Suiker Unie verbetert snijproces bieten met machine learning

03/11/2017

Door Liam van Koert

Suiker Unie heeft zich voorgenomen om in 2025 niet alleen de leukste, maar ook de slimste suikerfabriek van Europa te zijn. Dat je dat niet vanzelf wordt is evident. Er wordt daarom hard gewerkt om de data uit hun productie zo goed mogelijk te ontsluiten en om te zetten in waardevolle informatie. Hiervoor gebruiken ze de machine learning-functionaliteit van Wonderware Intelligence.


     

Suikerunie – onderdeel van Royal Cosun – maakt verschillende suikerproducten. Natuurlijk het bekende Van Gilse kristalsuiker. Maar ook melasse (een soort stroop), diksap én groen gas. Dat doen ze met zo’n 750 medewerkers in Nederland en Duitsland, die met hun suikerproducten samen een jaarlijkse omzet van bijna 1 miljard euro realiseren.

 

Bietencampagne

De basis voor al die suikerproducten is de suikerbiet, een natuurproduct dat op bijna 100.000 hectare eigen grond wordt geplant (maart/april) en gerooid. Dit laatste vindt plaats van half september tot en met eind januari. Deze periode noemt men de bietencampagne. Het hele productieproces - van biet tot kristal -  vindt in dit tijdbestek plaats. Daarna is het tijd voor schoonmaken en onderhoud. Zo’n 5 miljoen ton suikerbieten wordt er van het land gehaald, wat neer komt op een dagelijkse verwerking van 40.000 ton; goed voor 7000 ton witsuiker.  

 

Tijdelijk continu proces

Tijdens de bietencampagne moet het geld verdiend worden. De drie suikerfabrieken van Suiker Unie (Dinteloord, Vierverlaten en Anklam) draaien in die periode dan op volle toeren. Eerst worden de binnenkomende bieten gewogen en het suikergehalte bepaald. Dan worden ze gewassen, waarbij van bietenpuntjes biogas wordt gemaakt en de aarde voor ophoging van dijken wordt gebruikt. Vervolgens worden de bieten in reepjes gesneden, wordt het sap eruit geperst (het pulp wordt veevoer), gezuiverd, verdampt tot diksap, gekookt, gecentrifugeerd, gedroogd, gekoeld en uiteindelijk in silo’s opgeslagen. Heel wat processtappen dus waarbij elke stap zijn invloed heeft op het totaal. Maar wat die invloed precies is en hoe alle stappen tot een synergetisch geheel te smeden zijn? Daar gaat Suikerunie de komende jaren nog flinke stappen in zetten.

 

Intelligente infrastructuur

Natuurlijk heeft Suiker Unie al aardig wat systemen draaien om de processen in de gaten te houden en aan te sturen. Zo zijn de verschillende procesinstallaties zijn uitgerust met slimme instrumentatie en gekoppeld aan een Foxboro DCS systeem (EVO) en een Asset Management systeem van Emerson. Ook is er middels een securitylaag (met DMZ en Historian) een gescheiden automatiseringslaag waar diverse tools voor analyse en visualisatie draaien. Smartglace en Wonderware Insight bijvoorbeeld. En voor de analyse health monitoring, device management, een alarm adviser en Wonderware Intelligence. Maar alleen met een slimme infrastructuur ben je er natuurlijk niet. Hem gebruiken om van data informatie te maken vergt kennis. En daar heb je mensen voor nodig. 



Snijdselkwaliteit

Een van die mensen is Peter van Dam. Hij is Manager Technische Dienst bij de fabriek in Vierlaten (Groningen). Hij doet tijdens een bijeenkomst over de mogelijkheden van Wonderware uit de doeken hoe hij samen met Axians als eerste verbeterproject zijn snijmolens bij de kladden pakte. “We hebben eerst gekeken naar het laaghangend fruit en dachten met de snijmolens een goede kandidaat te hebben. De snijmolens bevinden zich aan het begin van de keten en beter snijden reduceert verliezen en verhoogt de output, ook verderop in het proces. Verder leidt beter snijden tot lagere energiekosten, lagere materiaalkosten, minder slijtage en minder arbeid. Nu is beter snijden een mooie doelstelling, maar waar begin je? Hiervoor hebben we een team samengesteld en workshops georganiseerd om te brainstormen. Er kwam naar boven dat er tal van factoren zijn die de snijdselkwaliteit beïnvloeden. Op de eerste plaats de bieten zelf. Wel ras is het? Zijn het gras- of vriesbieten? Hoe zijn ze opgeslagen geweest? Wat was de grondsoort en het teelklimaat? Ook realiseerden we ons al snel dat we helemaal geen directe kwaliteitsparameters voor bieten én snijdsel hebben die we als procesparameter kunnen invoeren.  Genoeg werk aan de winkel dus.”

 

Meten en leren

Besloten werd om in eerste instantie een viertal aspecten van de snijmolens continue in de gaten te houden: het toerental van de messen, het bijbehorende koppel, de verbruikte stroom en de handelingen van de operator. Deze werden vervolgens gecorreleerd aan allerlei andere snijmolen gegevens. Wat was bijvoorbeeld de afstand tussen de messen en wanneer waren er noodstops omdat het stenenluik geopend werd?Al deze gegevens samen resulteerden in een dashboard waarin een voorspelling werd gedaan wanneer de messen van een bepaalde snijmolen moesten worden vervangen. Enorm belangrijk hierbij was de input van de operator. Hij moest om de zelflerende feedbackloop te sluiten aangeven of hij het eens was met de berekening, de resterende levensduur van de messen langer of juist korter inschatte. Ook kon hij precies in de beslissingsboom nagaan hoe Wonderware Intelligence tot zijn bevindingen kwam en hier feedback op geven.

 

Verrassende inzichten

Wat Peter van Dam betreft was het ‘Proof of Concept’ project een groot succes. Het leidde immers tot enkele belangrijke nieuwe inzichten. “Natuurlijk zit er al heel veel kennis bij onze mensen en hadden we op bepaalde punten wel vermoedens. Maar er waren ook verassingen. Zo bleek de impact van stenen op de slijtage van de messen veel kleiner dan gedacht, maar was de bietkwaliteit van veel grotere invloed. Ook blijkt een grotere snijdseldikte beter omdat dit minder variaties in het koppel en daarmee een consistenter eindproduct oplevert. Hetzelfde geldt voor de samenhang van de snijmolens – 5 molens voeden één broeitrog - en de invloed van de operator.” Zijn algehele conclusie? “Een goede data-infrastuctuur is voor een slimme fabriek onontbeerlijk. Multivendor heeft hierbij de toekomst.  En als je al deze elementen en de juiste mensen vervolgens in een Proof of Concept samenbrengt, dan valt er zonder al te veel risico’s zowel voor mens als machine nog heel wat te leren.”