Datengetriebene Prozessoptimierung mit KI
Wie viel Optimierungspotenzial steckt in einem Prozess, der seit Jahren stabil läuft? Diese Frage stand am Anfang eines Pilotprojekts, das CTE gemeinsam mit Syngenta und Learning Machines im Werk Kaisten durchgeführt hat. Im Zentrum stand eine Entwässerungskolonne, bei der eine Verunreinigung mittels Destillation entfernt wird. Ziel war es, den Prozess effizienter zu betreiben, ohne die Qualitätsvorgaben zu verletzen.
CTE beschäftigt sich seit vielen Jahren mit der strukturierten Nutzung von Produktionsdaten. Obwohl diese Daten in grossen Mengen vorliegen, werden sie oft nicht optimal genutzt. Genau hier setzt das von CTE entwickelte Data Science Framework (DSF) an. Es verbindet eine klare Zieldefinition mit systematischem Data Screening und einer iterativen Analyse, um Schritt für Schritt belastbare Erkenntnisse zu gewinnen und daraus konkrete Optimierungsmöglichkeiten abzuleiten. Im ersten realen Pilotprojekt mit Syngenta ging es darum, an einer Entwässerungskolonne zusätzliche Optimierungspotenziale zu identifizieren und den Prozess effizienter zu betreiben, ohne die Qualitätsvorgaben zu verletzen.
Syngenta brachte das fundierte Prozesswissen ein und definierte die einzuhaltenden Qualitätskriterien. CTE übernahm das Data Engineering und sorgte dafür, dass vorhandene und neu gewonnene Daten strukturiert erfasst, kontextualisiert und für die Analyse nutzbar gemacht wurden. Auf dieser Datengrundlage entwickelte Partner Learning Machines ein KI-Modell zur Optimierung der Kolonne
Erkenntnisse mit KI
Der Projektansatz war bewusst iterativ aufgebaut. Zu Beginn wurde die vorhandene Datenbasis bewertet und gemeinsam geschärft, welche Änderungen am bestehenden Prozess bei der Optimierung erlaubt sind.
Sämtliche relevanten Prozessdaten wurden aus dem PI-System bezogen, die Qualitätsdaten wurden (noch) manuell aus dem LIMS übertragen. CTE bereitete die Daten im gewünschten Format auf und stellte sie für die Modellierung zur Verfügung. So entstand genau die Datengrundlage, die es braucht, um aus komplexen Prozessdaten ein wirksames Optimierungsmodell zu entwickeln.
In einer intensiven Testphase von fünf Wochen wurden gezielte Versuchsreihen im laufenden Betrieb durchgeführt. Das KI-Modell berechnete Unsicherheiten und schlug iterativ nur jene Parametereinstellungen für die jeweiligen Trials vor, die das grösste Verbesserungspotenzial bei minimalem Risiko boten. Die realen Ergebnisse flossen über die von CTE etablierte Datenpipeline laufend in die Optimierung zurück. Im regelmässigen Austausch mit den Prozessexperten wurden die Resultate gemeinsam interpretiert und Massnahmen abgeleitet. Auf diese Weise entstand ein kontinuierlicher Lernprozess für alle Beteiligten.
Dabei zeigte sich ein wesentlicher Unterschied zwischen klassischen physikalischen Analyseansätzen und datengetriebenen Modellen. Während physikalische Modelle Zusammenhänge thermodynamisch konsistent beschreiben, arbeiten sie zwangsläufig mit Vereinfachungen. Datengetriebene Modelle hingegen erfassen das tatsächliche Verhalten der Anlage und können auch komplexe Wechselwirkungen zwischen Parametern abbilden. So werden Zusammenhänge sichtbar, die zuvor nicht bekannt waren und in der Praxis entsprechend nicht genutzt werden konnten.
«Auf Basis der gewonnenen
Erkenntnisse wird der Ansatz nun
weiterentwickelt.»
