Produktionsoptimierung - Wie können Sie mithilfe von Machine Learning Ihre Produktion optimieren?
Völlig autonome Produktionsanlagen werden in nicht allzu ferner Zukunft verfügbar sein. Aber auch heute schon kann maschinelles Lernen bei der Optimierung der Produktion einen großen Unterschied machen. Hier werde ich ein konkretes Beispiel für den Einsatz von maschinellem Lernen (ML) und Analysen zur Lösung eines komplexen Problems, das in einem realen Kontext auftritt, näher betrachten.
Die Optimierung von Produkten ist in vielen Branchen ein gängiges Problem. In unserem Kontext ist Optimierung jede Handlung, jeder Prozess oder jede Methode, die etwas - wie einen Entwurf, ein System oder eine Entscheidung - so gut, funktional oder effizient wie möglich macht.
Beispiele für eine solche Optimierung sind Entscheidungsprozesse für minimale Kosten, optimale Qualität, Leistung und Energieverbrauch.
Um dies weiter zu konkretisieren, werde ich mich auf einen Fall konzentrieren, an dem wir mit einem globalen Öl- und Gasunternehmen gearbeitet haben. Derzeit konzentriert sich die Branche vor allem auf Digitalisierung und Analyse. Dieses Ziel wird durch die riesigen Datenmengen angetrieben, die jeden Tag von Tausenden von Sensoren gesammelt werden - sogar von einer einzigen Produktionsanlage.
Bis vor kurzem war die Verwendung dieser Daten aufgrund der:
-Kompetenzgrenzen .
-Mangel an Technologien und Datenpipelines.
In der Öl- und Gasindustrie ist die Produktionsoptimierung im Wesentlichen eine "Produktionskontrolle": Sie minimieren, maximieren oder zielen auf die Produktion von Öl, Gas und möglicherweise Wasser ab. Ihr Ziel könnte es sein, die Ölproduktion zu maximieren und gleichzeitig die Wasserproduktion zu minimieren. Oder es könnte darum gehen, die Ölproduktion und das Gasverhältnis auf bestimmten Sollwerten zu betreiben, um den gewünschten Zustand des Tanks aufrechtzuerhalten.
Die Öl- und Gasproduktion ist ein komplexer Prozess, bei dem viele Entscheidungen getroffen werden müssen, um kurz-, mittel- und langfristige Ziele zu erreichen.
Kurzfristige Entscheidungen müssen innerhalb weniger Stunden getroffen werden und werden oft als tägliche Optimierung des Produktionsprozesses bezeichnet. Sie versuchen in der Regel, die Öl- und Gasförderung zu maximieren, indem sie die verschiedenen Parameter, die den Produktionsprozess steuern, optimieren.
In den meisten Fällen wird heute die tägliche Optimierung der Produktion von den Bedienern durchgeführt, die die Offshore-Produktionsanlage steuern. Diese Optimierung ist eine sehr komplexe Aufgabe, bei der eine große Anzahl von steuerbaren Parametern alle die Produktion auf die eine oder andere Weise beeinflussen. Irgendwo in der Größenordnung von 100 verschiedenen Steuerungsparametern müssen Anpassungen vorgenommen werden, um die beste Kombination aus allen Variablen zu finden.
In unserem Beispiel beeinflussen nur zwei kontrollierbare Parameter Ihre Produktionsrate: "Variable 1;" und "Variable 2;". Das Optimierungsproblem besteht darin, die optimale Kombination dieser Parameter zu finden, um die Produktionsrate zu maximieren. Die Lösung dieses zweidimensionalen Optimierungsproblems ist nicht so kompliziert, aber stellen Sie sich vor, dass dieses Problem stattdessen auf 100 Dimensionen skaliert wird.
Jetzt ist es eine andere Geschichte. Im Wesentlichen ist es das, was die Operateure zu tun versuchen, wenn sie die Produktion optimieren. Heutzutage hängt die Qualität dieses Vorgangs in hohem Maße von der früheren Erfahrung der Operateure und ihrem Verständnis des Prozesses, den sie steuern, ab.
Hier wird ein Ansatz, der auf maschinellem Lernen (ML) basiert, wirklich interessant. Die Optimierung durch die Bediener beruht größtenteils auf ihrer eigenen Erfahrung, die sich im Laufe der Zeit ansammelt, wenn sie mit der Steuerung der Prozessanlage vertraut werden.
Diese Fähigkeit, aus früheren Erfahrungen zu lernen, ist genau das, was am maschinellen Lernen so faszinierend ist. Durch die Analyse großer Mengen historischer Daten aus den Sensoren der Plattformen können Algorithmen lernen, die komplexen Beziehungen zwischen verschiedenen Parametern und deren Auswirkungen auf die Produktion zu verstehen.
Die Tatsache, dass Algorithmen aus Erfahrungen lernen, ähnelt im Prinzip der Art und Weise, wie Operatoren lernen, einen Prozess zu steuern. Im Gegensatz zu einem menschlichen Bediener haben Algorithmen des maschinellen Lernens (ML) jedoch kein Problem damit, vollständige historische Datensätze für Hunderte von Sensoren über einen Zeitraum von mehreren Jahren zu analysieren. Sie können im Vergleich zu einem menschlichen Gehirn unbegrenzt Erfahrung sammeln.
Über einen Algorithmus für maschinelles Lernen zu verfügen, der die Produktionsrate anhand der von Ihnen angepassten Kontrollparameter vorhersagen kann, ist ein äußerst wertvolles Werkzeug. Das auf maschinellem Lernen basierende Vorhersagemodell liefert uns eine Kurve der Produktionsrate mit ihren Spitzen und Tälern, die eine hohe und niedrige Produktion darstellen.
Der multidimensionale Optimierungsalgorithmus bewegt sich dann durch diese Landschaft und sucht nach dem höchsten Peak, der die höchstmögliche Produktionsrate repräsentiert.
Indem er sich durch die Kurve der Produktionsraten bewegt, kann der Algorithmus Empfehlungen geben, wie man diesen Höhepunkt am besten erreicht, d. h. welche Kontrollvariablen angepasst werden müssen und wie stark sie angepasst werden müssen. Eine solche auf maschinellem Lernen basierende Produktionsoptimierung besteht also aus drei Hauptkomponenten:
Ihr erster wichtiger Schritt besteht darin, sicherzustellen, dass Sie über einen Algorithmus für maschinelles Lernen (ML) verfügen, der erfolgreich die korrekten Produktionsraten unter Berücksichtigung der Parameter aller vom Bediener kontrollierbaren Variablen vorhersagen kann.
Sie können den Vorhersagealgorithmus als Grundlage für einen Optimierungsalgorithmus verwenden, der untersucht, welche Kontrollvariablen angepasst werden müssen, um die Produktion zu maximieren.
Als Ergebnis des Optimierungsalgorithmus erhalten Sie Empfehlungen, welche Kontrollvariablen angepasst werden sollten und welche potenzielle Verbesserung der Produktionsrate sich aus diesen Anpassungen ergibt.
Ein Optimierungsalgorithmus, der auf maschinellem Lernen basiert, kann auf Echtzeitdaten aus der Produktionsanlage laufen und Empfehlungen an die Bediener geben, wenn er ein Potenzial zur Verbesserung der Produktion erkennt.
Dieser auf maschinellem Lernen basierende Optimierungsalgorithmus kann den Bedienern, die den Prozess steuern, als Hilfsmittel dienen und ihnen dabei helfen, fundiertere Entscheidungen zu treffen, um die Produktion zu maximieren.
Der völlig autonome Betrieb von Produktionsanlagen liegt noch in der Zukunft. Bis dahin können auf maschinellem Lernen basierende Assistenzwerkzeuge einen wesentlichen Einfluss darauf haben, wie die Optimierung der Produktion durchgeführt wird.
Ich glaube, dass maschinelles Lernen in Zukunft auf viel mehr Arten eingesetzt werden wird, als wir uns heute vorstellen können. Wie wird sich das Ihrer Meinung nach auf die verschiedenen Branchen auswirken?
Autorin: NAJI Faouzi
Wir veröffentlichen häufig in sozialen Netzwerken (Linkedin, Twitter und Medium) unsere Innovationen und die neuen Funktionen unserer Lösungen für das Industriemanagement.
Außerdem würden wir uns freuen, wenn wir Ihnen die neuesten Trends im Bereich Industrie 4.0 durch qualitativ hochwertige Inhalte, die Sie weiterverbreiten können, näher bringen könnten.