Agilität in der Produktionsplanung ist in der Chemie und Prozessindustrie ein wichtiger Faktor, um Energie- und Ressourceneffizienz sicherzustellen, die Durchsatzoptimierung von Anlagen zu realisieren und so auch in zunehmend volatileren Märkten dauerhaft wettbewerbsfähig zu bleiben. Nach einer Studie von Fraunhofer IAO und dem IT-Verband Bitcom wird die Vernetzung von Produktentwicklung, Produktion, Logistik und Kunden die Wertschöpfung bis 2025 um 30 % nach oben treiben. Es gilt, die Produktion in ihrer Gesamtheit zu betrachten und zu planen – sowohl über die ganze Anlage hinweg als auch über verteilte Produktionsstätten großer Konzerne.
Vielschichtige Prozessketten
Die vielschichtigen Abhängigkeiten zwischen den einzelnen Produktionsschritten zu modellieren und in eine Kosten-Nutzen-Rechnung für jede einzelne Produktlinie zu überführen ist jedoch hochkomplex. Eine Produktlinie setzt sich in der Regel aus mehreren Prozessketten zusammen und kann bis zu fünfzig Stufen umfassen. Dabei gilt es, Rohstoffe, Rezepturen (BOMs), Volumenströme, Material- und Transportkosten, aber auch Lagerkapazitäten für Zwischenprodukte, nachgelagerte Produktionsstufen sowie die Produktionsstätten innerhalb eines Konzerns zu berücksichtigen. Um die Profitabilität eines jeden Upstream-Produkts zu berechnen und Anlagenbetreiber bei der Entscheidungsfindung zu unterstützen, müssen alle diese Faktoren einschließlich ihrer Abhängigkeiten in die Datenberechnung miteinfließen.
Relationale Datenbanken sind dieser Herausforderung nicht gewachsen, da sie komplexe Beziehungsnetzwerke aus Produktionsplanungsdaten nur äußerst ressourcenintensiv und kompliziert wiedergeben können. Antwortzeiten wachsen rasant, wenn mehrere sehr große Tabellenstrukturen miteinander verknüpft werden müssen. Echtzeit-Ergebnisse sind auf diese Weise unmöglich. Im Zusammenhang mit Industrie 4.0 und der wachsenden Digitalisierung und dem Aufbau der Smart Factory rücken daher neue Datenbanktypen wie die Graphdatenbank Neo4j verstärkt in den Fokus.
Von Knoten und Kanten
Neo4j ist eine native Graphdatenbank, die dafür konzipiert wurde, große Mengen unstrukturierter Daten im Kontext ihrer Datenbeziehungen zu speichern und abzufragen. Das zugrundeliegende Property-Graph-Modell repräsentiert eine Menge von Objekten (Knoten) zusammen mit den zwischen diesen Objekten bestehenden Verbindungen (Kanten). Beide können Eigenschaften, sogenannte Properties besitzen. Was abstrakt klingt, kennt jeder, der schon einmal eine Mind-Map auf ein Stück Papier gezeichnet oder auf das S-Bahn-Netz einer Stadt geblickt hat. Im einfachsten Beispiel zeigt das Graphmodell dann den Knoten „Hauptbahnhof“ der über die Kante/Linie S8 mit der Station „Flughafen“ verbunden ist.
Neo4j unterstützt unzählige dieser gerichteten Beziehungen. Die gesamte Architektur ist auf Geschwindigkeit bei Management, Speicher und Traversieren von Knoten und Beziehungen optimiert. Das eigenständige Konzept für die Speicherung und Abfrage von Verbindungen zwischen Entitäten und der optimierten Graph Engine erzielt beim Traversieren eine Leistung von Millionen Sprüngen (Hops) pro Sekunde und Kern. Da die meisten Graphabfragen in der größeren Nachbarschaft eines Knotens stattfinden, beeinträchtigt die Gesamtmenge der in der Datenbank gespeicherten Daten nicht die Laufzeit, sodass sich mit Neo4j hochskalierbare und speichereffiziente Operationen bei geringen Pausenzeiten erzielen lassen.
Einsatz von Neo4j in Chemieanlagen
Die Datenbank-Lösung wird neben Machine Learning und KI-Anwendungen (z. B. Predictive Maintenance) auch in der Produktionsplanung und Ressourcenverteilung in Chemieunternehmen bereits erfolgreich eingesetzt. Dabei wird die gesamte Prozesskette in ihrer ganzen Komplexität in Neo4j realitätsnah abgebildet. Ausgehend von einer Produktlinie, dem Auftragsvolumen eines Kunden oder auch eines Nebenprodukts lässt sich der Graph dann in alle Richtungen traversieren. Wie setzt sich die Kette vom Upstream Processing von Rohstoffen bis zum Downstream Processing von Fermentations- und Syntheseprodukten zusammen? Welche Rohstoffe mit welchen Volumina sind für die Produktion eines Produkts nötig? Welche Kosten sind damit verbunden? Und wie setze ich bestehende Rohstoffe am effizientesten ein, um letztendlich ein profitables Geschäft abschließen zu können? Es entsteht Transparenz über die gesamte Produktionskette. Anlagenbetreiber können beispielsweise die Kosten eines jeden Produkts verteilt auf die einzelnen Prozessschritte berechnen und entscheiden, wie und wo Ressourcen optimal eingesetzt werden müssen.
Anschauliche Datenvisualisierung
Das Visualisierungstool Neo4j Bloom ist vollständig in die native Neo4j Graph-Plattform integriert und macht die abstrakten und komplexen Beziehungen entlang der Produktionskette verständlich und nachvollziehbar. Im Gegensatz zu herkömmlichen Data-Discovery-Lösungen deckt Bloom auf, in welcher Beziehung Datenelemente zueinander stehen und visualisiert den Kontext, der durch diese Verbindungen entsteht. Anwender können den Graphen, ganz ohne die Kenntnis einer Abfragesprache, über natürliche sprachliche Phrasen erkunden, gefundene Teilgraphen expandieren und in Teile der Visualisierung hineinzoomen.
In Verbindung mit einer Web-Anwendung lassen sich die komplexen Berechnungen aber noch vereinfachter darstellen, zum Beispiel über ein Kurvendiagramm. Dabei zeigt jedes Chart einen bestimmten Rohstoff sowie die Geschäfte, die mit ihm realisiert werden können. Das Ergebnis einer jeden Kosten-Nutzen-Berechnung, die über den Graphen berechnet wurden, findet sich als Punkt bzw. Geschäft auf der Profitabilitäts-Kurve wieder. Je profitabler das Geschäft desto höher ist es auf der y-Achse angeordnet. Eine vertikale Linie zeigt an, wenn das Geschäft unter eine bestimmte Profitabilitätsgrenze fällt und als nicht rentabel gilt.
Fundiert und schnell entscheiden
Das Graphmodell bietet dabei hohe Agilität. Neue Datensätze (z. B. Rezepte, Kunden, Produktlinien) lassen sich über das Knoten/Kanten-Prinzip einfach hinzufügen und im Graphen ablegen. So können Betreiber jederzeit weitere Geschäftsopportunitäten eintragen und sehr schnell und ohne hohen Aufwand über Graphalgorithmen komplette Neuberechnungen unter Einbezug der neuen Werte durchführen. Die direkte Einsicht in relevante Ausschnitte des Produktionsprozesses erlaubt es Betreibern, schneller zu reagieren und fundierte Entscheidungen zu treffen. Im Gesamtkontext betrachtet wird so schnell klar, wann ein Geschäft als profitabel eingestuft werden kann oder ob es im Vergleich zu anderen Geschäftsopportunitäten unterdurchschnittlich abschneidet. In Absprache mit anderen Organisationseinheiten kann der Hersteller mit Neo4j so letztendlich die beste Opportunität mit der höchsten Gewinnspanne wählen.
Steht das Graphmodell und liegen die Algorithmen zur Berechnung von Produktströmen einmal vor, sind auch weitere Anwendungsszenarien in der Prozessindustrie vorstellbar – von der Einbindung der Supply Chain bis zur Berechnung von Emissionen, vom Forecasting im Einkauf bis zur vorausschauenden Wartung. Im Rahmen von Industrie 4.0 und IoT beginnen viele Hersteller, das Einsatzpotenzial von Graphtechnologie in der Praxis zu testen. Neo4j bietet hier die Grundlage, Datensilos innerhalb von Unternehmen und Produktionsstätten aufzubrechen und einen Blick auf die komplette Produktionslandschaft in Anlagen zu werfen. Auf Grundlage dieser vernetzten Datenbasis lassen sich Entscheidungen treffen, die nicht nur auf das Ergebnis einzelner Geschäftseinheiten zielen, sondern neues Potenzial auf dem Weg der digitalen Transformation offenlegen.
Neo4j, Inc., München
Autor: Dirk Möller
Area Director of Sales
Cemea,
Neo4j
