EFFIZIENTERE ENERGIENUTZUNG BEI ABITIBIBOWATER KÉNOGAMI DURCH DATA MINING. Gérald St-Pierre 1, Martin Fairbank 2, Sébastien Lafourcade 3.

Transkript

1 EFFIZIENTERE ENERGIENUTZUNG BEI ABITIBIBOWATER KÉNOGAMI DURCH DATA MINING Gérald St-Pierre 1, Martin Fairbank 2, Sébastien Lafourcade AbitibiBowater, Kénogami, Qc 2. AbitibiBowater, Montréal, Qc 3. Pepite Technologies, Montréal, Qc EINLEITUNG Industrielle Herausforderungen Auch die Zellstoff- und Papierindustrie hat sich in zunehmendem Masse einem globalisierten Markt zu stellen. In dieser kapitalintensiven, überwiegend Gebrauchsgüter herstellenden Branche müssen Unternehmen kostengünstig produzieren um wettbewerbsfähig zu bleiben. Dazu bedarf es einer ständigen Steigerung der Produktionsmenge, kontinuierlichen Senkung der Produktionskosten und deutlichen Verringerung des Ausschusses. Energie stellt einen wesentlichen Kostenblock bei der Papierherstellung dar, der allerdings durch Reduzierung des Verbrauchs beeinflusst werden kann. Effizienter Energieeinsatz steht daher seit Jahren im Vordergrund: Modernisierung von Anlagen und Mess- und Steuerungssystemen Installation von Wärmerückgewinnungsanlagen Einführung von Best Practices, Reduzierung des Wasserverbrauchs, usw. Allerdings erfordern die steigenden Brennstoffkosten neue Anstrengungen der Werke im Hinblick auf die Wirtschaftlichkeit. und Möglichkeiten. Gleichzeitig verfügen die Papierhersteller heute über modernste IT-Systeme, die täglich Millionen von Messwerten erfassen und speichern. In dieser Flut von Informationen lassen sich wichtige Zusammenhänge nur schwer erkennen und zu einer Verbesserung der Prozesse nutzen. Die Methoden des Data Minings verwandeln diese überbordende Menge ungenutzter Daten in Erkenntnisse für die Prozess-Optimierung und Entscheidungsfindung. Diese systematische und intelligente Art der Datenauswertung zielt auf die Gewinnung von bislang unbekanntem Wissen aus sehr großen Datenbeständen, das gleichermassen zuverlässig, verständlich und nützlich ist. Somit bieten sich Data Mining Lösungen für eine Steigerung der Wirtschaftlichkeit durch rasche Verbesserung der Betriebsweise sowie durch die Unterstützung von Entscheidungsprozessen an. Das Data Mining umfasst ein weites Spektrum von Werkzeugen, Visualisierung, Statistik, multivariate lineare und nicht- lineare Analyse- Verfahren und Künstliche Intelligenz (KI). ÜBERBLICK Das Werk Kénogami der AbitibiBowater liegt im nördlichen Teil Quebecs (Kanada) und produziert im Jahr Tonnen unbeschichtetes holzhaltiges und satiniertes Papier. Es umfasst zwei moderne TMP (Thermo Mechnical Pulp) Linien und zwei Papiermaschinen. Das Werk hat in den vergangenen Jahren umfangreiche Anstren-gungen unternommen seine Messsysteme zu modernisieren und energiesparende Betriebs-weisen einzuführen. Der Energieeinsatz wird anhand von Key Performance Indicators (KPI) wie z.b. Gesamtenergieverbrauch (in Giga-Joule GJ) pro Tag, Wärmerückgewinnung, Druckluft- und Frischwasserverbrauch überwacht. Zur weiteren Verbesserung der Energienutzung beauftragte das Unternehmen Technologies Inc. [3] mit der Entwicklung einer Infrastruktur zur Überwachung und Fehlersuche der Energieströme. Unterschiedliche Data Mining Werkzeuge wurden zu diesem Zwecke mit existierendem Verfahrens-KnowHow und Beobachtungspraktiken kombiniert mit dem Ziel modell-basierte KPIs für ein besseres Monitoring des Energieverbrauchs zu beschreiben, Betriebsbedingungen mit höchster Wärmerückgewinnung zu identifizieren und Intelligente Warn- und Hinweismeldungen (Alarme) zu erzeugen um eine gleichbleibend hohe Leistung zu erzielen. Seite 1 von 7

2 PROJEKT-PHASEN Das Projekt unterteilte sich in vier Phasen: 1. Aufsetzen der Monitoring-Werkzeuge 2. Durchführung eines Energiedaten-Audits 3. Datenauswertung 4. Integration und Implementierung Das Überwachungssystem besteht aus 3 Ebenen (Levels), für die jeweils ein oder mehrere spezifische KPIs definiert wurden (Tabelle 1). Level 1 betrachtet den Gesamt-Energiebedarf, einschließlich der in den Dampferzeugern und in den Wärmetauschern produzierten Energie. Level 2 untersucht die Energie aus der Wärmerückgewinnung und die Frischdampfmenge als Anteil am Gesamtdampfverbrauch. Mit diesen Informationen werden die Bediener auf anlagenspezifischen KPIs im Level 3 hingewiesen. Sobald eine Abweichung der KPIs im Level 1 oder 2 entdeckt wird können sie umgehend die erforderlichen Maßnahmen einleiten. KPI: Gesamt-Energiebedarf Level 1 (pro Tag und Tonne Papier) KPI: Wärme-Rückgewinnung / Level 2 Energie Dampferzeuger Prozess- und anlagen-spezifische KPIs: Nutzbare Dampfmenge pro MW Level 3 Energiebedarf Refiner Wirkungsgrad Verdampfer Dampf-Verbrauch Papiermaschine Tabelle 1: Ebenen der Energie-Überwachung. Zwei Gesichtspunkte waren zu berücksichtigen, als die Liste der KPIs mit den Verantwortlichen auf Seiten des Werks festgelegt wurde. Erstens: bereits genutzte Indikatoren (Kennwerte) sollten möglichst beibehalten werden. Zweitens: diese Kennwerte sollten in ihrer Darstellung auf die Bedürfnisse der Benutzer hin angepasst werden. Unter einem Energiedaten-Audit versteht man eine Untersuchung der Daten hinsichtlich ihrer Qualität und Verfügbarkeit. Es beinhaltet auch eine Energie-Performance-Diagnose: die Entwicklung der energie-relevanten KPIs im zurückliegenden Zeitraum und ein Vergleich (Benchmarking) mit den besten und durchschnittlichen Werten in der Branche. Während der Auswertung historischer Daten kamen unterschiedliche Data Mining-Techniken zur Modellierung und Optimierung der individuellen KPIs für jedes Level zum Einsatz. Die Datenanalyse bestand aus drei Stufen. Zunächst wurden die wichtigsten Variablen mittels eines qualitativen Ansatzes (Interviews, Fehlerbaumanalyse) und Beschreibung des Produktionsprozesses identifiziert. Dies führt in der Regel zu 100 bis 120 Variablen. Eine erste Datenanalyse erkennt und bewertet die 5 bis 10 Schlüsselvariablen, die für die grössten Abweichungen der KPIs verantwortlich zeichnen. Mit diesen Variablen wird dann die Beobachtungs- und Überwachungsstruktur für die KPIs angelegt. Als dieses sogenannte Monitoring-Werkzeug bezeichnet man ein Modell und eine Anzahl von Optimierungsregeln, die aus den ermittelten Schlüsselvariablen abgeleitet wurden. Die Monitoring-Werkzeuge aller Ebenen wurden dann zu einer einheitlichen, zusammenhängenden Struktur zusammengeführt. Zur abschliessenden Inbetriebnahme gehörten dann der Offline-Test, Programmierung der Modelle in PI, Online-Test, Erstellung der Benutzerschnittstelle, Unterweisung der Bediener und Wartung des Systems. MONITORING WERKZEUGE 1 Gesamt-Energiebedarf (Level 1) KPI Der gewählte Level 1 KPI ist der tägliche Gesamt-Energiebedarf (in GigaJoule). Dieser setzt sich zusammen aus dem Frischdampf der Boiler (Dampferzeuger), reinen Dampf aus dem TMP-Verdampfer (Kondensator) und der zurückgewonnenen Wärme aus dem Schnecken- Wärmetauscher. Ein KPI ausgedrückt als GJ pro Tonne erzeugtem Papier wäre geeigneter gewesen, aber der Term GJ/Tag wird bereits zur Verfolgung des Energieverbrauchs eingesetzt. Seite 2 von 7

3 Messung Modell Abb. 1: Entwicklung des Gesamt-Energiebedarfs (GJ) pro Tag im Zeitraum Sept07-Feb08. Varianzanalyse Man nutzt eine Data Mining-Technik namens Ensemble Trees [4] für die Analyse der Variabilität (= Schwankungen) der KPIs. Dieses Werkzeug erkennt und klassifiziert diejenigen Variablen mit dem größten Einfluss auf den Wert GJ/Tag. In diesem Fall erklärten allein die beiden Variablen Außentemperatur und die Wassertemperatur (aus mehr als 50 möglichen) gut 60 Prozent der Abweichungen (Abb.2). Interessanter Weise war die Produktionsmenge kein wesentlicher Einflussfaktor. Lufttemperatur (33%) Wassertemperatur (24%) Abb. 3: Entwicklung des Gesamt-Energiebedarfs (in GJ / Tag, blaue Kurve) und Smart Energy Monitoring Model (rote Kurve) im Zeitraum Sept07-Feb08. Nutzen Der Energie-Manager kann nun wesentlich früher und objektiv tatsächliche Leistungsabweichungen erkennen, die aus Prozess- Änderungen herrühren und unabhängig von äusseren Einflüssen und der Papierproduktion sind. Er wird Massnahmen nur dann einleiten, wenn der GJ/Tag-KPI signifikant abweicht, und nicht bei Veränderung anderer KPI-Werte. 2 Wärme-Rückgewinnung / Energie Dampferzeuger (Level 2) Weitere Variablen variables Abb. 2: Ergebnis der Varianz-Analyse. Ein Model für GJ/Tag wurde nun mit diesen beiden Variablen, die nicht vom Werk beeinflusst werden können, erstellt; aus diesem Grunde bildet es den normalen Wärmeverbrauch des Unternehmens ab. Abb. 4: Dampf-Fluss TMP-Linie. Seite 3 von 7

4 KPI Die Kennzahlen für die Wärmerückgewinnung sind 1.) GJ aus dem Verdampfer / GJ aus der Dampferzeugung 2.) Überschuss an schmutzigem Dampf. Von Überschuss spricht man, wenn der Bedarf an Frischdampf unter dem Angebot an schmutzigem Dampf liegt (Abb. 4). Der Verdampfer wird dann umgangen und der schmutzige Dampf wird abgelassen. Nutzen Der Energie-Manager kann umgehend feststellen, ob sich die Wärmerückgewinnung in einem normalen Bereich bewegt; falls nicht, ist er in der Lage zu prüfen, ob es am Frischdampfbedarf oder an der Wärmerückgewinnung liegt. 3 Wirkungsgrad Verdampfer (Level 3) KPI Grenzwerte Der Verdampfer-Wirkungsgrad wird ausgedrückt als Verhältnis von Frischdampfmenge zu Restmenge schmutziger Dampf an den Verdampfer [t/t] (Abb. 4). Dabei ist die Enthalpiedifferenz zwischen Frisch- und schmutzigem Dampf vernachlässigbar klein. Der Wirkungsgrad ausgedrückt in t/t ist somit identisch mit dem in GJ/GJ. Varianzanalyse Abb. 5: Verlauf GJ Verdampfer/GJ Boiler. Eine statistische Auswertung eines Datenbestandes von 18 Monaten wurde durchgeführt. So erhielt man übliche Werte für das Verhältnis GJ Verdampfer zu GJ Boiler : im Sommer und im Winter (Abb. 5). Aufgrund des höheren Bedarfs ist der Wert im Winter natürlich deutlich niedriger. Diese Kennzahlen wurden mit der Überschussmenge schmutziger Dampf korreliert, um 4 Zustände gemäß folgender Tabelle 2 zu definieren. Überschuss Schmutziger Dampf Ja Nein GJ Verdampfer/GJ Boiler unter normal über normal Suche Grund für Suche Grund für unterdurchschnittlicheschnittlich die überdurch- gute Verbrauch an Frischdampferzeugung Frischdampf Suche Fehler bei der Frischdampf- Erzeugung Suche Grund für überdurchschnittlichen Verbrauch an Frischdampf Tabelle 2: Regeln für die Überwachung der Wärme-Rückgewinnung. Die Schwankungen im Dampffluss konnten im Wesentlichen dem Fluss des schmutzigen Dampfes zugerechnet werden. Das heißt, dass Abweichungen im Betrieb des Verdampfers geringeren Einfluss auf die Frischdampferzeugung haben als die verfügbare Menge schmutzigen Dampfes. Weitergehende Untersuchungen führten zu dem Ergebnis, dass der Verdampfer-Wirkungsgrad überwiegend von Wärmeverlusten bestimmt wird. Der Fluss des Frischdampfes wurde gegen die verbleibende Menge des schmutzigen Dampfes aufgetragen. Historische Daten belegen eine lineare Abhängigkeit (Abb. 6). Sobald sich Betriebspunkte oberhalb dieser Linie einpendeln deutet dies auf eine Leistungsverbesserung der Anlage hin. Höherer WG Geringerer WG Seite 4 von 7 Abb. 6: Überwachung Wirkungsgrad Verdampfer.

5 Nutzen Dieses Modell unterstützt die Suche nach Gründen für die Änderung des TMP- Wärmetauscher-Wirkungsgrades. Falls die momentane Betriebsweise annähernd auf der normalen Wirkungsgradlinie liegt, erklären sich Abweichungen durch die Menge des verfügbaren schmutzigen Dampfes; andernfalls rühren sie von der Fahrweise der Verdampfer her. 4 Verfügbarer schmutziger Dampf an der TMP-Linie (Level 3) KPI Der Energieeintrag an der TMP-Anlage wird von der Qualität der Pulpe bestimmt, nicht von Bemühungen um Energieeinsparung. Neben Energieeinsparungen durch technologische Verbesserungen liegt das größte Potenzial in der Maximierung der Wärmerückgewinnung aus dem schmutzigen Dampf als Abfallprodukt des TMP-Prozeses. Der hierzu gewählte KPI beschreibt die verfügbare Menge schmutzigen Dampfes pro MW des Refiner-Energiebedarfs. Die verfügbare Menge schmutzigen Dampfes setzt sich zusammen aus Dampf zum Verdampfer und dem in die Atmosphäre abgelassenen Dampf (Abb. 4). Der KPI wurde in zwei Bereich entsprechend der zeitlichen Entwicklung unterteilt: GUT für einen Wert über 1.1 (t/h)/mw und SCHLECHT für einen Wert unter 1.1. Diese zwei Zustände werden mithilfe eines Entscheidungsbaumes klassifiziert [5]. Sechs verschiedene Betriebsweisen wurden dann auf Basis von 3 Schlüsselparametern definiert. Hieraus lassen sich Regeln und Vorgaben zur Fehlerbehebung ableiten, wenn der KPI unter 1.1 sinkt (Abb. 7). Nutzen Zunächst identifizierte man diejenigen Haupt- Prozessvariablen, die Einfluss auf die Dampferzeugung besitzen: schmutziger Dampf zur Vorwärmung, schmutziger Dampf zur Latenzbox und die Wassereingangstemperatur TMP. Diese helfen den Maschinenführern und Schichtleitern, die energetischen Interaktionen bei der Pulpe-Herstellung zu verstehen. Zudem können sie die Erzeugung von schmutzigem Dampf überwachen, indem sie den Istwert mit dem von einem Modell auf Basis dieser Variablen vorhergesagten Wert vergleichen (Tabelle 3). Bei Abweichungen wird eine Warnmeldung erzeugt, und es erfolgt eine Überprüfung der drei Kennzahlen. Aktueller Wert des KPI >1.1 <1.1 Wert aus Vorhersage-Modell (t/h)/mw>1.1 (t/h)/mw<1.1 Fall A: Leistung ist gut und wir wissen warum Fall B: Leistung ist schlecht, aber wir wissen NICHT warum Fall C: Leistung ist gut, aber wir wissen NICHT warum Fall D: Leistung ist schlecht und wir wissen warum Tabelle 3: Regeln für die Überwachung der TMP Wärme-Rückgewinnung. Abb. 7: Regeln zur Fehlerbehebung im Falle Verfügbarer schmutziger Dampf unter Einem Wert 1.1 [(t/h)/mw]. Seite 5 von 7

6 ERREICHTE VERBESSERUNGEN 1 Allgemein Der Betreiber kennt die relevanten Steuerungsparameter des Prozesses und kann so die Fahrweise des Verdampfers optimieren und die täglichen Leistungskennzahlen verfolgen und vergleichen. KPIs werden dazu genutzt, die bestmögliche Energieausnutzung an jedem einzelnen Betriebstag zu erreichen. Die Wärmerückgewinnung konnte um 200 GJ täglich gesteigert warden, und das ohne zusätzliche Kosten und Investitionen. Die jährlichen Einsparungen belaufen sich auf gut $. Diese zusätzliche Energiemenge wird auch in die kommenden Jahren kostenfrei zur Verfügung stehen. 2 Überwachung des Gesamtenergie-Bedarfs Der Stillstands einer Papiermaschine oder einer TMP-Linie hat Einfluss auf die Wasserwirtschaft: es kann zu einer übermässigen Frischwasser-Aufbereitung und einem abnormal hohen Dampfverbrauch kommen. Der Unterschied zwischen vorhergesagtem und tatsächlichem Gesamtenergieverbrauch (GJ/Tag) direkt nach Wiederanlauf zeigt an, wie gut die Wasserwirtschaft gesteuert wurde. Das GJ/Tag-Modell kann ebenfalls zur Erkennung eines langfristigen Drifts (schleichende Abweichung) eingesetzt werden. Als zwei Beispiele aus der jüngeren Vergangenheit sind zu nennen: einer aufgrund abnormalen Wasserverbrauchs, ein anderer wegen erhöhten Dampfverbrauchs einer Papiermaschine. 3 Überwachung der Wärmerückgewinnung Im Juni 2008 wurde für einen gewissen Zeitraum festgestellt, dass die Wärmerückgewinnung unter dem Normalwert lag. Da es aber ein Überangebot an schmutzigem Dampf gab, musste das Problem von den anderen Dampf- Abnehmern herrühren. Ein eingehende Untersuchung der Trocknungssektion der Papiermaschine führte zu dem Ergebnis, dass dies mit der Störung eines Kompressors zusammenhing: Niederdruck-Dampf aus dem Verdampfer wurde nämlich durch Hochdruck- Dampf aus den Boilern verdrängt. Im Juli 2008 entschied sich die Werksleitung für eine Einstellung der Frischwasser-Aufbereitung auf der schmutzigen Seite des Verdampfers. In der Folge stieg der Wirkungsgrad deutlich an; die Monitoring-Werkzeuge werden nun auch zur Beibehaltung dieser Verbesserung eingesetzt. 4 Entdecken von Zeiten höchster Leistung Als Einheit verwendet führen die 3 Ebenen der Energie-Überwachung zu deutlichen Kostensenkungen. Im folgenden Beispiel wird die Erkennung eines Zeitraumes mit unerwartet hoher Leistung beschrieben. 1. Level 1: Das GJ/Tag-Model zeigt, dass der aktuelle Verbrauch an 27 Tagen (Feb-März 2008) um 5 bis 10 Prozent niedriger als normal ausfiel. Das entspricht einer Einsparung von $. 2. Level 2: Im selben Zeitraum lag die Wärmerückgewinnung über dem Durchschnitt und es gab einen Überschuss an dreckigem Dampf. Gemäß Tabelle 1 muss also etwas Positives bei der Wärmerückgewinnung an der TMP-Linie passiert sein. 3. Level 3: Der Verdampfer-Wirkungsgrad ändert sich nicht. Die Verbesserung kann nur auf die Menge des verfügbaren schmutzigen Dampfes zurückgeführt werden. 4. Level 3: Die Überwachung des schmutzigen Dampfes an der TMP-Linie zeigt eine außergewöhnlich gute Leistung der Anlage: der KPI liegt über 1.1 (t/h)/mw, und das trotz ungünstiger Bedingungen (siehe Fall C in Tabelle 3). 5. Eine weitergehende Datenauswertung ergab, dass die Kombination von zwei Änderungen in den Prozessen zu höherer Leistung führt: 1) Änderung der Zieltemperatur für die Hackschnitzel- Vorwärmung 2) Reinigung der Heizkammern in den Ausschuss-Refinern. Eine weitere Änderung an derselben Anlage eine Weile später brachte die Leistung wieder in den normalen Bereich zurück. Seite 6 von 7

7 Dank der gewählten Struktur der KPIs konnte ein Zeitraum höherer Leistung entdeckt werden, dessen Grundursachen schnell klar wurden. Mit diesen Erkenntnissen wurde die Fahrweise entsprechend angepasst, sodass sich die hohe Leistung im nächsten Winter wiederholen lässt. ZUSAMMENFASSUNG Das Data Mining liefert starke Werkzeuge zur Senkung der Energiekosten. Nachdem die korrekte Struktur der KPIs definiert wurde, ist das Data Mining in der Lage, Erkenntnisse aus historischen Daten zu ziehen um den Energieverbrauch zu verfolgen, zu erklären und zu optimieren. Entscheidungen hinsichtlich des Energieeinsatzes in jeder Führungsebene des Unternehmens vom Werksleiter bis zum Maschinenführer werden auf diese Weise unterstützt. AbitibiBowater s Kénogami Werk beauftragte Pepite Technologies mit der Durchführung dieser Energie-Optimierung. Die ersten Modelle wurden im Juli 2008 eingeführt und erbrachten sofort erkennbare Resultate. Die Einsparungen liegen bei rund 3 $/t und beinhalten: Die Möglichkeit Abweichungen im Energieverbrauch schnell und objektiv zu deuten (saisonale Effekte, geringere Wärmerückgewinnung oder höhere Nachfrage) Vermeidung kostenintensiver Ineffizienzen der Verdampfer, und QUELLEN [1] Fayyad, U., Piatetsky-Shapiro, G., Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), [2] CRISP-DM (CRoss-Industry Standard Process for Data Mining), Step-by-step data mining guide, available on [3] [4] Geurts, P. (2002). Contributions to decision tree induction: bias/variance tradeoff and time series classification. PhD thesis, Department of Electrical Engineering and Computer Science, University of Liège, Belgium. [5] Breiman, L., Friedman, J.H., Olsen, R.A. and Stone C.J. (1984). Classification and Regression Trees. Wadsworth International (California). KONTAKT Pepite Deutschland Dipl-Ing Heinz G Angenendt Am Klostermoor Osterholz-Scharmbeck T M E pepite@ktn.de W Beibehaltung einer höheren TMP-Wärmerückgewinnung, besonders im Winter. Die eingesetzten Werkzeuge machten diese Leistungssteigerungen nicht nur möglich, sondern werden noch zu weiteren führen. Einer der Schlüsselfaktoren für dieses erfolgreiche Projekt ist die Einbeziehung aller Beteiligten auf Kundenseite; zunächst bei der Definition der richtigen Anforderungen in Bezug auf das Monitoring des Energieverbrauchs, danach bei der Umsetzung der durch das Data Mining gefundenen Zusammenhänge in maßgeschneiderte Werkzeuge für die nachhaltige Verbesserung der Betriebsweise und zur Senkung des Energieverbrauchs. Seite 7 von 7