AI-software ondersteunt procesoptimalisatie

Zonder kennis van AI energie besparen en productie verhogen

Hoe beter de procesaansturing, hoe beter grote bedrijven in onder meer de olie&gas, chemische, papier- en cementindustrie kunnen presteren. Ontwikkelingen op het gebied van Artificial Intelligence bieden steeds meer mogelijkheden om deze prestaties te verbeteren. Maar: AI is complex. Daarom ontwikkelde Optimitive de afgelopen jaren twee softwarepakketten waarmee respectievelijk engineers en procesoperators zónder kennis van AI deze technologie toch kunnen inzetten om de productie en kwaliteit te verhogen bij een gelijktijdige reductie van het energieverbruik.

Met deze nieuwe technieken kan binnen de industrie tot 10% energie en hiermee zo’n 500.000 ton CO₂-emissies bespaard worden

Grote chemische en andere procestechnologische bedrijven draaien op basis van een groot aantal deelprocessen die op verschillende manieren met elkaar samenhangen. Om deze complexiteit te beheersen, zijn procesoperators dagelijks bezig met het monitoren van de processen en het bijstellen van parameters. Gebaseerd op kennis en ervaring maar ook op metingen en modellen. Deze modellen zijn veelal lineair om overbelasting van computers en PLC’s te voorkomen maar ook om de aansturing overzichtelijk en beheersbaar te houden. Operatoren moeten immers al voortdurend balanceren om tot een optimale procesbeheersing te komen.

Thaddeus Anim-Somuah, (pro-bono) Company Advisor en Business Coach vanuit Newchip: “Effectief gezien is er niets mis met deze aanpak. Hij is veilig en relatief overzichtelijk. Maar: ook zeer arbeidsintensief en het wordt beperkt door het menselijk ‘kunnen’. De huidige stand van de techniek met betrekking tot onder meer data science en machine learning zou wat dat betreft zóveel meer mogelijkheden bieden. Berekeningen hebben bijvoorbeeld aangetoond dat met deze nieuwe technieken binnen de industrie tot 10% energie te besparen is en hiermee zo’n 500.000 ton CO₂-emissies. Andere berekeningen leren dat op AI-gebaseerde optimalisaties tot een gemiddelde productieverhoging van 6% kunnen leiden en daarnaast tot een betere kwaliteit, een hogere veiligheid en een lagere onderhoudsbehoefte.”

Machine learning en artificial intelligence

‘Artificial Intelligence’ en ‘machine learning’ zijn twee begrippen waarin het verzamelen en verwerken van grote hoeveelheden data in combinatie met slimme algoritmes leiden tot informatie op basis waarvan betrouwbare beslissingen te nemen zijn. Het belangrijkste voordeel is dat deze technologieën en modellen in staat zijn om veel meer data gelijktijdig te verwerken dan het menselijk brein. Dat betekent dat het hiermee mogelijk is om te werken met dynamische, complexe modellen die de werkelijkheid beter benaderen dan de vereenvoudigde, lineaire varianten. Het grote aantal processen, dat elkaar bovendien onderling beïnvloedt, is hiermee realtime te monitoren, te voorspellen en te optimaliseren.

Machine learning is daarbij een extra element in AI dat aangeeft dat de systemen ‘zelflerend’ zijn. Dat betekent dat software voortdurend bekijkt hoe de reactie op bepaalde data uitpakt en op basis daarvan het regelalgoritme ‘finetunet’. Op deze manier wordt niet alleen een model gevormd dat de werkelijkheid maximaal benadert, maar ook een model dat meebeweegt met een veranderende werkelijkheid. Bijvoorbeeld door het gebruik van andere grondstoffen, slijtageprocessen of een andere focus op het eindresultaat; bijvoorbeeld een maximale productie, maximale kwaliteit of juist laagste energieverbruik.

Fernando De La Prida is CEO van Optimitive en geeft aan: "Een belangrijk probleem bij Artificial Intelligence (AI) en Machine Learning (ML) is de onbekendheid bij het grote publiek waardoor de drempel om ermee te beginnen hoog is. Wanneer een proces immers draait, hoe slim is het dan om hierin te gaan veranderen met de kans dat een fabriek of proceslijn stilvalt? En hoeveel tijd moet je investeren in het opleiden van mensen zodat zij AI en ML kunnen toepassen? Het zijn logische gedachten, maar anderzijds is iedereen zich ervan bewust dat we in een tijd en wereld leven waarin de energiekosten steeds verder stijgen en de noodzaak om emissies te verlagen nijpend hoog wordt. Ook de industrie zal haar steentje moeten bijdragen aan het behoud van onze wereld. En hoe mooi is het dan als dit mogelijk is met behoud van je installed base én een verbetering van je processtabiliteit en -betrouwbaarheid, je productie en kwaliteit."

Software Optibat

Om een oplossing te bieden voor de ‘angst voor complexiteit’, richtte Javier Garcia Sedano in 2008 het bedrijf Optimitive op in het Technology Park Álava in Spanje. Inmiddels is het bedrijf uitgegroeid tot 22 medewerkers die dagelijks bezig zijn grote, procestechnologische bedrijven te helpen met de implementatie van AI en ML.

Om te voorkomen dat klanten een intensieve training nodig hebben om deze stap te maken, werd het softwarepakket Optibat ontwikkeld. Hiervan zijn twee varianten beschikbaar: Optibat Studio als AI-CAD-tool voor de proces engineer en Optibat RTO (Real Time Optimization) voor de procesoperator.

Bijzonder aan deze pakketten is onder meer dat de gebruiker geen aparte kennis van AI en ML nodig heeft om toch de voordelen te bereiken. Met Optibat Studio ontwerpen en simuleren proces engineers hun oplossing op basis van grafische templates. Een goed begrip van het proces is voldoende om het ontwerp te maken.

De software verzamelt autonoom de benodigde data, analyseert deze en gebruikt de resultaten om eventueel procesparameters aan te passen

Optibat RTO biedt de procesoperator een regel- en besturingssysteem op basis van AI en ML. De software verzamelt autonoom de benodigde data (zie verder), analyseert deze en gebruikt de resultaten om eventueel procesparameters aan te passen. Handmatig controleren en het doorvoeren van aanpassingen is niet meer nodig.

Thaddeus Anim-Somuah: "De diverse projecten die we inmiddels hebben afgerond tonen aan dat AI-modellen inderdaad het (ongekende) vermogen hebben om complexe dynamieken te voorspellen en te optimaliseren. Maar ook om altijd up-to-date te blijven door middel van ML-algoritmen.”

Werking op basis van rto

Om deze eigenschappen te realiseren, werkt de software op basis van Real Time Optimization (RTO). De vorige generatie procesbesturingen – de APC’s oftewel Advanced Process Controls – maakten ook al gebruik van een closed loop waardoor de software zelfstandig beslissingen kan nemen en autonoom aanpassingen kan doorvoeren zonder tussenkomst van de operator. Deze oplossingen werken echter uitsluitend op parameters van een laag niveau – bijvoorbeeld temperatuur, kwaliteitsaspect of afgenomen stroom – met het doel deze parameters te optimaliseren.

RTO’s houden echter rekening met KPI's van een hoger niveau; bijvoorbeeld: een optimale opbrengst, een minimaal energieverbruik of een maximale kwaliteit. Ook deze bestonden al, maar zijn vaak gebaseerd op zware en complexe modellen. Sommige RTO’s geven zelfs uitsluitend een advies aan de operator die dit vervolgens zelf moet interpreteren en toepassen.

Javier Garcia Sedano: “De RTO-oplossing van Optimitive werkt op basis van de eerdergenoemde dynamische (niet-lineaire) en AI-gebaseerde modellen. De betrouwbaarheid van de modellen hangt daarbij hoofdzakelijk af van de beschikbaarheid van de juiste data en verder wordt het model voortdurend up-to-date gehouden op basis van de juiste algoritmes. Vooral in dit laatste deel heeft Optimitive het missende puzzelstukje ontwikkeld: software die in staat is om geavanceerde wiskundige modellen te leren, deze te gebruiken om zelfstandig procesparameters te wijzigen én voortdurend te leren en bij te stellen wanneer omstandigheden wijzigen. Wijzigingen in het proces of de installatie zelf zijn eenvoudig door de proces engineer in Optibat Studio te maken en in te voegen in Optibat RTO."

Destillatieproces als voorbeeld

In een typisch chemisch proces zoals destillatie, is het optimale proces te configureren en te testen met Optibat Studio (links in figuur 5). Dit ontwerp wordt ingevoerd in Optibat RTO dat tevens wordt gevoed met data afkomstig van de procesoperator die bijvoorbeeld aangeeft op welke KPI moet worden gestuurd of welke productspecificaties gelden. Een derde bron van gegevens is het meest dynamisch en afkomstig van het controle- / besturingssysteem van het proces zelf: de proces- en storingsvariabelen. Deze drie databronnen – waarvan de tweede en derde het systeem continu voeden – vormen de basis voor Optibat RTO om het proces zelfstandig te monitoren en realtime te optimaliseren.

Uiteraard spelen nog vele praktische zaken een rol in de uiteindelijke oplossing. Zoals de opslag en beschikbaarheid van data via de cloud, het samenwerkingsverband met Optimitive als partner en het afnemen van de dienst op basis van Saas (Software as a Service) en de voorwaarden om de investering rendabel te maken. Beslissend in deze zijn onder meer de energiekosten en de complexiteit van de processen.

Fernando De La Prida besluit: “Naast de eerdergenoemde voordelen, is het ook belangrijk om vast te stellen dat de software geschikt is om toe te passen in bestaande fabrieken met bestaande fysieke bedrijfsmiddelen. Nieuw te bouwen fabrieken zullen in de ontwerpfase al meer rekening houden met AI en ML, maar ook hier geldt dat de procestechnologische wereld relatief conservatief kan zijn. Met reden natuurlijk. Veiligheidsproblemen en kosten die samenhangen met het mislukken van een nieuwe aanpak kunnen enorm zijn. Onze software is echter gepatenteerd en inmiddels wereldwijd succesvol toegepast bij verschillende (zeer) grote fabrieken en heeft wat dat betreft echt bewezen dat het mogelijk is om duurzamer en goedkoper te werken met behoud of verhoging van productie en kwaliteit. Neem graag contact op om de mogelijkheden te bespreken of voor meer informatie en use cases.”