Process optimisation of industrial plants

Industriell processeffektivitet till nästa nivå genom högkvalitativ dataanalys och processmodellering

Dataanalys är ett bra verktyg för att säkerställa regelbundenhet i en industriprocess. Högkvalitativ dataanalys och ingående processförståelse är en kombination som ger en stark grund för att göra processen mer effektiv.

Vid utveckling av digitala tvillingar till industriverksamheter är det nödvändigt att förstå även de osynliga delarna av processerna, att reagera snabbt på förändringar och att automatisera åtminstone en del av beslutsfattandet. Det är svårt att se systemets status genom att observera en process, särskilt om reaktioner är fördröjda och variabler korskorrelerade. Ibland kan den önskade lösningen inte nås på grund av begränsningar i andra delar av processen, eller på grund av negativa synergier. Detta kräver att man gräver djupare i data genom multivariat statistisk analys, modellbedömning och optimering.

Industriella processer består av system som interagerar med varandra. Data från dessa system kan vara signaler från en enhet eller programvara, data från kassaflöden eller materialflöden, eller en åtgärdslogg som registreras av operatörer.

Valet av modell är vanligen det viktigaste vid tillämpning av simuleringar, maskininlärning eller AI i industriell verksamhet. För stora system, som består av många variabler, används dock vanligen så kallade black box-modeller, där man endast analyserar sambandet mellan indata och utdata. Om vi talar om tidsberoende processer kan det förekomma fördröjningar i reaktioner, vilket gör det mer komplicerat att hitta korrelationer, och vissa förändringar kan se ut som slumpmässig variation i data även om de inte är det.

Komplex struktur och brus – båda vanliga i stordatauppsättningar – orsakar svårigheter vid bearbetning och kräver mycket databehandling och kraftfulla algoritmer. Det kan finnas situationer där ingen tidigare information är tillgänglig, och den typiska black box-metoden måste användas i analysen. Det är också här matematik och teknisk kompetens kopplas samman.

Få fördelar med en digital tvilling till industriprocessen

Det krävs tydliga steg innan fördelarna med processens digitala tvilling blir tillgängliga:

  1. Omstrukturering av data:
    Vi inleder analysen genom att omstrukturera data så att de lämpar sig för själva analysmetoden. Detta är vanligtvis det mest arbetskrävande, eftersom värden kan saknas eller andra felframkallande anomalier förekomma. I detta steg bekantar sig analytikern också med data.
     
  2. Val av analysteknik:
    Efter förbearbetning väljer vi en lämplig analysteknik att använda i den specifika processen. Om vi till exempel talar om multivariata tidsseriedata kanske vi vill analysera korrelationer med en vektorautoregressiv modell, huvudkomponentanalys etc. Med rätt analys kan man uppskatta de parametrar som är avgörande för det analyserade systemet, upptäcka exceptionellt beteende och skapa en grund för uppföljning.
     
  3. Skapande av processmodell:Använd de uppskattade parametrarna från analysen för att skapa en processmodell, så att relevanta variabler kan prognostiseras eller justeras mot önskat resultat.
     

AFRY kombinerar digitala lösningar med ingående kunskaper om processteknik

I AFRY Smart Site ligger dataanalysens tyngdpunkt på industriverksamhet vid projektplatser och kunder som har för avsikt att

  • utveckla sina processer genom att uppskatta utfall och framstegsnyckeltal
  • förbättra kommunikation och beslutsfattande genom bättre rapportering
  • förstå sina data och möjligheterna till dataanvändning

Vi använder moderna tekniker, från prediktiv styrning och prognoser till maskininlärning och AI-lösningar, och vi har också omfattande förståelse för tillämplighet på de olika industriella processerna.

Vill du veta mer?

Mikko Markkanen

Head of Smart Site department, Finland

Kai Vikman

Chief Operating Officer, Process Industries Division