DIESE GESCHICHTE WARTET AUF DIE GENEHMIGUNG DES KUNDEN. BETRACHTEN SIE DAS IT-UNTERNEHMEN VERTRAULICH. NICHT OFFENLEGEN.
Auf dem Weg zu einem besseren Reifen
Bei Michelin sorgen Multi-Faktor-Experimente für entscheidende Effizienzsteigerungen in Forschung und Entwicklung. Diese Innovation könnte die zukünftigen chemischen Prozesse freisetzen, die für einen 100 % nachhaltigen Reifen erforderlich sind
_____________________________________________________________________________________
Herausforderung: Während Michelin bestrebt ist, ehrgeizige ökologische Nachhaltigkeitsziele für sein Reifenportfolio zu erreichen, ist deutlich geworden, dass die klassische Versuchsplanung (DOE) für das zwingend erforderliche Innovationstempo nicht mehr ausreicht. Um die Entwicklung chemischer Prozesse zu beschleunigen und die mit Experimenten verbundenen Kosten zu senken, versuchte das Unternehmen, Ineffizienzen zu überwinden, die durch die Abhängigkeit von einem unzureichenden Toolkit entstanden waren.
Lösung: In Anerkennung der Notwendigkeit, Skaleneffekte zu erzielen, hat die technische Führung von Michelin grünes Licht für einen Vorschlag von Florent Mathieu, Verfahrenstechniker am Standort des Unternehmens in Auvergne-Rhône-Alpes, Frankreich, zur Lizenzierung der Statistik-Erkennungssoftware JMP® gegeben. „Die von JMP bereitgestellten DOE-Fähigkeiten sind viel effizienter als andere Tools“, erklärt er und fügt hinzu, dass die Software es Ingenieuren und Wissenschaftlern nicht nur ermöglicht, Datenverwaltung und -exploration zu rationalisieren, sondern auch eine Vielzahl von experimentellen Variablen mit komplexen Wechselwirkungen optimieren kann.
Ergebnisse: Seit seiner Implementierung hat JMP Entwicklungsteams dabei unterstützt, eine Multi-Objective-Optimierung zu erreichen; zum Beispiel das Erreichen einer möglichst langen Reifenlebensdauer bei gleichzeitiger Maximierung des Grips. Sagt Mathieu: „Seit wir begonnen haben, JMP zu verwenden, hat sich die Anzahl der benötigten Experimente drastisch reduziert, ebenso wie die damit verbundenen Kosten für diese Experimente.“
_____________________________________________________________________________________
Zusätzlich zu ihren ehrgeizigen Zielen zur Reduzierung der Emissionen aus Logistikbetrieb und Fertigung kündigte die Michelin-Gruppe im Jahr 2021 an, die rohstoffbedingten CO2-Emissionen um 70 % zu reduzieren, die Energieeffizienz ihres Produktportfolios zu steigern (10 % bis 2030) und a vollständig nachhaltiger Reifen bis 2050. Solche Ziele sind zwar erreichbar, erfordern jedoch beispiellose Innovationen – eine Realität, vor der das Unternehmen nicht zurückgeschreckt ist.
Da Michelin bestrebt ist, alle fossilen Materialien durch Biomaterial-Ersatzstoffe zu ersetzen, die jetzt über neu entstehende Lieferketten erhältlich sind, hat das Unternehmen auch kreative Lösungen zur Steigerung der Effizienz und Beschleunigung der Entwicklung angenommen. In der Forschung und Entwicklung sehen diejenigen, die mit der Entwicklung der zukünftigen chemischen Prozesse beauftragt sind, die zur Herstellung eines 100 % nachhaltigen Reifens erforderlich sind, das Engagement des Unternehmens für ökologische Nachhaltigkeit als Hand in Hand mit einem grundlegenden Wandel in der Analysekultur.
Innovative chemische Prozesse für einen 100 % nachhaltigen Reifen
Als Florent Mathieu, PhD, 2021 zum ersten Mal zu Michelin kam, verstand er die Aufgabe – chemische Prozesse zur Herstellung von vollständig biologischen Rohstoffen zu etablieren – und die dafür erforderlichen Voraussetzungen sehr gut. Als Experte für den Aufbau von Prozessintensivierungsstrategien auf der Grundlage nichtlinearer experimenteller Designs kam Mathieu aus den Biowissenschaften in die Reifenindustrie, wo er für das Biotechnologie-Startup EryPharm einen Prozess für die Synthese künstlicher roter Blutkörperchen entwickelt hatte.
Mathieu, der zu einem Team für chemische Verfahrenstechnik am Michelin-Standort in Clermont-Ferrand, Auvergne-Rhône-Alpes, Frankreich, gebracht wurde, begann mit einer Bestandsaufnahme bestehender Datenworkflows, um strategische Verbesserungsmöglichkeiten zu identifizieren, die ein neues Maß an Effizienz in die F&E-Organisation einführen könnten . „Statistische Analysen ermöglichen es uns, bei allem, was wir tun, objektiver zu sein“, sagt er.
„Ich bin der festen Überzeugung, dass alle Daten, die wir erfassen – seien es historische Prozessdaten oder andere – sehr wichtig für das Verständnis [der Wissenschaft] und der von uns beobachteten Phänomene sind. Es ist jetzt möglich, auf immer mehr Daten zuzugreifen, daher brauchen wir unbedingt effizientere Tools, um diese Daten zu verwalten – sowie sie zu analysieren, zu erforschen und zu modellieren.“
Ein Change Agent setzt sich für erweiterte Statistikfunktionen ein
Während das Process Engineering-Team von Michelin bereits über eine Reihe von statistischen Best Practices verfügte, sah Mathieu eine Gelegenheit, transformative Effizienzen zu schaffen, indem er vom klassischen Design of Experiments (DOE) zum modernen DOE wechselte und Automatisierung implementierte, um Skaleneffekte zu erzielen. Die Statistikfähigkeit der gesamten Organisation auf den ersten Blick zu steigern, schien ein ehrgeiziges Ziel zu sein, sagt er, aber ein Großteil dieser Herausforderung könnte einfach durch die Einführung eines neuen Tools erreicht werden.
Als er über seinen eigenen ersten Ausflug in eine Industrierolle bei EryPharm nachdenkt, sagt Mathieu, dass sein erster Impuls darin bestand, die Programmiertools zu verwenden, auf die er sich in der Wissenschaft verlassen hatte. Mathieu musste jedoch bald feststellen, dass das in der Industrie erforderliche Entwicklungstempo nicht genügend Zeit zum Programmieren ließ.
„Man muss nicht nur viel schneller sein, sondern auch seine Daten und Tools mit Kollegen teilen“, sagt er. „Ich musste einen anderen Weg finden, um visueller und effizienter zu arbeiten, also suchte ich nach einem Statistik-Tool und stieß auf JMP®.“
Nachdem Mathieu zuvor die Statistik-Erkennungssoftware verwendet hatte, stellte er schnell fest, dass der Schlüsselratenbegrenzer bei Michelin nicht in unzureichendem Wissen, sondern in unzureichenden Werkzeugen bestand. Ohne Zugang zur richtigen Software waren Wissenschaftler und Ingenieure auf viel langsamere Experimentieransätze beschränkt.
„Das klassische Design von Experimenten ist einfach nicht so effizient wie das, was in JMP möglich ist“, erklärt Mathieu. „Eines der ersten Dinge, die ich bei Michelin getan habe, war also, den Kauf von JMP vorzuschlagen.“ Als die technische Führung des Unternehmens sah, was das Tool leisten konnte, sagte er, „war es nicht sehr schwierig, ihnen zu beweisen, dass JMP wirklich leistungsfähig und effizient ist.“ Diese Leistung führte bald zu weniger Experimenten, niedrigeren Experimentierkosten und kürzeren Entwicklungszyklen.
„Bei Michelin sind Experimente sehr teuer. Wenn Sie also die Anzahl der Experimente reduzieren können, die Sie benötigen, um zu einer Antwort zu gelangen, können Sie viel Geld und Zeit sparen“, sagt er. „Seit wir JMP verwenden, hat sich die Anzahl der benötigten Experimente drastisch reduziert … Tatsächlich habe ich geschätzt, wie viele Experimente wir einsparen können – und die damit verbundenen Kosten – und festgestellt, dass wir dank JMP in weniger als einem Monat mit der Einsparung von Experimenten nicht zu tun hatten, die Einsparungen mehr als nur für eine Lizenz bezahlt.“
Das kundenspezifische Design von Experimenten bietet ein umfassenderes Prozessverständnis
Trotz seiner Allgegenwart im Alltag ist der Reifen eigentlich ein sehr hochtechnologisches Objekt. Der durchschnittliche Reifen ist das Produkt komplexer chemischer Formulierungen und besteht aus mehr als 200 einzigartigen Rohstoffen, darunter natürliche und synthetische Kautschuke, Ruß und Silica, Harze, Öle, Schwefel, Kabel, Wulstdraht und Textilverstärkungen wie Rayon und Polyester.
Einer der wichtigsten Bestandteile jeder Reifenformulierung ist Elastomer, ein Polymer, das sich durch Viskosität und Elastizität auszeichnet. Die Eigenschaften eines konstituierenden Elastomers diktieren häufig die Zusammensetzung der Formulierungsausgaben, und Elastomere selbst variieren in einem großen Ausmaß. Mit anderen Worten, erklärt Mathieu, wirkt sich die Manipulation von Elastomeren innerhalb einer Formulierung – von kleinen Optimierungen bis hin zu großen Änderungen wie dem Ersatz nicht erneuerbarer Materialien durch Komponenten aus biologischem Anbau – über komplexe Wechselwirkungen auf die anderen Faktoren aus.
„Deshalb ist es so wichtig, den gesamten Designbereich zu untersuchen“, erklärt Mathieu und fügt hinzu, dass DOE bei der Anwendung auf chemische Reaktionen Einblicke in Variablen wie Temperatur, Druck, Reaktivität und das Verhältnis von Katalysator zu Rohmaterial bietet. Bei mehr als 200 Komponenten in jeder Formulierung müssen die Bedingungen entweder durch Experimente mit jeweils einem Faktor oder durch DOE überprüft werden.
„Es gibt viele Menschen, die glauben, dass sie, um etwas zu verstehen, einen Ansatz nach dem anderen verfolgen müssen“, erklärt Mathieu. „Wir denken linear und vergessen oft, dass wir Interaktionen nicht intuitiv verstehen. Deshalb müssen wir Experimente entwerfen, um mehr Informationen zu erhalten.“
Mit JMP haben die Ingenieure und Wissenschaftler von Michelin jetzt Zugriff auf eine Reihe von Tools für endgültige Screening-Designs und kundenspezifische DOE, die in fast jeder experimentellen Situation verwendet werden können, um hochgradig kundenspezifische Lösungen bereitzustellen. Ganze Designs können innerhalb von Ressourcenbeschränkungen ausgeführt werden. Haben Sie nur die Ressourcen, um 12 Experimente durchzuführen? Kein Problem. Sie haben einen unvollständigen Datensatz und möchten nicht von vorne anfangen? Es ist einfach, neue Experimente mit bereits gesammelten Daten zu erweitern. „Das bedeutet, dass Sie nicht noch einmal ein Experiment durchführen“, sagt Mathieu. „Die Nutzung bereits gesammelter Daten ist eine sehr wichtige Effizienz.“
Neben der Kosten- und Zeiteffizienz, sagt er, ist eine der stärksten Fähigkeiten von JMP die Fähigkeit, den optimalen Kompromiss zwischen widersprüchlichen Zielen zu finden. Ein Reifen, der für eine lange Lebensdauer ausgelegt ist, muss beispielsweise sehr hart sein, während ein Reifen, der für viel Grip ausgelegt ist, sehr weich sein muss. Das richtige Gleichgewicht zwischen beidem zu erreichen, ist für die Herstellung eines qualitativ hochwertigen Produkts von entscheidender Bedeutung, und, so sagt er, glänzt JMP bei der Multi-Objective-Optimierung wirklich.
„Der beste Weg, [Skeptikern] zu beweisen, dass DOE wichtig ist, besteht darin, es ihnen mit ihren eigenen Daten zu zeigen“, erklärt Mathieu. „Wenn ich ihnen eine Karte mit allen gesammelten Daten und allen Experimenten zeige, die sie durchgeführt haben, verstehen sie, dass sie [ohne DOE] nicht den gesamten Designraum erforscht haben.“
Von der einfachen Datenvisualisierung bis hin zum erweiterten DOE und Funktionsdaten-Explorer, alles in einem Tool
Da seine Kollegen jetzt die erhöhte Kapazität für hochmoderne DOE voll ausschöpfen, hat Mathieu die Möglichkeit, andere Möglichkeiten zur Nutzung von Statistiken zu untersuchen, um Effizienzen in das Prozessdesign einzuführen. Als Benutzer von JMP Pro hat er Möglichkeiten untersucht, die Functional Data Explorer (FDE)-Plattform des Tools zu verwenden, um bestimmte Eigenschaften von Elastomeren anhand von Daten aus der Massenspektroskopie vorherzusagen. Durch die Messung von Schlüsselparametern wie Druck, Temperatur und Umsatz mit Chargenreaktionen kann Mathieu verstehen, wie ein Chargenprofil die Eigenschaften eines Produkts beeinflusst – und Parameter im Laufe der Zeit anpassen, um die gewünschten Eigenschaften zu optimieren.
„Die Idee von FDE ist es, funktionale Daten in einen Vektor umzuwandeln, ein Modell zu erstellen und diesen Vektor statistisch zu analysieren“, erklärt er. „Es ist so leistungsfähig, weil man mit einem Spektrum einige sehr wichtige Eigenschaften eines Elastomers vorhersagen und sich vorstellen kann, wie man die Reaktion und die chemischen Komponenten am besten modifiziert. Es ist ein sehr prädiktives Tool.“
Auch wenn nicht jeder in der Organisation funktionale Daten sehen muss, ist die Tatsache, dass Benutzer aller Qualifikationsstufen mit demselben Tool arbeiten können, ein großer Vorteil. JMP, sagt Mathieu, hat Effizienzsteigerungen bei der Datenverwaltung und beim Datenzugriff sowie bei der Datenvisualisierung und -exploration eingeführt – Funktionen, die alle betreffen. Visualisierung ist das, was er als eines der Hauptmerkmale des Tools ansieht, und ermutigt alle Benutzer, ihre Daten zunächst als obligatorischen Schritt in jedem statistischen Arbeitsablauf zu visualisieren. Darüber hinaus können mit JMP all diese Schritte um einen einzigen Satz von Best Practices herum standardisiert, automatisiert und im gesamten Unternehmen eingeführt werden.
„Das Management hat sehr schnell die Vorteile eines solchen Tools erkannt, weil es hilft, das Problem klar zu formulieren, Ziele zu identifizieren und eine gute Methodik zu haben“, sagt er. „Die Community [der Benutzer bei Michelin] wächst jeden Tag mehr und mehr. Und wenn wir die Gründe vorstellen, warum wir JMP verwenden, werden alle interessiert und neugierig, mehr zu erfahren und die Software zu erwerben.“
