Prozesse optimieren

George Crawley, David Hart, Ian Crosley

Eine wirtschaftliche Produktion und die Forderung umweltfreundlicher Prozesse sind die zwei Hauptfaktoren für eine Prozessoptimierung. Dabei sind die angestrebten Ziele: gesteigerte Produktivität und verbesserte Produktselektivität sowie die Implementierung weitreichender Automatisierungsstrategien. Besseres Equipment, bessere Sensoren, verbesserte Automatisierungs- und Steuerungskomponenten sowie fortschrittliche Kontroll- und Steuerungssysteme leisten ihren Beitrag zur Erhöhung der Anlageneffizienz. Abbildung 1 zeigt die unterschiedlichen Kontrolltechniken in Bezug auf die Prozessoptimierung und deren Positionierung zu „Best Practice“. An oberster Stelle steht Knowledge Discovery, das die historischen Echtdaten der Anlage nutzt, um Anweisungen für den Betrieb der Anlage zu liefern. Durch Anwendung einer Cluster-Analysentechnik, bekannt als Regelinduktion, wird automatisch nach Mustern in den archivierten Daten gesucht. Dieses Verfahren zur Gewinnung neuen Wissens aus strukturierten Daten führt zu einem wesentlich besseren Verständnis und einer stets aktuellen Beurteilungsmöglichkeit des Prozesses.

Der Erfolg der Wissensgewinnung hängt vom Zugriff auf Echtzeitdaten des Prozesses ab. Online-Partikelanalyse zum Beispiel, spielt bei der Prozessoptimierung eine entscheidende Rolle. Online-Systeme, ausgelegt für den Gebrauch in der rauen Prozessumgebung, machen Daten zugänglich, die als Basis für effektive Entscheidungen genutzt werden können. Die Laserbeugung ist eine weit verbreitete Technik zur Partikelgrößenbestimmung. Sie hat entscheidende Vorteile, da keine Kalibrierung notwendig ist und keine langen Intervalle zur Datengewinnung auftreten, die das reale Prozessverhalten überdecken. Im Insitec-System von Malvern ist diese Technologie zur Online-Messung von trockenen Pulvern realisiert (Abb. 2). Ein Partikelkollektiv streut das eingestrahlte Laserlicht. Die winkelabhängige Lichtintensität wird von Photodetektoren gemessen. Kleine Partikel streuen das Licht in einem größeren Winkel als größere Teilchen. Aus dem resultierenden Beugungsmuster lässt sich die Korngröße bestimmen. Unter Anwendung der Mie-Theorie kann die komplette Partikelgrößenverteilung berechnet werden.

Eine der größten Herausforderungen der Online-Partikelanalysentechnik ist der Umgang mit der Mehrfachstreuung, die bei hohen Partikelkonzentrationen auftritt. Ist die Partikelbeladung gering, folgt das System dem Lambert-Beer‘schen Gesetz, bei dem sich Trübung und Konzentration linear verhalten. Dies trifft jedoch nicht mehr zu, wenn die Partikel zu dicht gepackt sind und das gestreute Licht auf weitere Partikel trifft, von denen es wiederum gestreut wird. Bei Laboruntersuchungen kann die Partikelbeladung vom Anwender kontrolliert und dieser Effekt ausgeschlossen werden. Bei der Online-Messung, bei der eine kontinuierliche Probenahme erfolgt, muss ebenfalls eine korrekte Messung möglich gemacht werden, unabhängig davon, ob geringe oder hohe Partikelbeladung vorliegt. Das ist zum Beispiel der Fall, wenn sich der Prozess im Anfahrstadium befindet, gerade heruntergefahren wird oder ein Prozesswechsel erfolgt.

Das Insitec-System verwendet den patentierten Multiple Scattering-Algorithmus, der bei hohen Konzentrationen verlässliche Messungen erlaubt.

Bei der Integration einer Online-Messung in den Prozess hat der Ingenieur zwei kritische Stellen zu beachten: die Schnittstelle zum Prozess und die Schnittstelle zur Prozessautomatisierung. Das Prozessinterface ist die mechanisch Einheit, die genutzt wird, um Proben zu ziehen. Sie muss robust sein und repräsentative, wiederholbare Ergebnisse liefern. Ein Beispiel dafür ist das Eduktorsystem, das im Insitec-System eingesetzt wird. Eine Venturi-Düse zieht kontinuierlich Probe aus einem statischen Probenrohr oder einer J-Röhre und dispergiert diese, bevor sie in die Messzelle des Laserbeugungsgerätes injiziert wird. Das Automatisierungsinterface ermöglicht es, dass die Geräte über eine Software, zum Beispiel ein Scada-Paket, gesteuert werden können mit der Möglichkeit, Messungen automatisch zu starten und zu stoppen, Daten in Echtzeit anzufordern sowie Fehler- und Statusmeldungen zu übertragen.

Abbildung 3 zeigt die verschiedenen Stadien des Knowledge Discovery. Riesige Datenmengen können sehr schnell und effektiv verarbeitet und aus diesen automatisch Datenmuster extrahiert werden. Diese Muster werden dann in Regeln zur Verbesserung des Prozesses umgesetzt. Das Ergebnis sind Aktionen, die unter bestimmten Umständen zu tätigen sind. Der Einfluss dieser Aktionen kann genauestens quantifiziert werden. Durch die Anwendung der Wissensgewinnung werden Schlüsselindikatoren für den Prozessablauf, wie spezifischer Energieeinsatz oder Ertrag, definiert. Das Ergebnis der Regelinduktion ist ein Regelbaum. Innerhalb dieses Regelbaumes gibt es Knoten, an denen jeweils eine Teilung erfolgt, wenn ein Attribut ein statistisch signifikant unterschiedliches Ergebnis von einem festgelegten Wert aufweist. Die Anwendung des Knowledge Discovery, kombiniert mit großen Datenbanken, macht es möglich, selbst feinste Verhaltensmuster herauszufinden, die zuvor nicht verstanden wurden.

Zu einem Tonerherstellprozess gehören Mischen, Pelletieren und Granulieren, gefolgt von Pulverisierung, Klassifizierung und Siebung. Das Endprodukt ist ein feines Pulver mit einer sehr engen Partikelgrößenverteilung. Änderungen in einem Teil des komplexen Produktionsprozesses beeinflussen angrenzende Vorgänge. Oberste Ziele des Prozesses sind die enge Partikelverteilung und maximaler Ertrag mit einem Minimum an Energieverbrauch. Diese Ziele werden durch viele Faktoren wie Luftstrom, Druck, Rotorgeschwindigkeit, Einstellung von Pulverisier- und Kassifiziergeräten sowie der Fließgeschwindigkeit beeinflusst.

In einem Knowledge Discovery-Projekt wurden während eines ganzen Jahres Daten, die im 30-s-Intervall aufgezeichnet wurden, ausgewertet und daraus Entscheidungsbäume erstellt. Diese erklärten nicht nur die Abweichungen im Ertrag und anderen Indikatoren, sondern zeigten auch Änderungen in den einzelnen Prozessschritten auf. Die Anwendung der Regeln zur Prozessverbesserung auf historische Daten zeigte, dass eine Ertragssteigerung von 4% möglich ist.

Halle C2, Stand 345

E cav 241