Industriell IT fra A til Å 5:7

Perfeksjoner prosessutviklingen

Gode analyseverktøy, for historiske data, kan avsløre svakheter i produksjonen, forutsi kommende problemer og potensielt bidra til dramatiske forbedringer i prosessen.

Datafangst satt i system kan være en gullgruve, som kan gi nyttig informasjon lenge etter at et produkt eller batch er ferdig
Datafangst satt i system kan være en gullgruve, som kan gi nyttig informasjon lenge etter at et produkt eller batch er ferdig

Gode analyseverktøy, for historiske data, kan avsløre svakheter i produksjonen, forutsi kommende problemer og potensielt bidra til dramatiske forbedringer i prosessen.

Skorpion Zink

For å redusere kvalitetsvariasjoner, benytter Skorpion Zink Proficy Troubleshooter fra GE Fanuc Intelligent Platforms:

- Systemet hjelper oss med å redusere prosessvariasjoner og identifiserer potensielle problemer med vår styring. Muligheten for å kombinere data, fra flere kilder, er imponerende, sier Eero Häkkinen, Process Control Manager

- Vi benytter en kombinasjon av prosessdata og analysedata ved feilsøkning av prosessen. Proficy Troubleshooter har muligheten til eksakt å forutsi de største årsakene til prosessvariasjon. Dette gir operatører muligheten til å ta velfunderte beslutninger om hvilke tiltak som skal til for å stabilisere og optimere prosessen.

- I tillegg til en mye bedre forståelse av årsak/virkningsforhold, i prosessen, har vi også identifisert parametre som vi tidligere trodde ikke hadde betydning for prosessens oppførsel, men som i vireligheten påvirker mye.

Vitale verktøy

Det finnes moderne verktøy for prosessutvikling, se spesielt etter følgende:

  • At det er enkelt å kombinere data fra ulike kilder samt ulike samplingsintervall.
  • At det er kurant å filtrere bort data fra produksjonsstopp, ulike typer av feilaktige data, osv.
  • Ulike verktøy og metoder for å analysere ulike prosesser.
  • Kontroller om det er mulig å kombinere den nye kunnskapen, fra datafangsten/analysen, med eksisterende erfaringer og ekspertkunnskap. Viktig for å kunne bygge en velfungerende automatiseringsløsning.
  • At det er mulig å simulere løsningen ved og enkelt å skifte mellom historiske- og levende prosessdata.

Industriell IT fra A til Å

Artikkelserien ”Industriell IT fra A til Å” er utviklet i samarbeid med salgssjef Petter Bjerkeli hos Novotek AS. Han har mer enn 10 års erfaring med operatørsystemer for PC (HMI/SCADA), industriell IT og automatisering generelt.   Serien setter fokus på hvordan ulike systemer innenfor industriell IT kan benyttes for å hjelpe produksjonsbedrifter med å produsere på en mer effektiv måte.

Tekst: Petter Bjerkeli, Novotek

Sting skrev sangen ”History Will Teach Us Nothing” (album: …Nothing Like the Sun) på 1980-tallet. Tittelen var ironisk.

Og basert på historielærens svar på artistens spørsmål om hva elevene skulle lære av historien. For det er selvsagt mye å lære av både konvensjonell historie og historiske data, samplet i produksjonsprosesser. 

Definer målet

Det skjuler seg mye teknisk snacks i datastrømmen fra prosessen – satt i system på riktig måte kan det løfte produksjonen på flere måter.
Det skjuler seg mye teknisk snacks i datastrømmen fra prosessen – satt i system på riktig måte kan det løfte produksjonen på flere måter.
 

Vi illustrerer sistnevnte i en stegvis tilnærming. Definer målet i startgropen. Hva skal vi ha ut av dette? Det er like mange svar som produksjonsprosesser, men vi jobber oss kjapt gjennom noen eksempler under.

Optimal produktkvalitet

Produktkvaliteten kan av og til være ujevn. Kanskje sammenhenger i historikkdata kan avdekke hvorfor? Og i så fall er det kanskje mulig å utvikle en løsning som hjelper operatørene med å ta bedre beslutninger? En sammenligning av kvaliteten, før og etter en tenkt løsning, gir en pekepinn på hva som kan spares.

Prediksjon av prosessparametre

Visse prosessparametre analyseres gjerne på lab. Dette kan gi forsinket justering av prosessen. Kanskje historikkdata kan gjøre susen? Ved å utvikle en løsning, basert på produksjonshistorien, kan operatørene få kontinuerlig informasjon om tuning av aktuelle prosessparametre. 

Golden batch

Noen produksjons-batcher blir bra, og andre ikke. Hvorfor? Kan vi finne svaret i historikkdata og kan vi gjøre noe med det i det hele tatt? Ikke usannsynlig! 

Optimalt skiftlag

Skiftlag kjører prosesser forskjellig. Er en metode å foretrekke? Kan vi utvikle en løsning som gjør det lettere for alle å produsere på samme måte? 

Optimal prosess

Komplekse, multivariat-prosesser kan ha mange motstridige kvalitetsparametre. Kan vi utvikle og teste en ny styring som tar hensyn til alle data, og foreslår settpunkter slik at prosessen optimeres? 

Vedlikehold av maskiner

Det utføres periodisk vedlikehold på maskiner. Noen ganger føles det kanskje bortkastet, fordi det enten er unødvendig, eller at maskinene uansett går i stykker, mellom serviceintervallene. Kanskje prosessdata kan benyttes i en løsning som indikerer når det virkelig er behov for service? Eventuelt sammen med tilstandsbasert overvåking av maskiner og utstyr. 

Finn datagrunnlaget 

Historiske prosessdata lagres ofte på ulike steder, Eksempler er industrielle, tidsserie prosessdatabaser, relasjonsdatabaser, vedlikeholdssystemer, laboratoriesystemer, tekstfiler etc. Når historikkdata skal benyttes, for analyse og prosessforbedringer, er verktøy som kombinerer informasjon fra flere kilder og samplingsintervall vitalt. Det er også essensielt å kontrollere at kun relevante data er med. Å filtrere vekk produksjonsstopp og annen råtten informasjon kan være nødvendig. 

Analyser!

Å manuelt finne sammenhengen, mellom data, ved å legge opp noen trendkurver, kan funke, men er ikke alltid den beste metoden. Det kan være lett å bli lurt opp i stry ved å se på en tidsbegrenset periode, og kanskje trekke feil konklusjon.

Med moderne verktøy, for prosessanalyse, kan oppgaven være en smal sak. Det holder å fortelle systemet hvilken datamengde som skal undersøkes, og hva det skal lete etter. Systemet gjør resten. Etter analysen rapporterer systemet hvilke sammenhenger som har blitt funnet, og hvor store de er. 

I praksis bygger analysen opp en modell som beskriver prosessen. Et slikt verktøy dekker typisk forskjellige analysemetoder og ulike produksjonsprosesser, for eksempel kontinuerlige prosesser og batch.    

Kombiner kunnskap

Med masse ny prosesskunnskap, er det bare å evaluere avkastningen på oppgradering av automatiseringsløsningene, eller annet utstyr for den saks skyld. Det er også smart å kombinere ”gammel” prosessinformasjon med eksisterende erfaringer og ekspertkunnskap. Det er selvsagt nødvendig å involvere de som skal benytte eventuelle nye løsninger, inklusiv operatørene. 

Velg å implementere løsningen i en stabil og velprøvd plattform. Det er enkelt å overføre analyseresultat, få oversikt over hva som skjer, og den lett kan forstås av mange. Altfor mange gode automatiseringsløsninger implementeres i et unødvendig komplekst miljø. 

Simuler! 

Hvordan forsikre seg om at den nye løsningen vil fungere som tenkt? Her kommer historikkdata igjen til nytte. Simulering gjør susen, istedenfor å koble seg direkte til prosessen. Benytt en plattform som gjør det mulig, og enkelt, å skifte mellom historiske- og sanntids prosessdata. 

Implementer og dokumenter 

Dokumenter nå resultatet. Det beste er selvfølgelig å dokumentere både før og etter. Hvor stor ble forbedringen? Hva innebar det i sparte kroner? Det blir lettere å få bevilgninger til neste prosjekt på denne måten. 

Online prosessjustering 

Noen systemer utnytter de matematiske modellene, som har blitt skapt i analysen, og gjør det mulig å implementere en mer online løsning. Dette karakteriseres av at systemet kontinuerlig overvåker og styrer prosessen. Resultatet er en ”intelligent” styring som kan korrigere prosessen, før det oppstår problemer. Et eksempel er Proficy Cause+ fra GE Fanuc Intelligent Platforms.   

Eksklusivt for digitale abonnenter

På forsiden nå