SAM GUARD biedt geavanceerde predictive monitoring door combinatie AI en HI
SAMSON REGELTECHNIEK biedt met SAM GUARD een predictive analyticstool voor de procesindustrie. Daarbij wordt kunstmatige intelligentie (AI) gecombineerd met human intelligence (HI), ofwel het gedrag van de gehele productie-unit aangevuld met de kennis van de process engineers. Dit maakt de tool volgens SAMSON tot een uiterst betrouwbare oplossing, waarmee onvoorziene events vroegtijdig worden gedetecteerd en wel voor de hele plant. Uiteindelijk resultaat is een verbeterde Overall Equipment Efficiency (OEE) en een betere productiebetrouwbaarheid. De prestaties en kwaliteit van de fabriek worden maximaal geoptimaliseerd.
SAM GUARD is oorspronkelijk ontwikkeld door de Israëlische start-up Visual Process onder de naam Precognize. In 2018 werd de start-up overgenomen door SAMSON en is onder de naam SAM GUARD aan het productassortiment van SAMSON toegevoegd.
In de productnaam staat ‘SAM’ voor ‘SAMSON ASSET MANAGEMENT’. Het maakt onderdeel uit van de groeiende digitale productportfolio van SAMSON. Jos Geers, werkzaam als salesmanager bij SAMSON, vertelt: “SAMSON had al digitale tools om regelventielen te monitoren, maar het bedrijf is hard op weg om verder te digitaliseren en daar past SAM GUARD heel goed bij.”
Geers is enthousiast over de vele mogelijkheden van dit platform: “De tool is gebaseerd op iets wat in de procesindustrie vaak al aanwezig is, een database met opgeslagen sensorinformatie, de zogenoemde Historian. Deze bevat een schat aan informatie, waar SAM GUARD op efficiënte wijze gebruik van maakt. De opgeslagen data in de Historian zegt namelijk iets nuttigs over het normale gedrag van de plant. Wanneer je daar vervolgens op de SAM GUARD methode human enhanced machine learning op loslaat, kom je tot diepere inzichten in het actuele gedrag van de fabriek.
Het SAM GUARD team bouwt samen met de eindgebruiker in slechts twee weken tijd een compleet digitaal model van de hele fabriek (uitgaande van 10.000 historian tags). Vanaf dat moment is SAM GUARD direct actief en bewaakt het de fabriek 24/7.
“Er zijn allerlei andere platforms die ook machine learning gebruiken”, vervolgt Geers. Die zijn vaak op basis van supervised machine learning en helaas niet opschaalbaar voor een hele fabriek. Veel afwijkingen ontstaan namelijk willekeurig. Er zit geen patroon in en daardoor ontstaat er gewoon teveel ruis.
Unsupervised machine learning en human enhanced
Daarom maakt SAM GUARD gebruik van unsupervised machine learning. Dat alleen is echter niet genoeg. Stel: je hebt een fabriek met circa 4.000 sensoren en iedere 5 minuten krijg je een alert, dan praat je al snel over circa 250 alerts per dag. Niemand heeft de tijd om dat controleren. Veel van deze meldingen zijn daarnaast ook nog eens procestechnisch gezien niet echt relevant, je creëert daarmee dan alleen maar alarmmoeheid.”
SAM GUARD lost dit probleem goed op: “Door de extra laag die we aan de baseline machine learning engine toevoegen, zeg maar het human enhanced deel, krijg je een ijzersterke formule. Uitsluitend de procestechnisch betekenisvolle en dus relevante alerts blijven overeind. Dat zijn slechts 3 tot 4 relevante meldingen per dag voor een fabriek met circa 10.000 historian tags en dat is goed te managen.”
Momenteel wordt SAM GUARD in de procesindustrie gebruikt voor zowel batch als continue processen ”, zegt Geers. SAM GUARD draait meestal lokaal in de fabriek. Daarmee wordt tegemoet gekomen aan de IT- en cybersecuritywensen, maar uiteraard kan de tool ook als een cloudservice draaien.
Verder is er volgens Geers geen lange training nodig om met SAM GUARD te werken: “Het is een intuïtieve tool. De software is prettig om mee te werken. Omdat je alleen relevante meldingen krijgt, kweek je ook vertrouwen bij de gebruikers. Bovendien laat deze tool goed zien wat er precies aan de hand is, door bijvoorbeeld met een grafiek het causaal verband tussen meldingen te tonen.”
De resultaten binnen een fabriek na implementatie van SAM GUARD zijn soms al snel tastbaar: “We hebben een voorbeeld van een ethyleenplant, waarbij twee maanden werd gemonitord. Daarbij zijn door de klant zelf waardes toegekend aan iedere alert. De klant kwam binnen twee maanden uit op een financiële besparing van ruim 150.000 euro. Het geeft wel aan dat het met de ROI goed zit.”
Daarnaast draagt de tool er indirect ook aan bij dat het milieu en de veiligheid niet in het geding komen, bijvoorbeeld in het geval van het vooraf aan zien komen van een flare event of emissie van een chemische plant in de buurt van de bebouwde kom.
