EEN TEAM OM TROTS  OP TE ZIJN

 

Dankzij de nauwe samenwerking tussen onze datascientists en procesexperts in onderzoek en productie, weten we steeds beter de verborgen waarde van onze data te benutten. Het leidt tot lagere energiekosten en snellere productinnovaties. Dit alles is mogelijk dankzij geavanceerde AI-methoden, gecombineerd met dataplatformen zoals DIAP en visuele tools als Power BI.

 

PROJECT 1: SNELLERE RESULTATEN

 

Voor onze datascientists draait alles om de perfecte formulering. Niet in de dichterlijke zin van het woord, maar in de zin van een productformulering die de klant enthousiast maakt. Of die klant nu van MPP, PLA, LAB of een andere BU komt. “Collega's die de eigenschappen van een product willen verbeteren, zijn bij ons aan het juiste adres”, zegt Lynn Ferres uit het Data Science & AI Team (DSAI-team) van de Group Function IT.

Het DSAI-team heeft een methode ontwikkeld die, met ondersteuning van machine learning, snel veelbelovende suggesties voor geoptimaliseerde productvarianten oplevert. Deze methode is succesvol toegepast in verschillende BU’s. Zo had de BU PLA al een zeer goede vlamvertrager ontwikkeld, maar er moest getest worden met verschillende ingrediënten en hoeveelheden om een geoptimaliseerde versie van een kunststof te vinden. Met behulp van een AI-model werden de complexe multivariabele inputs en outputs geanalyseerd. Een continu, iteratief proces genaamd sequential learning leverde verschillende formuleringen op. “Onze vlamvertragingsdeskundigen He Qingliang en Christopher Simpson besloten welke van deze voorstellen verder getest zouden worden”, legt Lynn Ferres uit. Dankzij hun expertise konden ze de AI-voorstellen goed beoordelen. “We hebben twee kandidaten die op alle domeinen uitstekende eigenschappen vertonen”, zegt Ferres. Deze uitverkorenen verlaten nu het lab en worden op kilogramschaal geproduceerd. Het materiaal wordt getest op trek- en buigsterkte, rek en vlamvertragende eigenschappen. Maar zelfs als de kandidaten de tests goed doorstaan, kan het zijn dat de klant ze afwijst.  “Als ze te goed zijn, zijn ze vaak te duur. Het komt er dus echt op aan het product af te stemmen op de wensen en toepassingen van de klant”, zegt Ferres nuchter. Het bedrijf wil met zijn innovaties omzet genereren – dat is het hoogste doel.

Hanna Kahlfeld, eveneens datascientist in het DSAI-team, heeft net een project met de BU MPP afgerond. “Collega's komen naar ons toe als ze vastzitten in het lab. Het zijn dus altijd pittige vraagstukken”, zegt ze. Maar met behulp van sequential learning vonden ze snel een formulering die aan de vereiste eigenschappen voldeed. “Dat was voor ons opnieuw een bevestiging dat onze aanpak werkt”, zegt ze. Dit overtuigde ook anderen, en zo werd de AI-gestuurde formulering verankerd in de Innovation Excellence. Want het heeft bewezen dat LANXESS daarmee sneller tot nieuwe en verbeterde producten komt. Kahlfeld nodigt iedereen van harte uit om met soortgelijke vragen bij haar en haar team aan te kloppen.


PROJECT 2: AI EN POWER BI NORMEN GEHAALD EN MEER INZICHT IN PRODUCTIE

 

Marcel Dembek maakt ook gebruik van AI, maar hij pakt het net even anders aan. Vier jaar geleden werden de eisen van de ISO 50001-norm aangescherpt, wat een nieuwe uitdaging met zich meebracht. De norm vereist dat bedrijven een energetische beoordeling uitvoeren die aantoont dat het energieverbruik continu verbetert ten opzichte van een basisjaar. Deze beoordeling moet transparant zijn en wordt door certificeringsinstanties gecontroleerd.

Samen met Stefan Geißler, Senior Officer Energy Management bij GF PTSE, en de afdelingen voor energie-efficiëntie ontwikkelde Dembek modellen om deze uitdaging aan te gaan. De grootste moeilijkheid stelden de uitgangsdata. “Die worden door heel veel factoren beïnvloed”, zegt Dembek.  “Met behulp van DIAP, Power BI en artificiële intelligentie is het ons gelukt om deze data te definiëren. Inmiddels hebben we meer dan 3.000 uitgangsbasissen gecreëerd”, vertelt hij trots terwijl hij naar een poster wijst. “Hier zie je de gemodelleerde curve voor het energieverbruik van een installatie, berekend door onze AI, en hier het werkelijke energieverbruik. Het werkelijke verbruik was lager dan het berekende.” Dat is een succes. Maar is dat overtuigend bewijs dat het energieverbruik echt is gedaald? “Als we ervan uitgaan dat we samen met de procesexperts alle relevante variabelen voor het energieverbruik, zoals temperatuur of productieniveaus, hebben geïdentificeerd, dan wel”, legt Dembek uit. “Onze modellen houden rekening met variaties zoals een mild basisjaar versus een extreem koud jaar en passen de berekening daarop aan. Zo krijgen we betrouwbare vergelijkingen.” Vooral in deze uitdagende tijden met verminderde productievolumes zorgt de AI voor een eerlijke beoordeling van de energieprestaties. Wat collega’s vroeger moeizaam in Excel-tabellen moesten bijhouden en verwerken, gebeurt nu automatisch via DIAP in een Power BI-dashboard. “We hebben inmiddels samen met de procesexperts modellen voor 20 afdelingen gemaakt”, zegt Dembek. De procesexperts waren soms verbaasd over hoe sterk factoren zoals de buitentemperatuur het energieverbruik voor de verwarming van gebouwen en productieprocessen beïnvloeden. Deze invloed kan nu precies worden gekwantificeerd. De tool helpt dus niet alleen om aan de ISO-norm te voldoen en audits te doorstaan, maar biedt de experts ook diepere inzichten in de processen. En precies dat is vaak de eerste stap naar verdere energiebesparende maatregelen.

PROJECT 3: EFFICIËNTE PRODUCTIE MET AI

 

Een ander boeiend project wordt geleid door de datascientists Hessam Ramezani en Rasit Faller onder de vlag van ‘AI-gestuurde productieoptimalisatie’. Binnen het FORWARD!-programma werd ook het productieproces van de grondstof NaMBT in Kallo onder de loep genomen. Deze grondstof is essentieel voor de productie van tussenproducten bij de BU Rhein Chemie. In hun eerste analyse ontdekten de datascientists, samen met de procesexperts, dat een aanzienlijk deel van de kostbare grondstof aniline niet in het eindproduct belandde. “Het wordt in de vorm van hars gebonden in ongewenste bijproducten en uiteindelijk verbrand”, legt Rasit Faller uit. Aangezien aniline de duurste component is in het productieproces, was dit simpelweg onacceptabel. Met een AI-gestuurd model, opgezet in DIAP, konden ze de productie optimaliseren, waardoor nu een derde minder aniline verloren gaat. “Dit was een enorme doorbraak”, zegt Hessam Ramezani trots. Maar daar stopt het niet. “We proberen nu met behulp van AI verdere procesparameters te vinden om nog meer aniline in het eindproduct te krijgen”, voegt Ramezani toe.

PROJECT 4: COCKPIT ALS CENTRAAL TOEGANGSPUNT

 

Een ander baanbrekend pilotproject dat voortkwam uit de productieoptimalisatie in Kallo, heeft geleid tot de ontwikkeling van een innovatief productiedashboard. Dit werd gerealiseerd door datascientists Rasit Faller en Hessam Ramezani, samen met procesexperts in Kallo en collega's van de GF PTSE. Het resultaat is een geavanceerde cockpit, geïntegreerd in Microsoft Power BI, waarmee gebruikers de productiestatus en het energieverbruik van de installatie dynamisch en nauwkeurig kunnen monitoren. “Met deze cockpit bieden we een uitgebreid en volledig overzicht van alle belangrijke productie- en energie-KPI’s via één centraal toegangspunt”, legt Faller uit.

De productiecockpit wordt al actief gebruikt op de locatie Kallo en wordt continu uitgebreid om de efficiëntie en besluitvorming verder te verbeteren.


WEGWIJS IN DE WERELD VAN AI

Machine learning: Bij machine learning wordt een model getraind met bekende invoergegevens om voorspellingen te doen voor nieuwe, onbekende datapunten. Het model leert verbanden en patronen te herkennen in de gegevens, waardoor het steeds beter wordt in het maken van nauwkeurige voorspellingen.

Sequential learning: Sequential learning is een iteratief proces waarin een machine learning-model continu wordt getraind en gebruikt om voorspellingen te doen voor onbekende gegevens. De meest veelbelovende voorspellingen worden getest en de resultaten worden gebruikt om het model opnieuw te trainen. Dit cyclische proces helpt het model om steeds beter verbanden en patronen te begrijpen, waardoor de voorspellingskracht met elke iteratie verbetert.

Data Integration & Analytics Platform (DIAP): Dit platform, ontwikkeld door het DSAI-team, maakt het mogelijk om gegevens uit alle LANXESS-systemen en verschillende externe systemen te combineren, te analyseren en te visualiseren. In productieomgevingsprojecten wordt het platform gebruikt om processen te verbeteren, knelpunten te identificeren, onderhoudsbehoeften te voorspellen, de productieprestaties te verhogen of de algehele efficiëntie te verbeteren.

Power BI: Power BI is een krachtige verzameling van softwarediensten, apps en interfaces die het mogelijk maken om gegevens uit verschillende bronnen te koppelen, importeren en visualiseren. Met Power BI kunnen rapporten niet alleen lokaal op de pc worden geraadpleegd, maar ook wereldwijd via een browser. Daarnaast bieden de mobiele Power BI-apps de mogelijkheid om rapporten en dashboards op smartphones te gebruiken, voor zowel Windows-, iOS- als Android-apparaten.