energie toe te voeren. Je zult je controleloop sneller moeten sluiten om tot een optimale reactie te komen. Automatisering krijgt in zo’n omgeving een veel belangrijkere rol om- dat het meer kan bijdragen aan de product- kwaliteit en de efficiëntie van het proces.’


Big data Intussen worden wel degelijk de eerste stap- pen gezet om meer informatie te halen uit de beschikbare procesdata, bijvoorbeeld om uitval of degradatie van assets te voorspellen of om afwijkingen in het proces terug te lei- den naar de oorzaak. De vragen die de data- analyse expert van Ortec en de consultants van technologiebedrijf Koning en Hartman vanuit de industrie kregen rondom de moge- lijkheden van Smart Industry-oplossingen, zorgden voor een samenwerking tussen de twee bedrijven. Arno de Wolf van Ortec en Tim de Wolf van Koning & Hartman zien gouden bergen voor datamining, maar dat vergt volgens Tim wel extra investeringen in de automatisering laag. ‘We kregen de vraag van een producent van plasticverpakkingen om de productie te stroomlijnen via data- analyse. Dat is uiteindelijk gelukt, maar we waren de meeste tijd kwijt aan het zoeken naar databronnen, het stroomlijnen van de formaten en vervolgens structureren van de data. Met name wat betreft predictief onder- houd, kan data-analyse veel betekenen. Zo is het mogelijk te voorspellen dat een warm- tewisselaar binnen zeven dagen zal falen. En ook root cause analyses worden eenvoudiger naarmate je meer data tot je beschikking hebt en kunt correleren. Maar dat gaat een- voudiger als de besturingssystemen verticaal zijn geïntegreerd. Helaas zien wij in de da- gelijkse praktijk nog veel stand alone syste- men, zoals plc’s die niet zijn gekoppeld via de scada-laag. Daarnaast ondervinden veel bedrijven ook overlast van een zogenaamd vendor lock: systemen van de ene leveran- cier die niet kunnen praten met die van een concurrent. We hebben inmiddels zelf een softwareoplossing gebouwd om protocol- len te kunnen vertalen zodat dit probleem is opgelost. Ook bieden we een cloudoplossing waarbij bedrijven hun datastromen kunnen bundelen in een virtueel scada-systeem. Daarmee wordt het mogelijk processtromen te visualiseren en te sturen.’ Arno: ‘De mogelijkheden van datamining en data-analyse zijn groot. Als je het juiste algoritme weet te vinden, is het mogelijk stilstand van assets te voorspellen en dus te voorkomen. Met predictive algoritmes kun je een event terugleiden naar een gemeten proceswaarde en als die opnieuw wordt gemeten, geeft dat een indicatie dat er een event op handen is.’


Andere veelbelovende big data-analyse software komt van onze zuiderburen. De scale up Trendminer komt voort uit een onderzoeksproject van de Universiteit van Leuven samen met Covestro Antwerpen. CEO en oprichter Bert Baeck vergelijkt zijn webgebaseerde oplossing met Google voor de industrie dat vanuit diverse bronnen informatie haalt, doorzoekt en overzichtelijk rangschikt. ‘Data-analisten kunnen veel geld voor bedrijven besparen, maar kosten ook geld en zijn heel schaars. Vandaar dat veel industriële bedrijven alleen voor hun zeer kritische en kostbare assets dit soort analyses doen. Ons sys- teem biedt dezelfde mogelijkheden voor de overige 99 procent van de assets maar zeker ook voor procesgerelateerde proble- men. Het systeem koppelt plug ’n play in


Melaminefilters


In het Fieldlab Campione, dat onderdeel is van het TKI Smart Industry, testen indus- triële partijen in de praktijk veelbelovende technologieën en software. Een van de partners Sitech, dat onderhoudswerkzaamheden uitvoert voor onder andere Sabic, testte een voorspelmodel voor het onderhoud van productiefilters op één van de plants van Chemelot. De onderhoudsexperts van Sitech koppelden reeds bekende procesdata aan de faalstatistieken en konden daarmee een model ontwikkelen die voorspelde wanneer een filter dermate was vervuild dat hij moest worden vervan- gen. De melaminefilters van de melaminefabriek deden een hele tijd hun werk, maar bouwden vervolgens in korte tijd heel veel weerstand op door vervuiling. Zodra er heel veel energie nodig was om de melamine door het filter te krijgen, was dat een teken dat hij te veel vervuild was en dus moest worden vervangen. Doordat die ener- giepiek zich ineens voordeed, moest men het proces nog wel eens ongecontroleerd stilleggen. Helemaal vervelend was als zo’n piek zich op vrijdag aandiende, waardoor extra ploegen moesten worden ingezet om het filter in het weekend te vervangen. Men besloot de procesparameters te koppelen aan de faalhistorie van het filter. Daar- bij keek men naar een breed scala aan zowel procesgegevens als omgevingsfactoren zoals temperatuur. Het lukte de onderhoudsexperts uiteindelijk het model zodanig in te richten dat het model navenant één op één kon voorspellen wanneer de piek zich zou gaan inzetten. Doordat het bedrijf nu over deze kennis beschikt, kan ze de fabriek gepland stilleggen, ploegen op tijd instrueren en voorbereiden en het filter onder gecontroleerde om- standigheden vervangen.


op zogenaamde proces historians. Dat zijn de databases die tijdsreeks data verzamelen uit een keur aan datasystemen zoals scada, dcs, plc’s enzovoorts en biedt vervolgens mogelijkheden om trends in grafieken weer te geven, root cause analyses uit te voeren en events in de toekomst te voorkomen door tijdig te alarmeren. Het is dus eigenlijk een self service predictive analytics tool die op slimme wijze patronen kan herkennen, maar die ook machine learning technologie gebruikt om verstoringen in het proces terug te leiden tot de oorzaak. Uiteraard liggen aan die analyses complexe wiskun- dige algoritmes ten grondslag, maar je hoeft geen wiskundige te zijn ze te kunnen maken. TrendMiner slaagt er in om mense- lijk intelligentie om te vormen tot machine intelligentie.’


9


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44  |  Page 45  |  Page 46  |  Page 47  |  Page 48