Procesinformatiemanagementsystemen

industrie

Procesinformatiemanagementsystemen Van data naar kennis

Computerondersteunde besturing van chemische productieprocessen lijdt vaak aan eilandautomatisering.

informatie / september 2002

Het productieproces is hierdoor lastig aan te passen.

48

Met gegevens uit Proces Informatie Management Systemen (Pims) kan het management nauwgezette invloed op het productieproces uitoefenen om het zo goed mogelijk op de marktomstandigheden aan te passen. Een probleem bij het aanleggen van Pims vormt de historisch gegroeide eilandautomatisering, met onderling incompatibele systemen. Ook zijn databases vaak verouderd. Ze zijn aangepast om de beperkte rekencapaciteit van oudere generaties computers optimaal te gebruiken. Dit is echter ten koste gegaan van universaliteit en flexibiliteit. Een volgend probleem is dat de besturing van de onderdelen van het proces niet geïntegreerd is, waardoor het productieproces niet flexibel is. Als bijvoorbeeld de kwaliteit van een partij producten onder de maat blijkt te zijn, dan kan niet goed achterhaald worden wat daar de oorzaak van geweest is. Ook is het moeilijk om op storingen te reageren. Computers zijn tegenwoordig zo snel, dat een doorsnee computersysteem (bijvoorbeeld Intel met MS Windows of Linux) de taken van een Pims gemakkelijk kan uitvoeren met behulp van standaard softwarepakketten zoals Oracle, die niet speciaal op snelheid of

Met nieuwe technologie kunnen tegen lage kosten centrale procesinformatiesystemen worden gebouwd. Paul Huygen efficiënt geheugengebruik geoptimaliseerd zijn, maar op flexibiliteit, gebruiksgemak en onderhoudbaarheid. Onafhankelijke bedrijven zijn standaard interfacekaarten en drivers gaan ontwikkelen voor alle mogelijke procescomputers. Daardoor zijn er Pims ontstaan die op standaard hardware en software gebaseerd zijn en die dus niet de nadelen en hoge kosten hebben van de oudere systemen. Een modern Pims kan er uit zien zoals in het schema van figuur 1 weergegeven is. Een fabrieksbackbone is met standaard infaces gekoppeld aan alle procesbesturingsinstallaties, en een kantoorbackbone verbindt het netwerk met de bureaucomputers. Een database verzamelt alle data en maakt ze op een gestructureerde manier beschikbaar. Besturingsssoftware zorgt voor automatische procesbesturing, voorspelt de uitkomst van het proces en lab-uitslagen, of doet suggesties om tot een optimaal procesverloop te komen. Bij dit systeem is iedere procescompu-

ter via een eigen interface verbonden met een ethernetnetwerk. De interface is een standaard computer met een ethernetkaart en een speciale interfacekaart die de communicatie met de procescomputer verzorgt. De interfacecomputer vertaalt een standaard protocol (tcp/ip) naar de taal van de procescomputer waarmee hij verbonden is en omgekeerd. Andere applicaties kunnen op een standaard manier lees- en schrijftoegang krijgen tot geheugenlocaties in de procescomputers. Ze kunnen bijvoorbeeld variabelen instellen zoals temperaturen of drukken. De procescomputers houden hierbij supervisie. Zij kunnen de schrijfmogelijkheden beperken, zodat alleen veilige instellingen mogelijk zijn. Bovendien nemen ze nooit de instellingen zelf over, maar alleen veranderingen (incrementen), mits die binnen van tevoren bepaalde begrenzingen vallen. Als de automatische besturing plotseling uitvalt of afgeschakeld wordt, dan blijven de laatst ingestelde waarden

industrie

Samenvatting Om een productieproces te kunnen regelen en monitoren zijn er interfaces die procescomputers koppelen aan een centraal netwerk. Hierdoor kunnen tegen lage kosten goede procesinformatiesystemen worden gebouwd. Tevens kunnen data worden gecomprimeerd, zonder dat er belangrijke informatie verloren gaat. Dit levert een verbeterd en flexibeler productieproces op.

gewoon van kracht. Een operateur kan bijvoorbeeld de automatische besturing tijdelijk uitzetten en zelf een andere waarde instellen. Als de operateur de automatische regeling weer aanzet, verloopt de instelling langzaam naar de door de automatische procesregeling gewenste waarde. De standaard interfaces gebruiken standaard protocollen als DDE of Ascii om gegevens met andere applicaties op het ethernet uit te wisselen. Standaard applicaties (bijvoorbeeld MS Windows) kunnen nu procesgegevens verkrijgen of procesparameters instellen. Kantoorcomputers worden via een apart kantoornetwerk aangesloten, omdat deze

een netwerk onregelmatig kunnen belasten met massief gegevenstransport, waardoor de responsetijd van het fabrieksnetwerk te lang zou worden.

Standaard databases Het gebruik van standaard databases zoals Oracle voor het uitvoeren van de data-acquisitie heeft veel voordelen. Alle software en ondersteuning die voor het standaardpakket beschikbaar is, kan eenvoudig geïmplementeerd worden. Daardoor kan er meer met de verzamelde data worden gedaan. Standaard systemen zijn goedkoper in aanschaf en onderhoud. Er is geen gespecialiseerd personeel nodig; de presentatie is gericht op de gebruiker

1

en is niet alleen een weergave van de interne datastructuur. De database kan aan andere standaard applicaties worden gekoppeld. Ook kan goed aangesloten worden bij toekomstige ontwikkelingen die bij de ontwikkeling van het databasesysteem nog niet voorzien waren. Naast de meetgegevens kan de database ook andere gegevens herbergen, zoals gegevens over de meetinstrumenten, maar ook bouwtekeningen en stroomschema’s. Andere applicaties kunnen via het netwerk met de database communiceren en met de besturingssystemen. Zij kunnen bijvoorbeeld meetresultaten uit de database halen, optimale parameterinstellingen berekenen en deze weg-


Architectuur voor een Pims-netwerk

49

industrie schrijven naar de procescomputers en in de database. Hierdoor is het mogelijk om modelgebaseerde besturingen te implementeren, die vanuit een overzichtperspectief het proces optimaliseren en er zo voor zorgen dat een gewenste productkwaliteit tegen minimale kosten wordt gerealiseerd.


Meetgegevens

50

2

De stappen bij exformatie

Belangrijke doelen voor het vastleggen en beschikbaar maken van procesgegevens zijn inzicht verwerven in de dynamica van de regelsystemen en in het verband tussen grondstof eigenschappen, procesparameters en product kwaliteit, en tracking and tracing. Vooral voor de voedingsmiddelen en de farmaceutische industrie is het belangrijk om voor iedere producteenheid de procesomstandigheden te kunnen reconstrueren. Meet- en regeltechnici hebben vooral belang bij korte episoden van een beperkt aantal signalen, waarmee het verband tussen aansturing en ontwikkeling van procesparameters zichtbaar is. Zij zijn geïnteresseerd in de dynamiek van (onderdelen van) het proces, om te kunnen bepalen hoe de procesparameters zo nauwkeurig en goedkoop mogelijk binnen de gestelde marges gehouden kunnen worden. Procestechnologen willen vooral het verband zien tussen de procesomstandigheden en de productkwaliteit. Zij willen kunnen bepalen wat de optimale instellingen zijn van de procesparameters. De routinematig verkregen meetgegevens (in een grote chemische fabriek oplopend tot vele terabytes per jaar) bevatten voor hen veel redundantie, waardoor het moeilijk is om door de bomen het bos te zien. Door een paar slimme maatregelen kan deze

redundantie worden weggenomen. Hierdoor wordt de hoeveelheid procesdata vele ordes van grootte gereduceerd zonder dat er procesinformatie verloren gaat, zodat de verbanden tussen belangrijke procesparameters duidelijk zichtbaar worden. Deze datareductie, die exformatie wordt genoemd, gebeurt met de stappen in figuur 2.

Data-acquisitie Locale procescomputers verzamelen met hoge frequentie signalen van sensoren en slaan ze doorgaans lokaal op. Deze signalen zijn vooral van belang voor analyse van de locale regelsystemen.

Uniforme samplefrequentie Door resampling of middeling worden de bemonsteringsfrequenties van alle signalen teruggebracht tot bijvoorbeeld één per minuut of nog lager. De uitslagen van lab-analyses worden aan de dataverzameling toegevoegd, met nauwkeurige tijdmarkering. Meetgegevens en lab-resultaten worden in een centrale database opgeslagen. De zo ontstane uitgebreide, complete dataverzameling geeft maar beperkt inzicht in het productieproces. Het is belangrijk om te weten welke procesomstandigheden het materiaal van een lab-monster ondervonden heeft, en niet de procesomstandigheden op het moment dat het monster afgenomen werd. Alleen tijdens heel stabiele episoden van het proces hebben de gegevens die op hetzelfde moment opgenomen zijn causale relaties tot elkaar.

Producttracking Een modern procesinformatiemanagementsysteem bevat van alle procesinstallaties (pijpen, vaten) essentiële parameters om verblijftijden en doorstroomsnelheden te berekenen, bijvoorbeeld (voor vaten en reactoren) tabellen met het verband tussen inhoud en peil. Hierdoor kan het Pims on line uitrekenen hoe laat het materiaal in een bepaald lab-monster zich waar bevond, ook als debieten en peilstanden variëren. Zo kan het de records met procesparameters die op hetzelfde moment zijn geregistreerd omvormen tot nieuwe records die op hetzelfde monstermateriaal betrekking hebben. In de nieuwe records hebben de gegevens een causale relatie tot elkaar. De nieuwe records zijn geschikte invoer voor een ERP-systeem. Data die geen causale relatie hebben met lab-monsters zijn voor de procesvoering niet interessant en kunnen dus vervallen. Aangezien lab-monsters meestal niet vaker dan eenmaal per kwartier worden afgenomen, wordt hiermee een aanzienlijke datareductie teweeggebracht.

Clustering De resulterende dataverzameling bevat nog veel redundantie. Een productieproces bevindt zich vaak in een stabiel werkpunt en genereert dan telkens vergelijkbare, redundante gegevens. Deze redundantie werkt als ballast en maakt het zelfs onmogelijk om betrouwbare datagedreven computermodellen van het proces te maken. De redundantie wordt weggenomen met

Procesmodellen De resulterende gegevensverzameling bevat impliciet de causale verbanden tussen de procesomstandigheden en de gerealiseerde productkwaliteit. Deze verbanden kunnen zichtbaar en bruikbaar gemaakt worden door datagedreven procesmodellen te ontwikkelen, bijvoorbeeld met een kunstmatig neuraal netwerk. Het Pims Prompt bevat hiervoor bijvoorbeeld een standaard ontwikkelomgeving, waarmee een procestechnoloog zonder gespecialiseerde wiskundige kennis snel procesmodellen kan ontwikkelen die inzicht geven in de onderlinge verbanden van de procesparameters, en in welke parameters werkelijk bepalend zijn voor de productkwaliteit.

Hoger rendement Door de exformatie leveren de procesdata nauwkeurige kennis op van het productieproces. Deze kennis geeft de bedrijfsleiding grip op het productieproces, zodat zij het productieproces kan aanpassen veranderingen in de markt (figuur 4).

Figuur 4 toont schematisch de cyclische verbetering van productieprocessen waarbij de gemeten procesgegevens optimaal worden gebruikt. Procesgegevens worden onder aan de pyramide vergaard uit Process Control Systems (PCS) en Laboratorium Information System (Lims). Door een stapsgewijs filteringsproces (exformatie) wordt kennis aan deze gegevens onttrokken die gebruikt kan worden door het management en die gebruikt kan worden voor betere aansturing van het proces (Advanced Process Control, APC).

Gedachtenexperimenten Met het computermodel kunnen gedachtenexperimenten worden uitgevoerd als deze experimenten in de werkelijkheid te duur of zelfs onmogelijk te realiseren zijn. De gedachtenexperimenten leveren nauwkeurige informatie op over het verband tussen grondstofeigenschappen, procesparameters, productiekosten en productkwaliteit.

Voorspellen Vaak zijn omslachtige metingen of laboratoriumanalyses nodig om parameters te verkrijgen die voor de procesbesturing essentieel zijn. In plaats

Cyclische verbetering van productieprocessen

4


een clusterprocedure (figuur 3). De computer berekent de mate waarin de records op elkaar lijken. Groepen records waarin alle waarden van de variabelen binnen de meetnauwkeurigheid van de sensoren aan elkaar gelijk zijn (links in de figuur), worden vervangen door enkele typicals (rechts).

industrie

3

Agglomeratie van records tot typicals

51

industrie daarvan kan een neuraalnetwerkmodel worden ingezet, dat met behulp van goed meetbare grootheden de waarde van de te meten grootheid voorspelt. Doordat de voorspellingen continu on line beschikbaar zijn, kan het proces beter bestuurd worden. Bovendien zijn voorspellingen veel goedkoper. Voorbeelden van voorspellers zijn soft sensors, die het drogestofgehalte van ingedampte producten, de stijfheid van teer uit een oliekraker en productconcentraties in een fermentatievat bepalen.

Model-based control Met model-based control vergelijkt een regeleenheid de voorspellingen van een soft sensor over de kwaliteit met de gewenste kwaliteit en grijpt vervolgens in het proces in om eventuele verschillen te minimaliseren. Zo’n regeling kan eenvoudig worden geïmplementeerd met een modern Pims.

Productontwikkeling


Een genetisch algoritme kan een neuromodel aftasten en automatisch uitrekenen hoe tegen de laagste kosten een product kan worden gemaakt dat aan de gestelde eisen voldoet.

52

Conclusies Moderne ‘off the shelf’ computers zijn zeer goed in staat om met behulp van standaard software het datamanagement van grootschalige productieprocessen te verzorgen. Daardoor kunnen de procesdata daadwerkelijk flexibel worden ingezet om het rendement van het productieproces te verhogen. Exformatie comprimeert de hoeveelheid procesdata vele ordes van grootte, zonder de impliciet aanwezige informatie te verliezen. Op deze wijze worden procesdata omgezet in proceskennis.

Dr. Paul E.M. Huygen is directeur van Huygen Intelligente Technologie. E-mail: [email protected]. Reviewer Kees Verhoeven

Procesinformatiemanagementsystemen

Recommend Documents