Digitalisierung in den Prozessindustrien: Erfolgsfaktor Mensch in der Produktion

Publish date:

Klassische Technologien der Digitalisierung schaffen eine nachhaltige Prozesseffizienz in der Produktion. Doch welche Herausforderungen gibt es bei der Anwendung datengetriebener digitaler Methoden in den Prozessindustrien?

Ziel: Nachhaltige Prozesseffizienz in der Produktion

In den Prozessindustrien (Chemie, Pharma, industrielle Biotechnologie, Papier-, Zement-, Glasherstellung, Lebensmittelindustrie, teilweise Wasserwirtschaft) wurden in den letzten Jahren große Fortschritte in Nachhaltigkeit und Produktivität erreicht. In der Chemie beispielsweise hat sich durch bessere Produktionsprozesse die Ressourcen- und Energieeffizienz, aber auch die Prozess- und Arbeitssicherheit, stetig und in erstaunlichem Maße verbessert. Dies wurde vorwiegend durch ein besseres chemisches und technisches Verständnis und eine entsprechende Umsetzung auf die Produktionsebene erreicht. In beiden Feldern spielen klassische Technologien der Digitalisierung wie (Soft) Sensoren, Modellierung und Simulation, Advanced Process Control, etc. eine wichtige Rolle.

Standortbestimmung: Raum für Verbesserungen

Bedingt durch die sehr langen Lebenszyklen typischer Chemieanlagen ist es auf der anderen Seite auch weiterhin häufig anzutreffen, dass Produktionsprozesse auf Grundlage von altem, teilweise nicht mehr vollständig verstandenem Wissen und sehr viel Erfahrung betrieben werden. Typischerweise werden auch hier viele Daten aufgenommen und gespeichert, letzteres jedoch in verstreuten Silos und ohne inneren Zusammenhang, somit auch schlecht zugänglich für eine systematische Auswertung.

Kommt es in solchen Anlagen zu einer Umstellung der Rohstoffe, der Produktspezifikation oder aufgrund regulatorischer Änderungen, dann ist dies umständlich zu realisieren und führt im Rahmen eines vernünftigen Entwicklungsaufwandes häufig nicht zu einer optimalen Fahrweise.

Auch eine Erhöhung der Anlagenkapazität, z.B. durch Debottlenecking oder Neuinvestition, ist oftmals mit erheblichem Entwicklungsaufwand verbunden, weil ein detailliertes Prozess- und Anlagenverständnis fehlt bzw. die Grundlagen für die Maßstabsvergrößerung häufig nicht mehr verfügbar sind.

Selbst dort, wo bei neueren Anlagen in der Prozessentwicklung ein umfassendes Wissen aufgebaut wurde, ggf. inklusive Prozessmodell, ist ein durchgängiger Transfer dieses Wissens über die Anlagenplanung, den -bau und die -inbetriebnahme in die Produktion nicht immer gegeben. Schlussendlich fehlt es auch bei erfolgreichem Transfer von Prozesswissen aus der Entwicklung auf die Produktionsebene häufig an der Validierung dieses Wissens mit Hilfe der umfassend verfügbaren Daten aus der Produktion. Gerade in den letzten Jahren hat sich durch Big Data Analytics und zahlreiche cloudbasierte Angebote ein agiler Methodenvorrat ausgebildet, der die Use Case bezogene Implementierung in sehr kurzen Sprintzyklen in wenigen Wochen ermöglicht. Die kurzen Umsetzungszeiten haben neben deutich reduzierten projektrisiken den Vorteil, dass der Nachweiß der gesteigerten Wertschöpfung bereits wenige Wochen nach deren Umsetzung nachgewiesen werden kann. Die klassischen Entwicklungszyklen entfallen, die generierten Einsparungen oder Erträge aus neuen datengetrieben Geschäftsmodellen helfen dabei, das Gesamtbudget in einem kontrollierbaren Rahmen nach Werthaftigkeit auszusteuern.

Im Bereich der Methodik hat sich für die chemisch-verfahrenstchnische Entwicklung die klassisch-deterministische Modellierung und Simulation von Thermodynamik, Kinetik und Prozessabläufen (z.B. Cycle Times etc.) etabliert. Auch wenn das Motto ‚No Model, no Plant‘ nicht konsequent durchgehalten wird, so ist doch eine Modellierung der kritischen Prozesschritte (Reaktoren, thermische Stofftrennung) gängige Praxis. Die gleiche Methodik wird auch für die Beseitigung von Kapazitätsengpässen (Debottlenecking) angewendet.

Nur in Teilen der gegenwärtigen Produktion jedoch wird eine Verbesserung der Schlüsselkennwerte durch systematische Auswertung vorhandener Daten und Nutzung der gewonnenen Einsichten realisiert. Selbst auf den untersten Ebenen der Automatisierungspyramide – der Regelung von einzelnen Prozessparametern – zeigt sich laut einer Studie [1] ein erstaunlich wenig wissensbasierter Status: Ein Drittel der Regelkreise ist überhaupt nicht in Betrieb, ein weiteres Drittel wird in den Grundeinstellungen der Regelparameter betrieben und lediglich das letzte Drittel verfügt über angepasste Regelparameter.

Maßnahmen-für-den-Erfolg-der-Digitalisierung

Herausforderungen

Was sind Gründe, die eine konsequentere Anwendung datengetriebener digitaler Methoden – wie sie in anderen Industriezweigen mittlerweile gängig ist – in der Prozessindustrie verzögern?

Wie bei vielen Veränderungsprozessen sind es in großem Maße die Mitarbeiter, die – willentlich oder unterbewusst – über Erfolg oder Scheitern entscheiden. Es muss für sie erkennbar sein, wie digitale Transformation ihre konkreten Fragestellungen vor Ort adressiert. Eine One-Fits-All-Strategie gibt es nicht, jede Fragestellung erfordert individuelle Ansätze und Lösungen.

Im Whitepaper „Berufe 4.0 – Wie Chemiker und Ingenieure in der digitalen Chemie arbeiten“ der Vereinigung für Chemie und Wirtschaft, VCW (GDCh Fachgruppe) werden zwei weitere wesentliche Herausforderungen klar genannt:

  • „Viele Chemiker und Ingenieure wollen möglichst überall involviert sein und die Kontrolle im Detail behalten. Mit künftigen, auf Kompetenzen beruhenden Stellenprofilen und Arbeitsinhalten – einhergehend mit „Teilen“ von Aufgaben und „Abgabe“ einzelner Verantwortlichkeiten an andere Kompetenzträger – können sich derzeit die wenigsten Chemiker und Ingenieure anfreunden.
  • Neu aufkommende Berufe wie eher IT-lastige reine Data Scientists, eher ausgewogene Chemie-Informatiker und primär chemie- und betriebswirtschaftlich orientierte Wertschöpfungsketten-Manager sowie Stakeholder-Manager im Großprojektumfeld sind z.T. als Konzept bekannt, der Glaube an sie als neue Kollegen mit Spezialkompetenzen fehlt jedoch fast komplett.“

Daneben finden sich Barrieren in den gewachsenen IT und Prozess-Landschaften, die durch Akquisitionen, projektgetriebenen Erweiterungen, Migrationen oder unabgestimmten Umbauten und Abteilungs- oder Landesbedingten Datentrennungen und langfristigen Vendorenverträgen zu fehlende Schnittstellen, fehlende Standardisierungen, Daten- und Wissenssilos und unabgestimmter Stammdaten führen. Die IT wird damit so zur Innovationsbremse, da Konsoidierungsprojekte sehr spät ungeplante Risiken aufdecken und Kalkulationen schwieig machen können. Die erfolderliche Fit/Gap Analyse im Kontext einer tragfähigen Enterprise Architektur wird damit oftmals übersprungen und etwaige Risiken für den kurzfristigen Teiprojekterfolg ignoriert.

Lösungsansätze

Ein generischer Ablauf von Digitaliserungsprojekten umfasst:

  • Sammlung der Anwendungsfälle
  • Datenaufnahme/-Speicherung
  • Datenbewertung
  • Datenanaylse
  • Kontextuierung
  • Priorisierung
  • Architektonische Planung
  • Maßnahmendefinition/-umsetzung
  • Datenintegration und Skalierung

Die ganzheitliche Betrachtung der Wertschöpfungsketten im Ecosystem, das Partner, Kunden und die operativen Bereiche miteinander verbindet, sich agil nach geeigneten Architekturschnitten ausbaut, entfaltet unweigerlich zu gestiegener Transparenz, erhöhter Reaktiviät und beserer Vorhersage. Als zentraler Erfolgsfaktor von Digitalisierungsprojekten in der Prozessindustrie hat sich die Kontextuierung von aus Datenanalysen identifizierten – zunächst rein empirischen – Zusammenhängen mit physikalisch-chemisch-verfahrenstechnischen Gesetzmäßigkeiten erwiesen.

Zu Beginn steht die Problemdefinition —> welche Fragestellung beschäftigt die Produktion aktuell:  Qualität, Ausbeute, Kapazität, Kosten, Flexibilität, Prozesstoleranz, Logistik, etc.?
Oftmals wird eine Quantifizierung notwendig sein —> wie groß ist das Problem konkret und welches Verbesserungspotenzial wird angestrebt?

Die Analyse der Daten kann mittels deterministischen (Modellierung, Simulation) oder statischen (Korrelationsanalyse, etc.) Methoden geschehen. Während die deterministischen Methoden ein Grundverständnis der zugrunde liegenden Gesetzmäßigkeiten erfordert, liefern statistische Methoden rein empirische Zusammenhänge, die in den entsprechenden Kontext gebracht werden müssen. Gerade dieser Arbeitsschritt erfordert interdisziplinäres Arbeiten, bei dem die beteiligten Chemiker und Ingenieure einen Teil ihrer Kontrolle und Kompetenz abgeben müssen. Erfahrungsgemäß erfolgt dies vor allem dort, wo die erzielten oder potenziellen Verbesserungen offensichtlich sind. Erfolge werden so kollektiviert und die Motivation und das Verständnis sowie Interesse für Veränderungsprozesse steigt enorm. Erfolgreiche Implementierungen aus verwandten Industrien werden mit wachsendem Interesse auf die chemische Prozesßlandschaft adaptiert. So sind prediktive Analysen aus dem Automitive Umfeld neben Smart Supply Chain Implementierungen zur Ertragsoptimierung in vielen Bereichen der Chemie bereits angekommen.

Die VCW-Studie richtet den Blick auch auf die Zukunft: „Universitäten und Hochschulen sind gefordert, künftig bedarfsgerechter auszubilden. Ohne zügig abgestimmte und umgesetzte Veränderungen bei allen Betroffenen werden angesichts der heutigen Vorlauf- und Studienzeiten selbst im Jahr 2030 kaum promovierte Chemiker und Ingenieure mit den Kompetenzen verfügbar sein, die die – digitalisierte – Chemie z.T. heute schon, in vollem Maß aber spätestens im Jahr 2025 erfordert.“

[1] VanDoren, V.: Advances in control loop optimization. Software takes users from simple tuning to plant-wide optimization. Control Engineering May 2008.

Vielen Dank an die Autoren Oliver Lade, Volker Brendel und Goetz Wehberg.

 

Weitere Posts

Digitalisierung

Behörden im Zugzwang des digitalen Wandels

Iris Brückner
Date icon August 19, 2019

Die digitale Transformation ist längst im Behördenalltag angekommen. Die damit...

Customer Engagement (de-de)

3 Erkenntnisse, die Sie sich in Sachen Kundenbindung von PAYBACK GO abschauen sollten

Max Brüggemann
Date icon August 15, 2019

PAYBACK schafft es mit seiner App PAYBACK GO eine stringente, digitale Loyalty-Experience für...

cookies.

Mit dem Fortsetzen des Besuchs dieser Website akzeptieren Sie die Verwendung von Cookies.

Für mehr Informationen und zur Änderungen der Cookie-Einstellungen auf Ihrem Computer, lesen Sie bitte Privacy Policy.

Schließen

Cookie Information schließen