Przyspieszenie cyfryzacji i dekarbonizacji energochłonnych gałęzi przemysłu
Cyfryzacja i ulepszone sterowanie procesami mogą mieć znaczny wpływ na ślad środowiskowy procesów przemysłowych, ale jeśli chodzi o transformację cyfrową, branże przetwórcze pozostają w tyle. Finansowany ze środków UE projekt COGNIPLANT umożliwił energochłonnym gałęziom przemysłu (EII) wykorzystanie dużych zbiorów danych dzięki elastycznej architekturze chmury, zaawansowanej analizie danych i uczeniu maszynowemu. Modele predykcyjne i cyfrowe bliźniaki zwiększyły zrównoważony charakter czterech przypadków użycia: chemikalia, beton, aluminium i metale.
Manipulacja dużymi zbiorami danych, modele uczenia maszynowego i cyfrowe bliźniaki
Wspólna infrastruktura chmurowa projektu COGNIPLANT może w sposób elastyczny gromadzić, przechowywać, przetwarzać i wyświetlać dane i analizy z dowolnych przepływów pracy w EII. W ramach tej samej infrastruktury wdrożono system modelowania predykcyjnego, który wykorzystuje eksplorację danych i uczenie maszynowe. Integracja modelowania predykcyjnego w architekturze chmurowej umożliwiła efektywne zarządzanie szkoleniem modeli przy użyciu dużych zbiorów danych, a także wdrażanie, wykonywanie i konserwację modeli. Jak mówi koordynator projektu Pedro Marii De la Peña Tejada z www.ibermatica.com (Ibermática) (obecnie firmy Ayesa): „Wiele modeli uczenia maszynowego symuluje różne aspekty procesów przemysłowych. Mogą na przykład przewidywać ilość energii wymaganej do osiągnięcia określonej temperatury w odlewie stali lub ilość pary wymaganej w procesie Bayera do produkcji aluminium”. Opracowano również dwa rodzaje cyfrowych bliźniaków. Pierwszy z nich koncentrował się na dostarczaniu operatorowi informacji zwrotnych dotyczących optymalnych parametrów procesu wymaganych do osiągnięcia zmiennej docelowej, a drugi został zaprojektowany do dynamicznego dostosowywania parametrów procesu produkcyjnego w czasie rzeczywistym.
Przyspieszenie cyfryzacji — i dekarbonizacji — przemysłu przetwórczego
„Wiele z tych rozwiązań było pierwszym krokiem w kierunku cyfryzacji i wykorzystania danych do sterowania procesami w objętych projektem branżach. To sprawiło, że początkowa faza projektu była skomplikowana pod względem używania wspólnego języka i ujednoliconych oczekiwań— — zauważa De la Peña. Po przezwyciężeniu tego problemu postępy szybko przyspieszyły. Dla każdego przypadku użycia zorganizowano sesję szkoleniową na miejscu dla pracowników każdej z instalacji pilotażowych. Materiały szkoleniowe dla każdego z przypadków użycia są dostępne na stronie internetowej projektu, dzięki czemu mogą inspirować i wspierać innych w ograniczaniu nieefektywności zasobów i energii oraz wpływu przemysłu przetwórczego na środowisko. Monitorowanie hierarchiczne i kontrola nadzorcza dostarczają użytkownikom informacji na temat wydajności, zużycia energii i wykorzystania zasobów, co umożliwia pilotom przemysłu przetwórczego znaczne zmniejszenie ich wpływu na środowisko. Zużycie energii w niektórych procesach zostało zmniejszone o około 10%. Jeden z partnerów zmniejszył emisję CO2 aż o 8100 ton, podczas gdy inni zmniejszyli emisję CO2 o 19–30%. Niektórzy partnerzy zmniejszyli również ilość wytwarzanego złomu nawet o 15%. „Zmniejszenie zużycia surowców i energii oraz emisji CO2 osiągnięte dzięki projektowi COGNIPLANT nauczyło nas, że zwiększona cyfryzacja procesów produkcyjnych i podejścia oparte na danych mogą mieć znaczny wpływ na ślad środowiskowy EII” — podsumowuje De la Peña. Te gałęzie przemysłu przetwórczego, niegdyś opóźnione w cyfryzacji, mają teraz ogromną szansę na stopniową zmianę sposobu prowadzenia działalności, a to może przynieść ogromne korzyści dla tych branż i całej planety.
Słowa kluczowe
COGNIPLANT, energia, cyfryzacja, przemysł przetwórczy, sektory energochłonne, emisje CO2, uczenie maszynowe, duże zbiory danych, modelowanie predykcyjne, kontrola procesów, cyfrowe bliźniaki