Datengetriebene Prozessoptimierung bei Syngenta
CTE und Partner Learning Machines zeigten mit dem Data Science Framework, wie sich Produktionsdaten gezielt nutzen lassen, um energieintensive Prozesse zu optimieren. Ziel des Pilotprojekts bei Syngenta in Kaisten war es, an einer Entwässerungskolonne zusätzliche Optimierungspotenziale zu identifizieren und den Prozess effizienter zu betreiben, ohne die geforderten Qualitätsgrenzen zu verletzen.
Auftrag
Bei der Entwässerungskolonne handelt es sich um einen qualitätskritischen Prozess. Bereits kleine Änderungen an den Parametern können sich direkt auf und Effizienz der weiteren Prozessschritte auswirken. Klassische Optimierungsansätze stossen in diesem Umfeld an Grenzen: Der Prozessraum ist komplex, Wechselwirkungen zwischen Parametern sind nicht vollständig transparent, und bestehende Modelle bilden das reale Anlagenverhalten nur vereinfacht ab.
Syngenta wollte deshalb prüfen, ob sich auf Basis realer Betriebsdaten zusätzliche Optimierungspotenziale identifizieren lassen – ohne die bestehenden Qualitätsgrenzen zu verletzen. Gemeinsam mit CTE wurde ein datenbasierter Ansatz gewählt, um das tatsächliche Verhalten der Anlage besser zu verstehen und daraus fundierte, im Betrieb überprüfbare Optimierungsvorschläge abzuleiten.
Vorgehen
Das Projekt wurde iterativ aufgebaut und von Beginn an eng an den realen Betriebsbedingungen ausgerichtet. Ziel war es, Optimierungspotenziale nicht theoretisch, sondern direkt im laufenden Betrieb zu identifizieren und zu validieren. Als Grundlage wurden relevante Prozessdaten aus dem bestehenden PI-System genutzt und für die Analyse aufbereitet, während die Qualitätsdaten manuell aus dem LIMS übertragen wurden.
Auf dieser Basis wurden datengetriebene Modelle entwickelt, die Zusammenhänge im Prozess identifizieren und konkrete Vorschläge für optimierte Parameter-Sets liefern. Diese Vorschläge wurden anschliessend unter realen Betriebsbedingungen getestet und schrittweise verfeinert. Der iterative Ansatz stellte sicher, dass neue Erkenntnisse laufend in die Modelle zurückfliessen und die Optimierung kontinuierlich verbessert wird. Dies erfolgt abgestimmt mit dem Prozesswissen und den Anforderungen von Syngenta.
Ergebnisse
Die im Projekt entwickelten und getesteten Parameter-Sets führten zu messbaren Einsparungen im Energieverbrauch von ca. 3% ohne die definierten Qualitätsgrenzen zu verletzen. Entscheidend dabei: Die Optimierungsvorschläge wurden nicht unter idealisierten Bedingungen validiert, sondern im laufenden Betrieb der Anlage. Die Resultate basieren somit auf dem tatsächlichen Verhalten der Kolonne und nicht auf vereinfachten Modellannahmen.
Gleichzeitig zeigte das Projekt, dass der iterative Ansatz funktioniert: Durch die kontinuierliche Rückführung neuer Betriebsdaten konnte das Modell die Zusammenhänge im Prozess zunehmend präziser abbilden und die Optimierung weiter verbessern. Das gesamte Projekt wurde innerhalb von nur 2,5 Monaten umgesetzt und zeigt damit, dass sich ein solches Projekt mit überschaubarem Aufwand realisieren lässt. Aufgrund der erzielten Ergebnisse wird der Ansatz aktuell auf weitere Kolonnen übertragen und an zusätzlichen Standorten angewendet.
Das Pilotprojekt macht damit deutlich, dass sich datenbasierte Modelle, Prozesswissen und reale Betriebsdaten zu einem belastbaren Optimierungsansatz verbinden lassen – mit direkter Relevanz für den industriellen Einsatz.
