FIRMENVERTRAULICH. NICHT OFFENLEGEN.
In einer intelligenten Produktionsumgebung reicht ein wenig Prozessverständnis aus
Bei ADM sind multivariate Statistikfunktionen der Schlüssel zur Generierung von Prozessoptimierungen und Verbesserungen, die auf Produktionsstandorte auf der ganzen Welt skaliert werden können
Herausforderung : Mit der Einführung vollautomatisierter Produktionssysteme an ADM-Standorten auf der ganzen Welt stehen Technologieingenieure, die mit der Förderung proaktiver Verbesserungen und Analysefähigkeiten betraut sind, vor der Herausforderung, Erfolge in großem Maßstab zu replizieren.
Lösung : ADM standardisiert um JMP® Pro herum, eine Statistik-Erkennungssoftware, die weitreichende Tools für die Validierung, Prozessoptimierung, multivariate Analyse und Anpassung bietet. „Mit JMP Pro können die Leute ihre Arbeit wirklich schneller erledigen“, sagt Senior Analytics Engineer Isaac Himanga und fügt hinzu, dass seiner Einschätzung nach 15 Minuten jetzt nur noch eine dauert. „Sie multiplizieren das mit 100 Benutzern und all den Analysen, die sie in einem Jahr durchführen, und es hat eine enorme Wirkung.“
Ergebnisse : Neben der Reduzierung des Zeitaufwands für Datenzugriff und -vorbereitung hat JMP Pro Ingenieuren bei ADM dabei geholfen, die Prozesskontrolle zu straffen und kostspielige Probleme bei Prozessvariationen und -validierungen zu lösen. Darüber hinaus hat das Team Wege gefunden, Prozesswissen aus einem Optimierungsprojekt zu nutzen, um SPC an anderen Standorten über skriptbasierte JMP-Add-Ins und Dashboards zu verbessern. Himanga sagt: „Wir haben es online gestellt – das ist eine großartige Möglichkeit, [die Wirkung] um ein Vielfaches zu reproduzieren.“
_____________________________________________________________________________________
Archer-Daniels-Midland Company (ADM) ist ein wichtiger Akteur in der globalen Lebensmittelindustrie mit einem umfangreichen Portfolio an Zutaten und Aromen für alles von Frühstückszerealien bis hin zu Multivitaminen für Nutztiere. Durch die Nutzung seiner Fähigkeiten in der gesamten Lieferkette hat ADM die Art und Weise revolutioniert, wie natürliche Rohstoffe für Hunderte Millionen Verbraucher weltweit in Grundnahrungsmittel umgewandelt werden. Darüber hinaus nutzt das Unternehmen nun seinen Einfluss, um nachhaltige Lösungen in der Landtechnik und Lebensmittelverarbeitung voranzutreiben.
Ein Großteil der Innovationsfähigkeit von ADM in den letzten Jahren lässt sich direkt auf die Transformation der Analytik zurückführen. Die weit verbreitete Einführung modernster IT- und Datensysteme durch das Unternehmen hat eine grundlegende Veränderung in der Art und Weise bewirkt, wie Prozesseffizienz und -effektivität in jeder Phase der Produktionspipeline optimiert werden.
„Wir haben eine zunehmende Dynamik für Analyseinitiativen bei ADM festgestellt“, sagt Senior Analytics Engineer Isaac Himanga. Dieser Aufschwung zur Unterstützung der Analysefähigkeit, erklärt er, kam teilweise, als ADM um Exzellenzzentren herum neu organisiert wurde – jeweils eines für Verbesserung und Analytik –, die stärker interdisziplinäre Rollen für Technologieingenieure etablierten, die wie ihre Verfahrenstechnik-Pendants Fachexperten für jedes sind individuellen Prozess. Der andere Motivator, fügt er hinzu, bestand einfach darin, den Wert durch eine Reihe hochkarätiger Fallstudien zu demonstrieren: „Es braucht einige Zeit, um die Leute auf den neuesten Stand zu bringen, aber man muss sie nur über den anfänglichen Buckel bringen. Es hilft, eine Gelegenheit zu nutzen, bei der wir den Prozess gut verstehen, viel Arbeit in minimaler Zeit zu erledigen, um Verbesserungen zu demonstrieren“, sagt er.
Als die Analysefähigkeit von ADM durch Schulungen und Aktualisierungen der Dateninfrastruktur schrittweise erhöht wurde, erklärt Himanga, betrachteten die Teams Excel als nicht mehr zweckdienlich. „Wir haben versucht, diese Analysetools zu nutzen und unsere Daten zu nutzen, um bessere Entscheidungen zu treffen“, sagt er.
Die Anforderungen fortschrittlicherer Prozesssteuerungssysteme und -automatisierung führten sie zu JMP® Pro, einer statistischen Erkennungssoftware, die ein wichtiger Partner von ADM war, nicht nur bei der Kulturtransformation, sondern auch bei vielen der frühen Machbarkeitsnachweise des Analyseteams.
Weg vom reaktiven Problemlösen
Wie jedes multinationale Unternehmen, das zwischen Lebensmittelverarbeitung und Rohstoffmärkten tätig ist, verfügt ADM über viele Millionen Zeitreihendaten und ebenso viele Tags. Darüber hinaus erwirbt ADM häufig neue Einrichtungen – von denen viele zum Zeitpunkt der Übernahme auf veraltete analoge Systeme angewiesen sind und mit digitaler Sensortechnologie nachgerüstet werden müssen. Die Berücksichtigung der Mängel in veralteten Systemen, erklärt Himanga, habe eine Gelegenheit geboten, Verbesserungen zu skalieren und das Wissen aus den hochmodernen Flaggschiff-Standorten von ADM zu verarbeiten.
In den vielen globalen Produktionsstätten von ADM, sagt er, hat Industrie 4.0 bewiesen, dass es Lücken in der bestehenden Instrumentierung gibt, und den geschäftlichen Wert der Lösung von Herausforderungen bei Datensystemen aufgezeigt. „Es gibt Dinge, die wir in einer Einrichtung gelernt haben, von denen wir erkannt haben, dass wir sie in anderen replizieren können“, erklärt er. „[Diese Skalierbarkeit] ermöglicht es uns jetzt, schneller voranzukommen und uns auf spezifische Verbesserungen zu konzentrieren.“
Heute liegt der Aufgabenbereich von Himanga sowohl in einmaligen Fehlerbehebungsprojekten – beispielsweise Dampf reduzieren, Ausbeute erhöhen oder ein Qualitätsproblem lösen – als auch in Projekten, bei denen er und seine Kollegen nach Möglichkeiten suchen, den Umsatz zu steigern und die Kosten zu senken. „Wir investieren viel Mühe in die proaktive Analyse“, sagt er. „Nehmen Sie zum Beispiel die Anomalieerkennung. Wir können auf Variablen oder Teile eines Prozesses hinweisen, die ungewöhnlich funktionieren, und dann unsere Plattform nutzen, um Probleme zu finden, bevor sie sich wirklich als Beeinträchtigung der Qualität oder des Ertrags manifestieren.“
Mit seinem unkomplizierten Analyse-Workflow und Plattformen, die fortschrittliche Ansätze wie die multivariate Modellierung ermöglichen, hat JMP Pro das Feld der Verbesserungsmöglichkeiten weit geöffnet. Himanga hat nicht nur Bereiche aufgedeckt, in denen Daten gesammelt, aber nicht genutzt wurden, er hat auch unzählige Möglichkeiten identifiziert, um von einem traditionellen reaktiven Ansatz zu einem proaktiveren Modell überzugehen.
„In vielen Fällen führen wir ein großes Analyseprojekt durch und es stellt sich heraus, dass sogar der Sollwert ausreichte, um loszulegen und in die richtige Richtung zu weisen!“ er sagt. „Wir müssen dafür sorgen, dass wir nicht zu viel Zeit für eine einzelne Optimierungsmöglichkeit aufwenden, weil es einfach so viele Möglichkeiten gibt. Wir fangen an, etwas zu optimieren, geben Empfehlungen ab, und wenn die Einrichtung später eine bessere Instrumentierung erhält, können wir zurückgehen und eine zweite Version erstellen.“
Die Standardisierung rund um JMP Pro trägt dazu bei, Erfolge in den globalen Einrichtungen von ADM zu skalieren
Zusätzlich zu seiner großen Präsenz in Nordamerika verfügt ADM jetzt über bedeutende Fertigungsbetriebe in Europa, Brasilien und im asiatisch-pazifischen Raum. Himanga und seine Kollegen haben einen globalen Ansatz für exzellente Analytik verfolgt und einzigartige Gelegenheiten genutzt, um den durch technische Verbesserungen geschaffenen Geschäftswert zu skalieren.
„Anstatt dass sich jemand nur auf seine eigene geografische Region konzentriert, mischen und kombinieren wir absichtlich, damit jedes [Teammitglied eine neue Perspektive] auf Werke in anderen Teilen der Welt bringt“, sagt er. Kreative, datengesteuerte Ansätze zur Problemlösung überschreiten nationale Grenzen, und gemeinsame Tools helfen Einzelpersonen, kulturelle und sprachliche Barrieren zu überwinden, die andernfalls die Zusammenarbeit behindern könnten.
„Unsere Vision ist es, dass jeder Ingenieur, vielleicht sogar jeder Manager, eine Standardschulung durchläuft, damit wir alle die gleiche Sprache in Bezug auf Datenanalyse sprechen“, sagt Himanga. „Aber dazu mussten wir ein Tool standardisieren.“ JMP Pro bot einen Mechanismus zum Skalieren von zeit- und wertschöpfenden Aktivitäten, zumal die Skriptfunktion des Tools es Analyseexperten ermöglichte, Anpassungen schnell einzuführen.
Die „JMP Model Engine“ reduziert die Datenzugriffszeit um das 15-fache
Ein solches Add-In, das von Himanga und seinem Team erstellt wurde, zieht Daten direkt aus dem Datenhistoriker von ADM in JMP Pro. Das Add-In – was Himanga als „JMP Model Engine“ bezeichnet – kann Informationen von einem Quellsystem auf einen Desktop-PC ziehen. Indem das Skript dann mit neuen Daten ausgeführt und die Ergebnisse an den Historian zurückgesendet werden, ist ein Großteil des Datenzugriffsprozesses vollständig automatisiert, erklärt er; Benutzer können relativ schnell von der Offline-Analyse zum Online-Scoring eines Modells übergehen.
„Der Zugriff auf Daten war früher eine Menge Arbeit, besonders bei kleinen Projekten … und man konnte ziemlich viel Zeit damit verbringen“, erklärt er. „Aber unser benutzerdefiniertes Add-In übernimmt jetzt all diese Arbeit. Sie können ein Tag in JMP eingeben und es wird die Daten abrufen und Ihnen ein Skript geben. Und wenn Sie morgen dieselbe Grafik mit neueren Daten sehen möchten, müssen Sie nur die Grafik kopieren und einfügen, die Skripte zusammenstellen und auf „Ausführen“ klicken.“
Himanga schätzt, dass die Automatisierung von Datenzugriffsprozessen in JMP Pro die Zeit, die früher 15 Minuten gedauert hat, auf nur noch 1 reduziert hat. „Und wenn Sie das mit 100 Benutzern und all den Analysen, die sie in einem Jahr machen, multiplizieren, summiert sich das wirklich! JMP ermöglicht es den Menschen wirklich, ihre Arbeit schneller zu erledigen“, sagt er. „Wir haben jetzt genug positive Anwendungsfälle, wo die Leute reden. Leute, die einst zu den Skeptikern gehörten, fangen an zu sagen: „Nun, die anderen Pflanzen haben es schon getan. Ich möchte diesen Vorteil auch.'“
Automatisierte Dashboards fördern eine strengere Prozesskontrolle
Begeisterung beiseite, Himanga ist sich darüber im Klaren, dass die Transformation der Analytik nicht über Nacht geschieht, selbst mit den richtigen Tools. vielmehr ist es ein langfristiges Projekt und eine Reise. Verbesserungsprozesse können 6 Monate dauern, aber das daraus generierte Prozesswissen ist die Investition wert.
Zur Veranschaulichung stellt Himanga Beispiele aus zwei prozessbezogenen Initiativen vor, bei denen multivariate Statistiken in JMP Pro ein ansonsten unlösbares Problem gelöst haben. In einem Fall war eine der Mais-Nassmühlen von ADM, in der Maisgluten-Futterpellets hergestellt werden, von Produktionsproblemen betroffen. Manchmal lief die flüssige Maislösung nicht so schnell wie nötig durch die Mühle, aber die Bediener konnten die Ursache der Schwankungen nicht identifizieren.
„Die Ursache war wirklich schwer zu identifizieren, da eine einzelne Mühle Millionen von Punkten haben kann, die Sie potenziell betrachten könnten, zusammen mit einer Reihe von Qualitätsparametern und mehr Eingaben, als Sie möglicherweise in Excel grafisch darstellen könnten“, erklärt er. „Wir hatten viele Leute, die jahrelang an diesem Problem gearbeitet hatten. Aber es hat sich vor zwei Jahren wirklich verschärft, bis zu dem Punkt, an dem das Werk als Ganzes langsamer wurde.“
„Also haben wir JMP verwendet, um uns Tausende und Abertausende von Tags mit unterschiedlichen Verzögerungszeiten anzusehen. Es war ein wirklich großer Datensatz, und am Ende haben wir alle verschiedenen Plattformen in JMP verwendet. Am Ende führten wir ein Bootstrapping des Datensatzes durch, um die wahrscheinlichsten Kandidaten zu identifizieren. Dann konnten wir die multivariaten Tools in JMP verwenden, um den tatsächlichen Nutzen zu ermitteln, und in sechs Monaten fanden wir unsere Antwort. Wir fanden heraus, dass wir den Prozess auf eine bestimmte Weise ausführen mussten. Ein paar Monate später sahen wir Verbesserungen.“
In einer anderen Fallstudie identifizierten Himanga und seine Kollegen ein Muster darin, wie und wann Betreiber Kühlgeräte verwendeten, um ein Sojabohnenmehlprodukt herzustellen, das Kunden oft als Zusatzstoff verkauft wurde, der nach kundenspezifischen Spezifikationen verfeinert wurde. Vor dem Betrachten der Daten in JMP Pro konnte das Team nicht verstehen, warum Gerätewartung und -kühlung so unterschiedliche Auswirkungen hatten. Durch den Einsatz von Analytik zur Entwicklung des Prozessverständnisses konnte Himanga jedoch eine Reihe von Richtlinien definieren, die den Anlagenbetreibern helfen, genau zu wissen, wann die Produktionslinie gekühlt werden muss. Dann gingen sie noch einen Schritt weiter.
„Uns wurde klar, dass wir ihnen überhaupt keine Anleitung geben mussten – wir konnten das den Computer für uns erledigen lassen“, erklärt er. Jetzt können Bediener einfach auf einem automatisch aktualisierten Dashboard nachsehen, wann die Dampfventile der Produktionslinie geschlossen werden sollten.
„[Dieses Dashboard] bietet eine konsistente Reaktion aller Bediener in allen verschiedenen Schichten und führt zu einer strengeren Kontrolle. Und JMP hat uns dabei nicht nur in dieser einen Einrichtung, sondern auch in anderen geholfen“, sagt Himanga. „Manchmal gibt es verschiedene Szenarien, die Feuchtigkeitsunterschiede verursachen. Aber mit JMP sind wir in der Lage, die Schlüsselfaktoren schnell zu identifizieren, ein Modell zu erstellen und eine Empfehlung zu generieren, die diese Schwankungen mindern kann. Dann stellen wir es online. Es ist eine großartige Möglichkeit, [die Wirkung] um ein Vielfaches zu wiederholen.“
