco di pressione. Viene installato un monitor che avvisa l'ingegnere della produzione non appena la temperatura inizia a scendere, quindi è possibile intervenire tempestivamente e mitigare le conseguenze.

L'analisi ha dimostrato che una combinazione indesiderata di condizioni di processo porterà a un'operazione instabile della colonna, che a sua volta porta a una cattiva separazione e una cattiva qualità del prodotto di fondo. I monitor che sono stati installati daranno agli ingegneri e agli operatori tempo sufficiente per reagire ed evitare che queste situazioni vadano avanti. Ogni evento porterebbe realisticamente a diverse ore di produzione persa e qualità degradata. Con un throughput medio di 25t / h, questo porta a più di 100 tonnellate di prodotti non specificati salvati per evento, e inversamente, tonnellate 100 di ulteriori specifiche generate evitando del tutto l'evento.

Analisi più intelligenti con dati contestuali

L'uso di dati di serie temporali catturati, in combinazione con la conoscenza del processo e degli esperti di risorse, ti consente di operare più velocemente e migliorare le prestazioni complessive. Come detto in precedenza, i dati operativi diretti e indiretti vengono acquisiti da varie applicazioni aziendali. Se questi dati possono essere collegati ai dati delle serie temporali durante l'analisi delle tendenze, è possibile ottenere ulteriori miglioramenti operativi.

TrendMiner5Una prima aggiunta logica di informazioni contestuali collega i dati del test di qualità dal laboratorio ai dati di processo. Soprattutto in caso di produzione in serie, in cui il contesto di una partita (come numero di lotto, tempo di ciclo ...) può essere collegato ai dati di prova dal laboratorio. In questo modo, ogni specifico batch run non è solo legato ai suoi dati di processo ma anche ai suoi dati di qualità. Queste informazioni extra collegate consentono una valutazione più rapida delle migliori esecuzioni per la creazione di impronte digitali batch per monitorare i lotti futuri. Aiuta anche a raccogliere i lotti con prestazioni insufficienti per avviare l'analisi per migliorare il processo di produzione.

Funzionando più velocemente sfruttando tutte le informazioni contestuali?

Sia che tu abbia un processo di produzione continuo o lavori in lotti, una vasta gamma di dati contestuali può gettare nuova luce sulle tue prestazioni operative. Pensa agli eventi acquisiti durante il processo di produzione, come arresti di manutenzione, anomalie di processo, informazioni sulla salute degli asset, eventi esterni, perdite di produzione, ecc. Anche le prestazioni degradanti delle apparecchiature possono indicare che la qualità del prodotto sarà influenzata, che può essere utilizzata per assicurare qualità del prodotto. Tutte queste informazioni contestuali aiutano a comprendere meglio le prestazioni operative e offrono nuovi punti di partenza per i progetti di ottimizzazione quando si utilizza la piattaforma di analisi avanzata.

TrendMiner6

Figura 5 Molti fattori influenzano le prestazioni operative e quindi la qualità del prodotto, che può essere inclusa per analizzare, monitorare e prevedere le prestazioni operative.

Pensieri conclusivi

Molte aziende nel mercato della produzione di processo sfruttano già i dati delle serie temporali per migliorare le prestazioni operative. I migliori risultati si ottengono quando gli esperti in materia possono analizzare i dati stessi con l'uso di un software di analisi avanzata self-service. Quando i dati di altre applicazioni aziendali possono essere legati ai dati delle serie temporali, è possibile ottenere nuove informazioni. I dati in quelle applicazioni aziendali offrono nuovi punti di partenza per i miglioramenti del processo. Le intuizioni possono portare a monitor che catturano nuovi eventi per una valutazione futura più approfondita del processo di produzione, e quindi determinano un ciclo di miglioramento continuo. Questo approccio contribuirà a ridurre i costi relativi a rifiuti, energia e manutenzione e ad aumentare la resa con prodotti di qualità. Complessivamente porta a una maggiore redditività del sito facendoti operare nella corsia di sorpasso.

Per ulteriori informazioni contattare TrendMiner, su:

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

Process Industry Informer

Notizie correlate

Lascia un Commento

Questo sito utilizza Akismet per ridurre lo spam. Scopri come vengono elaborati i dati dei tuoi commenti.

Condividi via
Copia link