Jetzt Newsletter
abonnieren.
Brauchen Sie Hilfe?
Kontaktieren Sie uns

Verbessserte Messung von Produktions-Paramentern

Wie kann die Messung von Produktions-Parametern verbessert werden, ohne zusätzliche Sensoren einzusetzen?

Die Messung von Parametern in der Prozessindustrie ist der Schlüssel zur Optimierung der Prozesssteuerung und zur Steigerung der OEE. Um dies zu erreichen, sind Sensoren eine der gängigsten Methoden. Die Installation und Integration eines Sensors in die Prozesslinie kann jedoch kostspielig sein oder sogar zu Ausfallzeiten führen. Die Verantwortung für die Automatisierung eines solchen Prozesses liegt auf den Schultern der Automatisierungs- und Steuerungsingenieuren.

 

Herausforderung

Die Installation von Sensoren ist eine der gängigsten Methoden, um die Prozesssteuerung zu optimieren und die OEE zu erhöhen. Diese können jedoch kostspielig und schwierig zu implementieren sein.

Lösung

Virtuelle Sensoren ermöglichen Echtzeitmessungen von Parametern unter Verwendung vorhandener Daten - angetrieben durch KI - zur Berechnung des zu messenden Parameters.

Vorteile

  • Gewinnen Sie nahezu in Echtzeit Einblicke in „blind spots“
  • Sparen Sie Zeit und erhöhen Sie die Effizienz der Parametermessung
  • Erhalten Sie eine bessere Informationslage, um die Ziel-KPIs zu erreichen

Herausforderung: Wie können Messungen von vielfältigen und komplexen Prozessen verbessert werden?

Die Digitalisierung wird zu einem Schlüsselthema für viele Unternehmen in der Prozessindustrie und Automatisierungsingenieure stehen in diesem Bereich an vorderster Front, um mit weniger mehr zu erreichen. Automatisierungsingenieure müssen sich um Themen wie Messung (z. B. Messung des Drucks), Steuerung (z. B. Einrichten einer Logik basierend auf dem Druckwert) und Aktoren (z. B. Aktivieren des Sicherheitsüberdruckventils bei zu hohem Druck) kümmern.

 

 

Virtuelle Sensoren ermöglichen Echtzeitmessungen von folgenden Parameter

Chemie

• Viskosität

• Erscheinungsbild

• Säuregehalt

• Feuchtigkeit

• Dichte

• ...

Mining / Pigmente

• Chemische Zusammensetzung

• Partikelgröße

• Spezifische Oberfläche

• Farbe

• Feuchtigkeit

• ...

Pharma

• pH-Wert

• Verunreinigungen

• Aussehen

• Viskosität

• Konzentration

• Feuchtigkeit

• ...

1 – 3
Chemie
• Viskosität • Erscheinungsbild • Säuregehalt • Feuchtigkeit • Dichte • ...
Mining / Pigmente
• Chemische Zusammensetzung • Partikelgröße • Spezifische Oberfläche • Farbe • Feuchtigkeit • ...
Pharma
• pH-Wert • Verunreinigungen • Aussehen • Viskosität • Konzentration • Feuchtigkeit • ...

Einige typische Herausforderungen von Automatisierungsingenieure sind:

  • Wie kann ein (Kunden-) Sensor mit meinen DCS / SCADA / PLC Systemen vernetzt werden?
  • Welcher Sensor ist am besten geeignet, um die Qualität / Druck oder andere Parameter zu messen?
  • Was ist die Alternative zu NIR (Nah-Infrarot- Spektroskopie) oder anderen herkömmlichen Messprinzipien?
  • Wie können meinen Sensordaten mit dem LIMS-System verknüpft werden?
  • Wie kann die Sensorinstallation mit der geringsten Ausfallzeit geplant werden?
  • Wie kann die Ausfallszeit für die Sensorkalibrierung reduziert werden?
  • Welche Sensoren können für die Messung (benötigter Parameter) einfach integriert werden?
  • Wie kann ich Sensoren an schwer zugänglichen Stellen anbringen und messen?

 

 

Diese Fragen führen zu folgenden zentralen Hürden:

  • Erhöhung der Kosten
  • Verlust von Effizienz
  • Ineffiziente Prozesskontrolle
  • Rückgang von OEE

Eine aktuelle Studie von Accenture (Quelle) zeigt, dass Chemieanlagen immer noch eher die Messung von Parametern mit physikalischen Sensoren durchführen als auf neue Technologien und Methoden zurück zu greifen.

Gibt es einen besseren Weg, diese Herausforderungen anzugehen?

Virtuelle Sensoren bieten Echtzeitmessungen von Parametern zur Verbesserung von Prozessdaten, ohne dass ein Sensor physisch installiert werden muss. Sie nutzen bereits vorhandene Daten zu physikalischen Effekten und Korrelationen von Parametern.

Durch die Kombination dieser physikalischen Effekte und Korrelationen zu anderen Parametern kann der zu messende Wert "virtuell" – unterstützt durch künstliche Intelligenz – geschätzt werden. Damit entfällt der Aufwand, der mit der Installation und Wartung eines physikalischen Sensors verbunden ist.

Beispiel für einen virtuellen Sensor

Wir wissen, dass die Konzentration einer Flüssigkeit dessen Leitfähigkeit beeinflusst. Anstatt also die Konzentration einer Flüssigkeit direkt mit physikalischen Methoden zu messen, kann man mit Hilfe dieses Zusammenhangs von Konzentration und Leitfähigkeit die Konzentration der Flüssigkeit "virtuell" messen.

Die Leitfähigkeit muss physikalisch gemessen werden und diese gemessene Leitfähigkeit liefert dem virtuellen Sensor den Parameter, der zur Simulation der Konzentration erforderlich ist.

Vorteile von virtuellen Sensoren

  • Gewinnen Sie in Echtzeit Einblick in „Blind Spots“
  • Ersetzen Sie überall wo es möglich ist physikalische Sensoren
  • Sparen Sie Zeit und erhöhen Sie die Effizienz der Parametermessung
  • Reduzieren Sie Kosten
  • Verbessern Sie OEE
  • Seien Sie besser gerüstet, um die Ziel-KPIs zu erreichen

Wo kann ich virtuelle Sensoren einsetzen?

Für den Einsatz eines virtuellen Sensors werden zunächst die Ziel-KPIs und die sie beeinflussenden Parameter unter Berücksichtigung der physikalischen Sensordaten und entsprechender manueller Messungen definiert. Der virtuelle Sensor kann den Zustand der Parameter für die Bereiche zu simulieren, für die Informationen fehlen und in denen ein physischer Sensor nicht eingesetzt werden kann (Blind Spots).

Schnelle Entscheidungen für schnelllebige Parameter

Sich ständig ändernde Parameter erfordern eine schnelle Entscheidungsfindung, um mit den Änderungen Schritt zu halten und negative Kaskadeneffekte zu vermeiden, da die gewonnenen Daten sonst nicht in die nächsten Aktionen umgesetzt werden können. Die besten Entscheidungen in solchen Umgebungen zu treffen, kann sehr stressig sein und zu Ermüdung führen. Dies führt zu der Frage: "Wenn eine Maschine die Parameter misst, wäre es dann nicht eine gute Idee, dass dieselbe Maschine auch sagt, was zu tun ist?" Sogenannte Recommender-Modelle können in solchen Situationen helfen, indem sie die Anpassung von Prozessparametern auf Basis von historischen Daten modellieren, so wie es erfahrene Mitarbeiter tun. So wird das Erfahrungswissen de facto "demokratisiert" und datenbasiert erweitert.