Ziemlich smarte Team-Intelligenz

Durch die intensive Zusammenarbeit unserer Data Scientists und Prozessexperten im Forschungs- und Produktionsumfeld gelingt es mehr und mehr, die vorhandenen Datenschätze zu heben. So sinkt der Energieverbrauch, schreiten Produktinnovationen schneller voran. Möglich machen das Methoden der Künstlichen Intelligenz im Zusammenspiel mit Datenplattformen wie DIAP sowie visuellen Tools wie Power BI.

Projekt 1: Schnellere Ergebnisse

Für die Data Scientisten geht es um die perfekte Formulierung. Und weil sie keine Dichter sind, bedeutet das für sie: Sie möchten eine Formulierung für ein Produkt finden, das am Ende den Kunden begeistert. Dabei kann der Kunde von MPP, PLA, LAB oder einer anderen BU kommen.„Kolleginnen und Kollegen, die die Eigenschaften eines Produktes verbessern möchten, sind bei uns genau richtig“, sagt Lynn Ferres aus dem Data Science & AI-Team, DSAI, der Group Function IT.

Das DSAI-Team hat einen Ansatz entwickelt, der es ermöglicht, durch Machine-Learning-Unterstützung schneller zu viel versprechenden Vorschlägen für optimierte Produktvarianten zu kommen. Sie haben diesen Ansatz erfolgreich für verschiedene Business Units angewendet. So hatte die BU PLA bereits ein sehr gutes Flammschutzmittel entwickelt. Dieses sollte nun mit unterschiedlichen Zutaten in unterschiedlichen Mengen getestet werden, um eine optimierte Version eines Kunststoffs zu finden. Mit Hilfe eines KI-Modells wurden dabei die komplexen multivariablen Inputs und Outputs analysiert. Dabei lieferte ein kontinuierlicher, iterativer Prozess, das Sequential Learning, verschiedene Formulierungen. „Unsere Flammschutzexperten He Qingliang und Christopher Simpson haben entschieden, welche dieser Vorschläge weiter getestet werden“, erläutert Lynn Ferres. Mit ihrem Know-how konnten sie die KI-Vorschläge gut einschätzen. „Jetzt haben wir zwei Kandidaten, die in allen Zielgrößen sehr gute Eigenschaften aufweisen“, sagt Ferres. Die Auserwählten verlassen nun den Mikrokosmos des Labors und werden im Kilogramm-Maßstab hergestellt. Das Material wird jetzt auf seine Zug- und Biegefestigkeit und auf seine Dehnung getestet ebenso wie auf seine Flammschutzeigenschaften. Doch selbst wenn die Kandidaten in den Tests sehr gut abschneiden, kann es sein, dass der Kunde sie ablehnt.  „Wenn sie zu gut sind, sind sie häufig zu teuer. Hier müssen wir das Produkt mit den Kundenwünschen und -anwendungen abgleichen“, erklärt Ferres nüchtern. Das Unternehmen will mit seinen Innovationen Umsatz generieren – das ist das oberste Ziel.

Hanna Kahlfeld, ebenfalls Data Scientistin im DSAI-Team, hat gerade ein Projekt mit der BU MPP abgeschlossen. „Die Kollegen kommen zu uns, wenn sie im Labor nicht weiterkommen. Die Fälle sind immer knifflig“, sagt sie. Doch mit Hilfe des Sequential-Learning-Ansatzes fanden sie schnell eine Formulierung, die die vorgegebenen Eigenschaften erfüllte. „Das war für uns eine weitere Bestätigung, dass unser Ansatz funktioniert“, sagt sie. Das überzeugte auch andere, und so wurde die KI-gestützte Formulierungsentwicklung in der Innovation Excellence verankert. Denn sie hat gezeigt, dass LANXESS damit schneller zu neuen und verbesserten Produkten kommt. Kahlfeld lädt nun jeden ein, sich mit solchen Fragen an sie und ihr Team zu wenden.

Projekt 2: Dank Ki und Power BI: Norm erfüllt und mehr Wissen über Produktion

Anders, aber ebenfalls mit Hilfe von KI, geht der Data Scientist Marcel Dembek an seine Aufgabe heran. So stand Dembek vor einer neuen Herausforderung, als vor vier Jahren die Anforderungen an die Norm ISO 50001 erhöht wurden. Die Norm schreibt vor, dass Unternehmen eine energetische Bewertung durchführen müssen, die nachweist, dass sich der Energieeinsatz im Vergleich zu einer Ausgangsbasis kontinuierlich verbessert hat. Diese Bewertung muss nachvollziehbar sein und wird von Zertifizierungsgesellschaften überprüft.

Gemeinsam mit Stefan Geißler, Senior Officer Energy Management, GF PTSE, und den Betrieben im Bereich der Energieeffizienzüberwachung entwickelte Dembek dafür Modelle. Der Knackpunkt waren die Ausgangsdaten. „Sie werden von sehr vielen Faktoren beeinflusst“, sagt Dembek. „Mit Hilfe von DIAP, Power BI und dem Einsatz von künstlicher Intelligenz ist es uns dann gelungen, sie zu definieren. Mittlerweile haben wir über 3.000 Ausgangsbasen erstellt“, erzählt er und zeigt auf ein Poster. „Hier sehen wir die modellierte Kurve für den Energieverbrauch einer Anlage, die unsere KI aus der Ausgangsbasis berechnet hat. Und hier sehen wir den tatsächlichen Energieverbrauch der Anlage. Der tatsächliche Energieverbrauch war niedriger als der berechnete.“ Das ist ein Erfolg. Aber ist das ein glaubwürdiger Beweis dafür, dass der Energieverbrauch gesunken ist? „Wenn wir davon ausgehen, dass wir gemeinsam mit den Prozessexperten alle für den Energieverbrauch relevanten Variablen wie Temperatur oder Produktionsmengen identifizieren konnten, dann ja.“ Was aber, wenn das Ausgangsjahr mild und das zu berechnende Jahr extrem kalt war? Sind die Daten dann noch vergleichbar? „Ja“, sagt Dembek. „Unsere Modelle berücksichtigen genau das und passen die Berechnung an die unterschiedlichen Bedingungen an. Das Ergebnis wird ins Verhältnis gesetzt, um verlässliche Vergleiche zu ermöglichen.“ Gerade in der aktuell schwierigen Zeit mit reduzierten Produktionsmengen schafft die KI so eine faire Bewertung der energetischen Performance. Was die Kollegen früher mühsam in Excel-Tabellen zusammensuchen und aufbereiten mussten, läuft heute über DIAP automatisiert in einem Power-BI-Dashboard zusammen. „Mittlerweile haben wir gemeinsam mit den Prozessexperten Modelle für 20 Betriebe erstellt“, sagt Dembek. Die Prozessexperten waren zum Teil erstaunt, wie stark zum Beispiel die Außentemperatur den Energieverbrauch für die Beheizung von Gebäuden und Produktionsprozessen beeinflusst. Dieser Einfluss kann nun genau quantifiziert werden. Das Tool hilft also nicht nur, die ISO-Norm zu erfüllen und deren Audits zu bestehen, es gibt den Experten auch einen tieferen Einblick in die Prozesse. Und genau das ist oft der erste Schritt für weitere Energiesparmaßnahmen ...

Projekt 3: Effiziente Produktausbeute mit KI

Ein weiteres Projekt wird von den Data Scientists Hessam Ramezani und Rasit Faller unter dem Titel „KI-gesteuerte Produktionsoptimierung“ geleitet. Im Rahmen von FORWARD! wurde auch der Produktionsprozess des Rohstoffs NaMBT in Kallo auf den Prüfstand gestellt. Dieser Rohstoff wird für die Herstellung von Intermediates der BU Rhein Chemie benötigt. In einer ersten Analyse stellten die Data Scientists gemeinsam mit den Prozessexperten fest, dass ein erheblicher Teil des teuren Rohstoffs Anilin während der Produktion nicht im Zielprodukt landet. „Es wird in Form von Harzen in einem unerwünschten Nebenprodukt gebunden und schließlich verbrannt“, erklärt Rasit Faller.Angesichts der Tatsache, dass der Rohstoff Anilin die teuerste Komponente im Herstellungsprozess ist, war das nicht akzeptabel. „Mit einem KI-gestützten Modell, das wir auf DIAP aufgesetzt haben, konnten wir den Produktionsprozess nun so optimieren, dass wir ein Drittel weniger Anilin verlieren“, sagt Hessam Ramezani. Doch damit nicht genug: „Wir versuchen nun, mit Hilfe der KI weitere Prozessparameter zu finden, um noch mehr Anilin ins Endprodukt zu überführen“, sagt Ramezani.

Projekt 4: Cockpit ist Zentraler Zugriffspunkt

Ein weiteres Pilotprojekt entstand aus dem Projekt zur Produktionsoptimierung in Kallo. Die Data Scientists Faller und Ramezani entwickelten gemeinsam mit Prozessexperten in Kallo und Kollegen von der GF PTSE ein innovatives Produktions-Dashboard. Sie implementierten das Cockpit in Microsoft Power BI. Es ermöglicht den Anwendern, den Produktionsstatus und den Energieverbrauch der Anlage dynamisch und präzise zu überwachen. „Wir bieten damit einen umfassenden und lückenlosen Überblick über alle wichtigen Produktions- und Energiekennzahlen an einem zentralen Zugriffspunkt“, erklärt Faller.

Das Produktionscockpit wird am Standort Kallo bereits aktiv genutzt und kontinuierlich erweitert, um die Effizienz und Entscheidungsfindung weiter zu verbessern.

Neue Begriffe knapp erklärt

Machine Learning: Ein Modell wird mit bekannten Eingabedaten trainiert, um Vorhersagen für neue, unbekannte Datenpunkte zu generieren. Das Modell lernt, Zusammenhänge und Muster in den Eingabedaten zu erkennen.

Sequential Learning: In einem iterativen (sich wiederholenden) Prozess wird ein Machine-Learning-Modell trainiert und zur Vorhersage für unbekannte Daten verwendet. Die vielversprechendsten Vorhersagen werden getestet. Im nächsten Sequential Learning wird das Modell dann zusätzlich mit den Testergebnissen der vorherigen Iteration trainiert. Dies hilft dem Modell, Zusammenhänge und Muster noch besser zu verstehen, so dass die Vorhersagekraft des Modells mit jeder Iteration verbessert wird.

Data Integration & Analytics Platform (DIAP): Diese vom DSAI-Team entwickelte Plattform ermöglicht es, Daten aus allen LANXESS-Systemen sowie die aus verschiedenen externen Systemen miteinander zu kombinieren, zu analysieren und zu visualisieren. Im Rahmen von Projekten im Produktionsumfeld wird die Plattform eingesetzt, um Prozesse zu verbessern, Engpässe zu identifizieren, Wartungsbedarf vorherzusagen, die Produktionsleistung zu steigern oder die Gesamteffizienz zu verbessern.

Power BI: Der Begriff bezeichnet eine Sammlung von Softwarediensten, Apps und Schnittstellen, die es ermöglichen, Daten aus verschiedenen Quellen zu verknüpfen, zu importieren und zu visualisieren. Mit Hilfe von Power BI können Berichte nicht nur lokal auf dem PC, sondern auch über einen Browser von überall auf der Welt abgerufen werden. Mit den Mobile Power BI Apps können Berichte und Dashboards auch auf dem Smartphone genutzt werden. Dies gilt für Windows-, iOS- und Android-Geräte.