Solvay verbetert zijn fabrieken met analytische modellen

solvay

De Belgische chemiespecialist Solvay is vandaag actief in 61 landen en telt ruim 24.500 medewerkers over 115 industriële sites. Elke site draait idealiter op maximale prestaties. Om dat te bereiken, zijn analytische modellen cruciaal. Doorheen de jaren is de aanpak daarrond grondig geëvolueerd.

“Data en informatie uit diverse segmenten moet je samenbundelen. Je moet silo’s kunnen slopen binnen bedrijven. Met die data kunnen specialisten combinaties maken en modellen ontwikkelen die voordien niet mogelijk waren.” Aan het woord is Jose Manuel De La Hoz, Industrial Project Manager bij Solvay. Hij benadrukt op een SAS Virtual Friday-sessie dat digitalisering een belangrijke opportuniteit. Niet alleen voor Solvay, maar voor elk bedrijf.

Het is volgens hem wel belangrijk om altijd klein te starten, bijvoorbeeld met een proof-of-concept. Je moet daarin kunnen falen om er iets uit te leren. Daarna start je opnieuw tot het lukt en blijf je verder zoeken naar nieuwe analytische modellen.

Evolutie in analytische modellen

Data is vandaag talrijk aanwezig, ook bij Solvay. Waar je 70 jaar geleden één datapunt per uur binnen kreeg, manueel genoteerd, krijg je vandaag elke seconde data door met een hoge refreshrate. Alles komt in realtime binnen. Veel data zijn belangrijk, maar de variëteit ervan is nog veel belangrijker. Data worden vergaard van diverse bronnen en komen binnen in heterogene formaten (bv. cijfers, video, tekst, beeld).

Het allerbelangrijkste volgens De La Hoz is de betrouwbaarheid. “Wanneer je data hebt, moet je kunnen nagaan of de data juist zijn of ergens in de communicatieketting een foute meting (foute kalibratie, vuil op de sensor) heeft plaatsgevonden. Dat kan je vandaag parallel checken, iets wat cruciaal is in onze sector. Vroeger deden we dat af en toe, wat risico’s met zich meebrengt. Vandaag worden incorrecte data autonoom eruit gefilterd zodat ze de modellen niet beïnvloeden.  

Het allerbelangrijkste is de betrouwbaarheid van de data.

Sinds enkele jaren is er een evolutie aan de gang binnen Solvay van beschrijvende analytische modellen naar voorspellende modellen, met als uiteindelijke doel om tot voorschrijvende modellen te komen. Dat laatste is een cruciale stap voor het bedrijf. Vandaag heeft Solvay al de stap gezet om voorschrijvende modellen te gebruiken om hun sites beter aan te sturen.

De La Hoz benadrukt dat voorschrijvende modellen essentieel zijn. “Het is belangrijk dat onze business leaders binnen Solvay voorschrijvende machine learning-applicaties integreren in operations en strategische planningen.”

“Je wil evolueren naar het punt waar je een bepaalde waarde invult en dat het model ervoor zorgt dat je die waarde zal halen via optimale prestaties. Voorschrijvende modellen zijn pure wiskunde en vereisen vandaag heel wat rekenkracht.”

AI en ML zijn essentieel

Adriaan Van Horenbeek, Manufacturing Lead Customer Advisory Benelux bij SAS, benadrukt het belang van AI (artificiële intelligentie) en ML (machine learning) binnen analytische modellen. “Je moet goed weten wat een model kan en wat het niet kan. Zo kan je bijvoorbeeld geen enkel model zomaar kopiëren naar een andere site. Daar krijg je namelijk andere datapunten. Je moet AI en ML die datapunten laten gebruiken in combinatie met historische data om zo een eigen model te trainen eigen aan de site. Wie zomaar een model kopieert, riskeert fouten te maken omdat er andere dingen kunnen gebeuren op de nieuwe site die nog nooit eerder zijn gebeurd.”

Je moet goed weten wat een analytisch model wel en niet kan.

Wanneer een deel van de site vernieuwd wordt, start een cyclus die bij elke update van toepassing is. Allereerst maakt de data-architect een data lake aan waarrond je het proces wil optimaliseren. Hier is het belangrijk om de juiste data te verzamelen binnen de juiste architectuur.

Vervolgens gaat de procesingenieur aan de slag met die data om de juiste analyse te doen door middel van dynamische visualisaties. De datawetenschapper traint dan op zijn beurt ML-modellen die worden geïmplementeerd. Daarna schiet de controleruimte met bijhorende operatoren in actie om de geavanceerde analytische modellen te verwerken.

Gestandaardiseerde bouwsteen

Hiermee is de cyclus rond en wordt er aan modelmanagement gedaan. Hier wordt de accuraatheid van het model opgevolgd met continue verbeteringen. Tegelijkertijd start heel de cyclus opnieuw met de data-architect die nieuwe data verzamelt en een data lake opmaakt om het proces verder te optimaliseren.

Solvay heeft gestandaardiseerde bouwstenen opgemaakt om snel te kunnen schalen en herhalen.

Ondanks dat je geen enkel model mag kopiëren over verschillende sites, heeft Solvay wel gestandaardiseerde bouwstenen opgemaakt. Hiermee kan het bedrijf versneld schalen en herhalen waar het wil, op bestaande sites of nieuwe. “Dankzij die bouwstenen kunnen we tussen de twee en tien keer efficiënter opstarten. Ons SAS analyticsplatform zorgt voor de data, modellen en user governance.”

“Hiermee kunnen we applicaties op lange termijn inschakelen in dagelijkse operaties. Het platform zorgt voor de continue verbetering van bestaande bouwstenen en maakt nieuwe bouwstenen aan waar nodig.”

Belangrijke lessen uit het verleden

Solvay heeft doorheen de jaren heel wat lessen getrokken uit zijn analytische modellen en benadrukt drie elementen die beter moeten in toekomstige projecten: communicatie, integratie en traceerbaarheid. Communicatie is wat De La Hoz betreft de belangrijkste. “Je moet iedereen bij het project betrekken: bottom up en up bottom. Transparantie is cruciaal om het hele team op één lijn te krijgen.”

Communicatie is essentieel. Je moet iedereen bij het project betrekken.

Verder is de integratie tussen datawetenschappers en de IT-dienst essentieel vanaf het eerste contact. “Doe niet te veel kick-off meetings, schrap die vanaf het begin”, is een wijze levensles van De La Hoz. “Vermijd tijdverlies door continu het proces opnieuw uit te leggen. Zet de datawetenschapper on-site samen met de procesingenieur over een continue en lange periode.”

Tot slot is traceerbaarheid een belangrijke levensles binnen Solvay. “Alles wat je leert binnen analytics, moet je kunnen traceren. Dat moet mogelijk zijn over het hele proces van creatie tot modificatie en implementatie-beslissingen. Je moet altijd een antwoord hebben op wat, wie, hoe, wanneer en waarom”, sluit De La Hoz af.

Nieuwe SAS Insight-sessies

Wil je graag nog dieper in de materie kruipen? Klik dan hier voor extra informatie rond de samenwerking tussen SAS en Solvay. Interesse in de andere sessies van SAS om je kennis over data te verbreden? Klik dan hier voor het volledige overzicht.

Dit is een redactionele bijdrage in samenwerking met SAS België rond de virtuele editie van het SAS Forum. Voor meer informatie rond het bedrijf kan je hier terecht.

nieuwsbrief

Abonneer je gratis op ITdaily !
  • This field is for validation purposes and should be left unchanged.
terug naar home