Många är rädda för att ändra inställningarna i processen när man väl fått den att fungera. Men det går att optimera processerna, både riskfritt och automatiskt. Och det finns stora pengar att tjäna.
Det finns otaliga exempel på att processoptimering lönar sig. I livsmedelsindustrin har man lyckats öka extruderingskapaciteten 50 procent med befintlig utrustning. I skogsindustrin har både massatillverkning och inställningen av pappersmaskiner förbättrats. Tablettillverkning i läkemedelsindustrin, destillations- och satsprocesser i den kemiska industrin och separation av kolväten i oljeindustrin är andra exempel som visar hur man kan nå högre lönsamhet genom processoptimering.
Men trots att det är lönsamt, så är det många processer i svensk industri som optimeras alldeles för sällan. Filosofin är att det som inte är trasigt ska inte ändras, för då får man bara problem. Därför anstränger sig många att hålla konstanta börvärden för alla styrvariabler, och följden blir att många processer körs med "låsta rattar".
Detta arbetssätt bottnar i en föreställning om en oföränderlig tillverkningsprocess, som ger samma resultat, dag efter dag, år efter år. Så är det i själva verket inte alls. Även om processen fungerar bra vid ett tillfälle, ändras förutsättningarna ständigt genom att instrument driver, råvarukvaliteten skiftar och utrustningen slits. Därför behöver de flesta tillverkningsprocesserna i Sverige förbättras, inte bara någon enstaka gång, utan regelbundet.
Tillverkningsprocesser kännetecknas i allmänhet av att utfallet påverkas även mängd styrvariabler: råvarusammansättning, fortlöpande förändringar i anläggningen och så vidare. Utfallet, eller tillverkningsresultatet, beskrivs likaså av mer än en resultatvariabel, till exempel produktionskostnader, miljöpåverkan och kvalitet. Komplexiteten gör ibland att det känns omöjligt att ens tänka tanken att genomföra systematiska optimeringsstudier. Ofta är det dock inte alls så svårt som man först kan tro. Det finns bra metoder att optimera processerna, både riskfritt och automatiskt.
En vanlig invändning mot processoptimering är också svårigheterna att hitta ett mål för optimeringen, eftersom en process kan ha flera mål, som inte nödvändigtvis sammanfaller. Oskarp logik (fuzzy logic) erbjuder dock en beprövad och flexibel metod för att väga samman de olika processmålen.
Processen är inte bara en tillverkningsanläggning. Den är också ett experimentellt system. Genom att tillåta små variationer i den normala tillverkningsprocessen kan man se hur den påverkas, och på så sätt hitta det bästa sättet att driva den.
Om man genomför försöken upprepade gånger kan man upptäcka effekterna även av mycket små förändringar, så små att de inte riskerar produktionen eller produktkvaliteten. Tekniken kallas EVOP, en förkortning av "evolutionary operation" (alltså "evolutionär tillverkning" på svenska). Finessen med detta arbetssätt är att det kan genomföras automatiskt. Det är fullt möjligt att lägga in rutiner för sådana försök i den normala driften, med de intervall som processen kräver.
Simplexmetoden har tagits fram just för att automatisera EVOP-tekniken. Optimeringsalgoritmen söker sig successivt fram mot de bästa driftsbetingelserna. Om förutsättningarna ändras, exempelvis genom en ny råvarukvalitet, följer algoritmen automatiskt efter.
Simplexmetoden är en metod för sekventiell försöksplanering, där resultaten från ett försök får bilda utgångspunkten for nästa, så att man stegar sig fram mot den optimala driften. Metoden är snabb, enkel och kostnadseffektiv och mer än 500 tillämpningar har beskrivits i olika tidskriftsartiklar och rapporter.
Andra typer av systematiska försök för att optimera driften har använts i industrin sedan 1950-talet. Men traditionell försöksplanering, där man utvärderar en stor mängd försök i efterskott, är betydligt mer arbetskrävande. Simplexmetoden är helt inriktad på att direkt söka sig fram mot den optimala driften, vilket för det mesta är just det man söker. Traditionell försöksplanering ger däremot underlag för en matematisk modell av det system som undersöks, en modell som sedan används för att hitta optimum för driften.
Att använda en matematisk modell för optimeringen är ofta en omväg mot målet. Men visst kan en automatiserad optimering baseras på en modell, förutsatt att den är enkel, robust och verkligen tar hänsyn till de variabler som är viktiga. Vilken optimeringsmetod man väljer beror på de praktiska förutsättningarna i den anläggningen. Modellbaserad optimering fungerar bra vid stabila driftsbetingelser och är då en snabb metod för att justera in den optimala driften. En matematisk modell av processen kan dessutom ha ett egenvärde, då den kan användas för att exempelvis se om processen är robust.
Problemet med modeller av processen är att det är komplicerat att räkna fram dem. I praktiken kan endast ett fåtal variabler modelleras fullständigt. Istället används ett sållningsförfarande. Men då är risken uppenbar att man väljer bort variabler, som i själva verket är viktiga för slutresultatet.
En annan nackdel med modellerna är att de sällan täcker hela arbetsområdet för en process, utan bara ett begränsat område. Förändras driftbetingelserna utanför området som modellen beskriver, så behövs en ny modell. Och risken finns ju att den optimala arbetspunkten ligger utanför området.
Vill man skapa en processmodell så är ofta det bästa att kombinera traditionella arbetssätt med simplexmetoden. Amerikanska forskare har föreslagit att man använder följande arbetsgång:
Detta är precis tvärtemot den traditionella metoden, då man börjar med att försöka utröna styrvariablernas påverkan på systemet och avslutar med att optimera driften. Men fördelen med att optimera först är påtaglig: vi utesluter inga variabler som kan ha betydelse. Utvärderingen och beskrivningen blir också relevant för just det område där vi vill driva processen.
Kväveoxiderna försurar mark och sjöar. För att minska skadorna har staten infört miljöavgift på utsläpp av kväveoxider från förbränningsanläggningar. Avgiften är 40 000 kronor per ton, vilket kan addera sig till höga belopp varje år. Det betyder att man kan tjäna mycket pengar på att minska utsläppen, alldeles frånsett att miljön vinner på det.
Utsläppen av kväveoxider kan minskas på flera sätt, men oftast är det mest kostnadseffektivt att optimera driften eftersom man samtidigt förbättrar processen, vilket i sig kan ge ekonomiska vinster.
Hur stora vinsterna kan bli, framgår av ett exempel hämtat ur verkligheten. Vid en förbränningsanläggning lyckades man förbättra driften så mycket att det motsvarar en minskning av miljöavgifterna med två miljoner kronor per år.
För att hitta det optimala driftläget vid förbränningen ändrades ett antal driftvariabler vid systematiska försök. Målet var att minska utsläppen, samtidigt som driften i övrigt måste fungera minst lika bra som tidigare. Fyra stycken driftvariabler för luft och bränsleflödena ändrades under försöken. Efter sexton försök hade man funnit det optimala sättet att driva förbränningen.
Detta exempel från förbränningsanläggningen visar, att det är stora belopp man kan tjäna på att optimera sin process. Miljöavgifterna gör visserligen vinsterna extra stora i just det här fallet, men även i vanliga situationer kan man tjäna mycket pengar på all ställa in processen på bästa sätt.
I detta fall utfördes optimeringen med simplexmetoden. Projektet blev så lyckat att det inspirerade till starten av företaget MultiSimplex AB.
Att optimera driften i en förbränningsanläggning minskar utsläppen av kväveoxider. Det kan spara flera miljoner kronor i miljöavgifter.
Simplexmetoden är en empirisk och stegvis optimeringsmetod som har fått sitt namn från den geometriska figur som beskriver sökprocessen. En simplex är en månghörning, där antalet hörn är lika med antalet dimensioner i rummet plus ett. Vid optimering enligt simplexmetoden motsvarar antalet dimensioner antalet styrvariabler. Har vi två styrvariabler, så blir alltså simplexen en triangel i ett plan. Vi får då tre startförsök, vilka motsvarar styrvariablernas värden i triangelns hörn. Hade vi istället haft tre styrvariabler, hade vi behövt fyra startförsök, vilka motsvarat hörnen i en tetraeder. Givetvis finns ingen matematisk begränsning i antalet utmärkt att räkna på betydligt fler.
Startförsöken placeras vanligtvis kring den normala driftinställningen. Därefter bestämmer man hur stora förändringar, "steg" som man ska börja med. Den grundläggande simplexmetoden består därefter endast av ett par regler:
Falskt negativa provsvar, där den nya speglade punkten ligger längre ifrån optimum än de två punkter man behåller, är inget problem. Simplexen styr bara fel för en kort stund och går sedan rätt igen. Falskt positiva provsvar kan däremot vara ett problem som medför att simplexen fastnar. Därför har man infört en regel att ett försök som har ingått i den aktuella simplexen i ett antal försök skall utvärderas igen. Dessutom finns regeln att man aldrig får spegla tillbaka till det sämsta försöket igen, eftersom simplexen då skulle kunna börja oscillera. Därmed är metoden robust.
I den grundläggande simplexmetoden har de geometriska figurerna alltid samma storlek och form. Numera använder man dock ofta den modifierade metoden. Den är lite mer komplicerad och har fler regler, eftersom simplexens storlek och form justeras efter hur resultatet förändras. Det blir därmed möjligt att först ta stora kliv för att hitta det bästa området, och därefter sker en finjustering i små steg för att exakt lokalisera optimum. Det gör att optimeringen som helhet går snabbare.
Ett analyslaboratorium som utför spårämnesanalyser av organiska ämnen ville optimera en gaskromatografisk separationsmetod med hjälp av simplexmetoden. Målsättningen var att öka kapaciteten med bibehållen analyskvalitet. Optimeringsmålen definierades som minskad tidsåtgång för varje analys, samt bibehållen upplösning i början och slutet av separationen. För att samtidigt hantera flera optimeringsmål så användes oskarp logik (fuzzy logic).
I optimeringsförsöken ingick att justera fyra stycken instrumentvariabler: initial tid och temperatur, temperaturgradient och maxtemperatur. Efter endast 10 försök, beräknade enligt simplexmetoden, så hade separationstiden förkortats från 45 till 25 minuter med bibehållen upplösning.
Ett problem vid processoptimering kan vara att hitta ett mått på den optimala punkten, eftersom en process kan ha flera olika mål, som inte nödvändigtvis sammanfaller. Sådana mål kan till exempel vara produktionskostnad, produktkvalitet och miljöpåverkan. Med hjälp av oskarp logik (fuzzy logic) kan man dock väga samman de olika processmålen.
I oskarp logik definierar man ett område, när ett visst processmål är uppfyllt. Men till skillnad från det vanliga sättet att beskriva mål, så sätter man inte upp en skarp gräns för när målet är uppfyllt eller inte.
Enligt traditionella sätt att arbeta betyder målet att "produktionskostnaden för en produkt får vara högst 25 kronor per liter" att 26 kronor är oacceptabelt. Använder man oskarp logik har man istället en glidande skala, där målet kan vara uppfyllt helt och hållet, mycket, litet eller inte alls. Ofta uttrycks detta i procent. För en produktionskostnad på 25 kronor är målet uppfyllt till 100 procent, för 35 kronor till 50 procent, för 40 kronor till 10 procent och 45 kronor till 0 procent. Dessa procenttal som beskriver hur mycket respektive mål är uppfyllt kallas tillhörighetsfunktioner.
Genom att använda tillhörighetsfunktioner för de olika målvariablerna så kommer alla optimeringsmål att uttryckas i en gemensam skala, måluppfyllelse i procent mellan 0 och 100. Därmed blir det enkelt att kombinera de olika målen till ett gemensamt övergripande mål. Kombinationen kan göras som någon typ av viktat medelvärde. De olika optimeringsmålen kan då ges olika stor betydelse genom att viktas olika.
Artikel av Tomas Öberg publicerad i Automation nr 8, 1998.
|
English homepage