← Tilbage til Data Acquisition, Networking, Comms & IIoT kategori

Opererer i Fast Lane

TrendMiner1

Kontekstualiser tidsseriedata for smartere Analytics

Af Edwin van Dijk, TrendMiner

I verden af ​​IIoT anses data for at være den nye olie. Men det fulde potentiale vil kun blive frigjort, hvis den operationelle kontekst kan tages i betragtning ved analyse, overvågning eller forudsigelse af operationelle resultater. At give det nødvendige lys til tidsseriedata gennem dynamisk kontekstualisering gør det muligt for dig at tage dine processer ind i det højeste gear af operationel excellence og din organisation i fremtiden.

Fabrikkerne i dag indfanger og lagrer en enorm mængde data direkte eller indirekte relateret til produktionsprocessen. Alle disse optagne data ender typisk i bedste af racer-forretningsprogrammer, der tjener specifikke operationelle formål. Nogle af dataene er lagret i historikere, andre data går ind i kvalitetsinformationssystemet, vedligeholdelsesstyringssystemet, hændelsesstyringssystemet osv. Ofte er alle disse data ikke forbundet og så er spørgsmålet, om du kan finde forholdet mellem dataene i forskellige repositories, når du analyserer dine procesdata i din historiker?

Er alle de data, der er indfanget i din organisation, belysende dine produktionsfaciliteter, så du kan arbejde hurtigere? I mange tilfælde ser vi, at hvis en fabrik drives af eksperter, selv med al deres viden i deres sind, kører du i grunden din fabrik i mørke. Selvbetjeningsanalyser af tidsseriedata kaster allerede lys over den operationelle ydeevne. Men hvis du har alle tilgængelige kontekstuelle oplysninger tilgængelige, fanget under produktion og leveraged fra andre applikationer, har du meget bedre synlighed over dine operationer. I analogi kan du køre meget hurtigere over en belyst motorvej end i mørket. Det er også tilfældet, hvor kontekstuelle oplysninger hjælper dig med at analysere hurtigere, køre mere effektivt og få mere udbytte.

TrendMiner2

Brug af dine sensorgenererede tidsserier data indfanget i din historiker giver mange muligheder for at forbedre operativ ydeevne ved hjælp af selvbetjeningsanalyse, som dette praktiske eksempel viser:

Praktiske anvendelsesformål: Sikre stabil procesudførelse ved at undgå destillationskoloneture

TrendMiner3

Figur 2 Forbedre produktkvaliteten ved at sikre processen
præstation i destillationskolonne

I en kontinuerlig produktionsproces anvendes destillationskolonnerne i et specialkemikalieanlæg til at adskille methylacetat og methanol ved at tilsætte vand på toppen for at bryde azeotropen. En temperaturregulator nær bunden af ​​søjlen er udformet for at sikre, at ingen methylacetat inddrages. Der er for nylig sket et trykstigning, hvilket negativt påvirker produktionen og kvaliteten. Målet er at finde ud af, om dette var en enkelt hændelse, eller hvis det skete før, og i bekræftende fald, om en grundårsag til problemet kunne findes.

For at kontrollere om situationen var sket før, blev trykprofilen brugt til at finde lignende opførsel i alle historiske tidsseriedata. Ved at udføre en lighedssøgning og overlejring af resultaterne blev der fundet en meget lignende begivenhed (> 90% match), der skete for et par måneder siden. Ved at overlejre resultaterne viser mønsteret af begivenhederne samme form, som naturligvis førte ingeniører til at tro, at de kunne skyldes lignende årsag.

TrendMiner4

I stedet for at søge manuelt for potentielle årsager, blev anbefalingsmotoren brugt til at få forslag fra selvbetjeningsanalyseløsningen. Emnet ekspert kan let iterere for at finde de indsigter, han eller hun søger. I dette tilfælde blev det ganske hurtigt foreslået, at en række interessante tags blev foreslået af softwaren til ingeniøren at vurdere yderligere. Det blev tydeligt, at kombinationen af ​​høj tilbagesvaling med utilstrækkelig opkogning eller damp til genkøleren (dampfordampning) under opstartsfasen af ​​søjlen var hovedårsagerne til spissen.

Gennem anbefalingsmotoren blev det også klart, at en højere bakke temperatur i søjlen er en god tidlig indikator for trykpigen. Der er indstillet en skærm, der vil advare produktionsingeniøren, så snart temperaturen begynder at falde, så der kan træffes rettidige handlinger, og konsekvenserne afbødes.

Analysen har vist, at en uønsket kombination af procesbetingelser vil føre til ustabil søjleoperation, hvilket igen fører til dårlig adskillelse og dårlig bundproduktkvalitet. De skærme, der er oprettet, vil give ingeniører og operatører tilstrækkelig tid til at reagere og undgå disse situationer fremad. Hver begivenhed ville realistisk føre til flere timers tabt produktion og forringet kvalitet. Ved en gennemsnitlig gennemstrømning på 25t / h fører dette til mere end 100 tons off-spec-produkt, der er gemt pr. Begivenhed, og omvendt, 100 tons yderligere on-spec produceret ved at undgå begivenheden helt.

Smartere analyser med kontekstuelle data

Brugen af ​​indsamlede tidsseriedata kombineret med kendskabet til dine proces- og aktiveksperter gør det muligt at operere hurtigere og forbedre den samlede ydeevne. Som tidligere nævnt er direkte og indirekte operationelle data fanget af forskellige forretningsapplikationer. Hvis disse data kan knyttes til tidsseriedataene under trendanalysen, kan der opnås mere operationelle forbedringer.

TrendMiner5En første logisk tilføjelse af kontekstuelle oplysninger er at binde kvalitetstestdataene fra laboratoriet til procesdataene. Især i tilfælde af batchproduktion, hvor konteksten for en batch (såsom batchnummer, cykeltid ..) kan knyttes til testdata fra laboratoriet. På denne måde er hver specifik batchløb ikke kun bundet til procesdataene, men også sine egne kvalitetsdata. Denne ekstra linkede information gør det muligt hurtigere at vurdere de bedste kørsler for at lave gyldne batch fingeraftryk for at overvåge fremtidige batcher. Det hjælper også med at samle de underprøvende partier for at starte din analyse for at forbedre produktionsprocessen.

Kører hurtigere udnyttelse af alle kontekstuelle oplysninger?

Uanset om du har en kontinuerlig produktionsproces eller arbejder i batcher, kan en bred vifte af kontekstuelle data skubbe nyt lys over din operationelle ydeevne. Tænk på indfangede begivenheder under produktionsprocessen, som f.eks. Vedligeholdelsesstop, behandle anomalier, information om aktiv sundhed, eksterne hændelser, produktionsstab osv. Også nedbrydende ydeevne af udstyr kan indikere, at produktkvaliteten vil blive påvirket, som kan bruges til at sikre produktkvalitet. Alle disse kontekstuelle oplysninger hjælper med til bedre at forstå operationelle præstationer og giver nye udgangspunkt for optimeringsprojekter, når du bruger din avancerede analytikplatform.

TrendMiner6

Figur 5 Mange faktorer påvirker driftspræstationen og dermed produktkvaliteten, der kan inkluderes til analyse, overvågning og forudsigelse af operationelle præstationer.

Afsluttende tanker

Mange virksomheder inden for procesfremstillingsmarkedet udnytter allerede deres tidsseriedata for at forbedre driftsresultatet. De bedste resultater opnås, når eksperter i emnet kan analysere dataene selv ved hjælp af avanceret analytics-software til selvbetjening. Når data fra andre forretningsapplikationer kan knyttes til tidsserien data, kan man få nye indsigter. Data i disse forretningsapplikationer giver nye udgangspunkt for procesforbedringer. Indsigterne kan føre til overvågning af nye begivenheder til fremtidig dybere vurdering af produktionsprocessen og dermed resultere i en kontinuerlig forbedringscyklus. Denne tilgang vil bidrage til at reducere omkostningerne i forbindelse med affald, energi og vedligeholdelse og øge udbyttet med kvalitetsprodukter. Samlet set fører til forbedret rentabilitet på webstedet, hvilket gør at du opererer i den hurtige bane.

For yderligere information kontakt TrendMiner, på:

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

Process Industry Informer

Relaterede nyheder

Giv en kommentar

Dette websted bruger Akismet til at reducere spam. Lær, hvordan dine kommentardata behandles.

Del via
Kopier link