WaterLink sessie 5: Performance fabrieken verbeteren in een virtuele omgeving

Sessie 5: Performance fabrieken verbeteren in een virtuele omgeving

Digital Twins in Food

Computermodellen in de praktijk van de voedingsmiddelenindustrie Prof. dr. Peter de Jong Professorship Dairy Process Technology VHL Principal scientist NIZO food research Program director food ISPT 18 February 2021

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Outline

1.

2.

3.

Computermodellen en Digital Twins Cases in de industrie Conclusie

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 2

De behoeften van de voedingsmiddelenindustrie Langer produceren

Korter reinigen

Verhogen performance fabriek

Energie

Winst Sterk merk

Milde processen

Vers Duurzaam Superieure eiwitfunctionaliteit Behoud van gezondheidsvoordelen

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 3

Semantiek

Digital Twins Virtuele omgeving waar fabriek wordt nagebootst Procescontrole met computermodellen die real-time optimale setpointwaarden bepalen en gecallibreerd worden met sensoren

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 4

Doel: proces direct gestuurd op behoefte

Huidig

Product specs

•Houdbaarheid •Veiligheid •Smaak & textuur

Nieuw

Product specs

Lab experimenten

•Bereidingswijze (receptuur, condities)

Ontwerp in virtuele omgeving

•Optimaal ontwerp gebaseerd op modelsimulaties

Procesontwerp

Procescontrole

•Apparatuur selectie •Procescondities

•Constante condities (flow, temperaturen)

Procesontwerp

Procescontrole in virtuele omgeving

•Inline sensoren voor product controle

•Optimale setpointwaarden •Zelflerende voorspellende modellen met in-line sensoren

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Product

•Kwaliteitscontrole

Product

•Optimale process performance •Optimale kwaliteit •Minimale carbon footprint

Slide 5

Virtuele omgeving?

• • • •

PRODUCT Afdoden bacteriën Eiwit denaturatie Enzym inactivatie Reductie biobeschikbaarheid nutriënten

• • • • •

PROCES Vervuiling van apparatuur Productverliezen Voortgang reiniging Water footprint Carbon footprint

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 6

Voorbeeld model – vervuiling apparatuur

globular protein

aggregates of components

activated protein

aggregated proteins

deposition

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 7

Gebruik van computermodellen

Hybride aanpak

White box model mechanistisch kinetische modellen Black box model data analyse Inline sensoren voor model callibratie (AI) Voorspellende kracht

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 8

Voorbeeld 1 - Eerste prototype

• 2001: NIZO food research en Honeywell realiseren 1e toepassing van “digital twin” (Premic®) • Resultaat: 20-50% minder vervuiling

Premic® disabled

Premic® enabled

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 9

Voorbeeld 2 – Kaasfabriek

• Alle kaasfabrieken hebben te maken met variaties in kaaskwaliteit door kleine variaties in melksamenstelling en procescondities • Minder variatie → meer winst Vochtgehalte kaas

Maximaal vochtgehalte

Winst als gevolg van afname in variatie = 1+ M€

Tijd

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 10

Voorbeeld 2 – Kaasfabriek

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 11

Voorbeeld 3 – Ketenbeheersing

• Effect van boerderij management op samenstelling en smaak van rauwe melk – 13 boeren, 47 parameters, 18 smaakattributen, 30 melk componenten – Resultaten: Romige smaak

Hoge omega-3 concentratie Weidegang Veengrond uren 7% 10%

Aandeel vers gras 38%

Drogestof opname maiskuil 33% Drogestof opname bierbostel 29%

Methode beweiding (strip) 24% Kleigrond 59%

groen = positief effect, rood = negatief effect

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 12

Voorbeeld 4 – Nieuw project

DigiCooker FACT Leeuwarden

Real process

Composition & sensor data (temperature, flow)

Digital twin Computed optimal setpoint values process

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Real-time process performance (costs, energy, product quality)

Slide 13

Samenvatting resultaten

• Projecten in de industrie met hulp van computermodellen – Minder variatie vochtgehalte kaas (1 M€) – Toename capaciteit fabriek door afname vervuiling (tot 50%) – Afname productverliezen (20%) – Verdubbelen houdbaarheid product – Afname energieverbruik (indampen & drogen)

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 14

Conclusie

Om optimaal van Digital Twins te profiteren is nodig: proces-product kennis, voorspellende modellen en realtime data

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Digital twins: new opportunities for the food industry ● VHL University Leeuwarden 18 February 2021 ● peter.dejong@hvhl.nl

Slide 15

Digital Twins voor Real-Time Kwalititeitsvoorspelling en Bewaking

SLIMM Project Abel Heinsbroek

Introductie Over Vitens •

5 provincies

•

110 publieke aandeelhouders

•

1400 medewerkers

•

2.600.000 aansluitingen

•

350.000.000 m3 drinkwater per jaar

Introductie Vitens en Zuivering •

92 Productiebedrijven

•

Grondwater en oeverfiltraat

•

Eenvoudig en kleinschalig • Direct van pomp naar tap

•

Groot en complex • 10+ zuiveringsstappen • Chemische fabrieken

Introductie Uitdagingen bedrijfsvoering

• Alle zuiveringen zijn anders, veel kennis en ervaring nodig • Overstap naar andere locatie is lastig • Uitstroom van operators en kennis • ‘Van Ambacht naar Data gestuurde operatie’

• Weinig ‘realtime’ kwaliteitsinformatie beschikbaar • Procesbeheersing op labdata

Introductie Procesbeheersing op labgegevens?

• Signaleren we afwijkingen wel op tijd?

• Is de resolutie van gegevens wel hoog genoeg?

“Voor data-gestuurd i.p.v. ambachtgestuurd werken is real-time data nodig”

De oplossing?

Onze oplossing

Digital Twin = Simulatiemodel = Bestaande sensoren

Waarom Digital Twins Grondwater is (niet?) dynamisch

Waarom Digital Twins Optimaliseren van onze processen

Waarom Digital Twins Ondersteuning Procesoperator

TACC90

Reactor 1

Energie

Dosering

TACC90

Reactor 2

Water richting Klant

Waarom Digital Twins Scenariostudies

Onderhoud

Nieuwbouw

SLIMM Systeem

“SLIMM Framework”

Digital Twins Procesgegevens

Analyze

Asset Informatie

SLIMM Database

Dashboards Lab data

SLIMM Framework Voorspelling van geleverde hardheid onthardingsreactor

Wat is de geproduceerde kwaliteit?

Debiet Loogdosering CO2 Dosering Bed hoogte Drukverschil Bypass

Effluent kwaliteit?

Wat is de kwaliteit van het influent?

“Een waterzuivering is geen verzameling van losse processen, maar één gekoppeld system”

Niet te verwaarlozen Verandering in waterkwaliteit (putschakelingen)

Niet te verwaarlozen Waterverdeling en verblijftijd

Waterverdeling

Reis- en verblijftijd

SLIMM Framework

SLIMM Framework Belangrijkste uitgangspunten •

Enkel open source onderdelen

•

Uniforme model interface

•

Álles is een model - Buizen (reistijd, wrijvingsverlies) - Reservoirs (verblijftijd, menging) - Winputten (pompkrommes, waterkwaliteit) - Zuiveringsstappen (Fysisch-Chemische modellen)

•

(Beheersbaar) op te schalen naar 92 zuiveringen

Model bouwen

Resultaten Real-time Hardheid Reinwater Tull en ‘t Waal

Resultaten Gemiste onderschrijdingen

Resultaten Niet optimaal proces = verspilling chemicaliën

Resultaten Operator Feedback

Conclusies en vooruitblik •

Digital Twins goed in staat om real-time kwaliteit te voorspellen

•

17 van de 92 locaties operationeel

•

Meer grip op complexe zuivering

•

Offline optimalisatie, scenariostudies en training

•

Aansluiting op Digital Twin Distributie

Slim gebruik van data voor procesoptimalisatie in de Food industrie

Motto: De kracht van Eenvoud

Anneke van der Linde – partner bij HAI smart4industries 18 feb 2021

avanderlinde@hai.nl, www.hai.nl

Slim gebruik van Data voor optimalisatie Food fabrieken

Valkuilen

Data verzameling

Wie

HAI smart4industries

Praktijkvoorbeelden

Tips

2

Digitalisering Fabrieken: Valkuilen 1.

2.

3.

4.

Als we alles digitaliseren dan komt de rest vanzelf / data = informatie?

Welke inspanning is nodig voor de rapportages en analyses?

Data is vooral van belang voor de procesverbeteraars (technologen/CI/Q))?

Data analyse is ingewikkeld en tijdrovend?

Praktijk: Succes ---> eenvoud HAI smart4industries

3

Slim gebruik van Data voor optimalisatie Food fabrieken

Valkuilen

Data verzameling

Wie

HAI smart4industries

Praktijkvoorbeelden

Tips

4

WELKE data is relevant?

1 centrale database: Evt. meerdere fabrieken

Extern lab

ERP / MES

Fabrieksbesturing

(SAP, Infor, MS ,etc.)

(historian)

Laboratorium (LIMS)

Meetinstrumenten

HAI smart4industries

Data mbt klimaat Water/energie

Procescontroles (excel/MES) 5

Voorbeeld architectuur ERP

Central database

HAI smart4industries

6

Slim gebruik van Data voor optimalisatie Food fabrieken

Valkuilen

Data verzameling

Wie

HAI smart4industries

Praktijkvoorbeelden

Tips

7

Data visualiseren & interpreteren: Voor wie Achteraf / ad-hoc

Operationeel (real-time dashboards)

Productie (Proces technoloog)

Quality Dept.

Technische Dienst HAI smart4industries

Operator 8

Slim gebruik van Data voor optimalisatie Food fabrieken

Valkuilen

Data verzameling

Wie

HAI smart4industries

Praktijkvoorbeelden

Tips

9

Real-time dashboards operator: een voorbeeld Automatisch: uit ERP Real-time Berekende waarden Actuele proceswaarden en setpoints, automatisch uit procesbesturing

Operator invoer

Instrument-koppelingen HAI smart4industries

10

Onderwerpen voor procesverbetering • Verbeteren product kwaliteit / First Time Quality rate • Verbeteren opbrengst • CIP verbruiken/duur • OEE, score en downtime analyse • Technologisch rendement per batch • Energie- /waterverbruik / waterzuivering • Etc.

HAI smart4industries

11

Rapportages / analyses • Batch/product vergelijking (trends) • Financieel resultaat per batch • Downtime analyse (OEE) • Afwijkingen rapportage (RFT score, % out of spec, tellingen) • Statische Proces Controle (SPC) • Correlaties • Analyse Goede / Slechte Batches ------------• Real-time Dashboards & trends

HAI smart4industries

12

Praktijkvoorbeelden Eenvoudige probleemoplossing obv visualisatie, trending en samenhang: 1.

2.

3.

4.

5.

Identificeren van operator fouten (operator sloeg processtap over) Signaleren (onzichtbare) lekkage obv (onmogelijke) overdosering Signaleren fout in koeltank-berekening (NIR meting - trends) Introduceren bijsturingsprotocol igv storingen (voorkom afkeur batch) Verhogen opbrengst/kwaliteit (voorbeeld uitgewerkt)

HAI smart4industries

13

Opbrengstverhoging product X (200.000 € op jaarbasis) Wisselende opbrengst per batch:  

Golden batch opbrengst: 75 kg.

Daarna 3 batches met weer lagere opbrengsten

HAI smart4industries

14

Product X

HAI smart4industries

15

Batches vergelijken met Golden batch

Golden Batch

9401

V9411 (%)

9401

V9411 (°C)

9401

V9411 (%)

9401

V9411 (°C)

9401

V9411 (%)

9401

V9411 (°C)

9401

V9411 (%)

9401

V9411 (°C)

HAI smart4industries

16

Oorzaak wisselende opbrengst gevonden relatie Output en Temp/Duur fermentatie • • • •

Batch 1 Batch 2 Batch 3 Batch 4

74,600 -> Golden batch 35,000 -> Fermentatie bij 48 - 52°C: veel te korte fermentatieduur 43,000 -> Fermentatie bij >61 °C (setting 48 - 52°C): veel te warm geworden 62,000 -> Fermentatie bij > 52°C (setting 48 - 52°C): te warm geworden

Extra temperatuur controles ingebouwd in receptuur Verbeterde temperatuurcontrole ingezet

HAI smart4industries

17

Product X

HAI smart4industries

18

Verbetering productkwaliteit Doel: restgehalte component in eindproduct zo laag mogelijk Oplossing: Verband gevonden tussen procestemperatuur en restgehalte.

De laagste gehaltes werden behaald bij de partijen met de hoogste temperaturen tijdens het midden en einde van de processtap (groen gemarkeerd)

HAI smart4industries

19

CIP: inzichtelijk maken CIP-stappen /duur / cycli “Voorheen hadden we geen idee welke schoonmaakwerkzaamheden in Unit X werden uitgevoerd. Nu, met de visualisatie van CIP data zien we welke CIP activiteiten wanneer zijn uitgevoerd en hoe lang ze hebben geduurd.

Unit X

1010 1010

223

Unit X

HAI smart4industries

20

Slim gebruik van Data voor optimalisatie Food fabrieken

Valkuilen

Data verzameling

Wie

HAI smart4industries

Praktijkvoorbeelden

Tips

21

Digitalisering Fabrieken: Tips 1.

2.

3.

4.

5.

6.

Aandacht voor systeem architectuur, definities en modellering (data collectie) Het is niet altijd hogere wiskunde: juist eenvoud is een succesfactor Real-time eenvoudige visualisatie is essentieel onderdeel Maak het niet te groot: start klein, boek succes, ga stap voor stap!

Onderschat niet het belang van (handmatige) operator registraties De hoeveelheid data is eindeloos: het gebruik ervan ook

HAI smart4industries

22

Agenda

HAI*QPM Data – verzameling

Vragen??

HAI*QPM

Standaard dashboards

HAI smart4industries

23