Multivariate Regressionsanalyse: Weniger Energieverbrauch dank Cloud

Multivariate Regressionsanalyse in der Praxis: Mit Einführung der neuen ISO 50003 müssen Unternehmen erstmals Verbesserungen bei der energe­tischen Leistung nachweisen. Um alle diesbezüglichen Einflussfaktoren des gesamten Produktionsprozesses zu berücksichtigen, ist der Einsatz einer multivariaten Regressionsanalyse anzustreben. Voraussetzung dafür ist, dass eine große Zahl von Messstellen der Anlagen und Maschinen angeschlossen werden.

Dabei unterstützen können Softwarelösungen wie der TTPSC Energy Advisor auf Cloud-Basis. Die damit verfügbaren Daten bilden die Basis für die Definition neuer Maßnahmen durch eine multivariate Regressionsanalyse. Doch was bedeutet das genau?

Die Energieleistungskennzahl im Energiemanagement

In einem ersten Schritt wird der Energieverbrauch eines Unternehmens mit einer bestimmten Produktionsmenge in Relation gesetzt: z.B. Kilowattstunde pro Stück oder pro Tonne. Diese Kennzahlen sind sehr einfach zu berechnen und sind ähnlich den vorhandenen Finanz- und Fertigungskennzahlen im Unternehmen. Damit bekommt die Unternehmensleitung zwar einen guten Überblick über spezifische Energieverbräuche. Allerdings ist der Ansatz nicht geeignet für kontinuierliche Verbesserungen bei der Energieeffizienz oder dem Nachweis der Energieeinsparung gemäß ISO 50003. Um dies zu erreichen, wird die Multivariate Regressionsanalyse benötigt.

Ein Beispiel anhand einer fiktiven sehr vereinfachten Anlage, die 100 Teile/h produziert. Die Nennleistung beträgt 100kW und die Leistung im nicht produktiven Betrieb 50kW.

Ausgegangen wird davon, dass die Verfügbarkeit bei 50 Prozent liegt: Daraus ergibt sich eine Energieleistungskennzahl (EnPI) von (100kWhx50% + 50kWhx50%)/50 Teile = 1,5kWh/Teil. Eine Verdoppelung der Verfügbarkeit führt auch zu der doppelten Menge an Produkten in der gleichen Zeit. Statt 50 Teile werden nun 100 Teile in einer Stunde gefertigt.

Mit dieser Annahme ergibt sich eine EnPI von:

100kWh*100%/100 Teile = 1kWh/Teil.

Die Verdoppelung der Verfügbarkeit hat jedoch nur zu einer Verringerung der energetischen Verluste von 33 Prozent pro Teil geführt. Die Einsparung ist also stark von dem Verbrauchsverhalten der Maschine während der nicht produktiven Zeit abhängig. In der Realität ist der Energieverbrauch einzelner Maschinen und Anlagen im Verbund noch viel komplexer. Auf Basis der so ermittelten Kennziffern EnPI kann nicht beurteilt werden, ob Verbesserungen bei der Energieeffizienz das gewünschte Ergebnis bringen. Dafür ist eine detailliertere Aufschlüsselung des Energieverbrauchs notwendig.

Die Multivariate Regressionsanalyse zur Vorhersage des Energieverbrauchs

Diese detaillierte Vorhersage des gesamten Energieverbrauchs unter Berücksichtigung verschiedener Einflussfaktoren aus dem Produktionsprozess erfolgt mit der Multivariaten Regressionsanalyse. Zu den Einflussfaktoren gehören:

• Produktions- und Anlagenstatusdaten (z.B. die produzierte Menge nach Stück und Art, aber auch das Schichtmodell, Betriebsarten der Anlage)
• Verschiedene Energieträger (z.B. Strom oder Gas)
• verschiedene Energieverbräuche der einzelnen Prozessschritte einer Anlage
• Wartungsintervalle und Reparaturen
• Nutzer- und Bedienerverhalten (z.B. logistische Versorgung)

Bei der multivariaten Regressionsanalyse handelt es sich um ein außerordentlich vielseitiges und flexibles statistisches Analyseverfahren, das sowohl für die Beschreibung und Erklärung von Zusammenhängen als auch für die Durchführung von Prognosen geeignet ist.

Beispielarchitektur in der Cloud

Um die Regressionsanalyse schnell im Unternehmen implementieren zu können, ist es sinnvoll, die Vorteile der Cloud zu nutzen:

• Große Datenmengen sind zentral im Data Lake gespeichert und die Voraussetzung für eine detaillierte Analyse.
• Datenmengen von verschiedenen Standorten können einheitlich gesammelt werden.
• Der Zugriff auf Daten aus weiteren Systemen wie ERP oder MES ist einfach möglich.
• Der Einsatz von verschiedenen Tools wie R oder Python in Verbindung mit MLOps Services, wie AWS SageMaker oder Azure Machine Learning wird somit firmenweit ermöglicht.

Im Folgenden ist eine einfache Lösung am Beispiel der AWS Cloud dargestellt.

Wie zuvor bereits beschrieben, ist der Ausgangspunkt jeder fortgeschrittenen Analytik die Erfassung der relevanten Daten der Messstellen. Im Bereich des Energiemanagements ist eine Echtzeitübermittlung der Daten nicht von Relevanz, so dass über einen MQTT Broker als offenes Netzwerkprotokoll für Machine-to-Machine-Kommunikation, wie beispielsweise HiveMQ, die Konnektivität sehr einfach zwischen den Messstellen hergestellt werden kann. Der MQTT Broker reagiert selbstständig auf lokale Ereignisse, filtert und aggregiert Gerätedaten und sendet dann sicher die Daten in die Cloud.

Die Ereignisdaten werden mithilfe von Edge-to-­Cloud-Schnittstellendiensten wie AWS IoT Core, einer verwalteten Cloud-Plattform, in der Cloud empfangen. Über IoT Rules können einfache Umformungen der Daten, wie beispielsweise Filtern oder Schema-Konvertierungen, sowie die anschließende Ablage in einem Objektspeicher auf AWS S3 durchgeführt werden.

Über eine Lambda-Funktion kann in festen Abständen die Regressionsanalyse in der vollverwalteten Machine Learning Lösung Amazon SageMaker angestoßen werden und deren Ergebnisse in einer Datenbank wie AWS Dynamo DB abgelegt werden. Diese Ergebnisse können über AWS AppSync an bestehende oder neue Geschäftsapplikationen auf Desktop oder mobilen Plattformen angezeigt und bei Bedarf optimiert werden.

Multivariate Regressionsanalyse: Ein Fazit

Die multivariate Regressionsanalyse auf Basis der Cloud trägt wesentlich zum Erfolg der Energieeinspar-Initiativen in einer Green Factory bei. Das Sammeln der Daten in der Cloud zusammen mit einer Analyse durch Regression ist der erste wichtige Schritt.

Durch den Abgleich der ganzheitlichen Prognose mit den Realwerten kann gemäß ISO 50003 ein Nachweis der Reduktion des Energieverbrauches pro Anlage oder Fertigungsstandort erfolgen.

Die Autoren: Tobias Lante ist Senior IIoT Business Analyst bei TransitionTechnologies PSC. (l.) Torsten Hopf ist Senior Cloud Business Analyst bei Transition Technologies PSC.

Lesen Sie auch: E-Mail-Verschlüsselung: Neuer Service von Retarus reduziert Administration