Datengetriebene Prozessoptimierung in der Getränkeindustrie
Ein erhöhter Preis- und Wettbewerbsdruck stellt die Getränkeindustrie vor große Herausforderungen der Rationalisierung. Bestehende Ansätze aus den Bereichen Lean und Six Sigma geraten bei biochemischen Prozessen mit komplexen multivariaten Einflussgrößen an ihre Grenzen. Der Beitrag stellt einen Ansatz zur datengetriebenen Prozessoptimierung in der Getränkeindustrie auf der Grundlage von maschinellem Lernen vor.
Die deutsche Brauwirtschaft stellt mit 1.408 Braustätten, einem Absatz von 96 Millionen Hektoliter Bier und 7,8 Milliarden Euro Umsatz eine wichtige Säule des Wirtschaftsstandortes Deutschland dar [1]. Unter Hinzunahme der Zahlen für die gesamte Getränkeindustrie wird deren Relevanz für die deutsche Volkswirtschaft noch deutlicher. In mehr als 1.200 Betrieben sind rund 54.000 Mitarbeiter beschäftigt, die einen jährlichen Umsatz von mehr als 15 Milliarden Euro erwirtschaften [2]. Trotz eines stetigen Anstiegs von Energie-, Rohstoff- und Lohnkosten [3] stagnieren die Endverbraucherpreise seit Jahren [4], wohingegen der Konsum sogar rückläufig ist [2]. Diesem Trend kann nur durch signifikante Effizienzsteigerungen begegnet werden.
In den Betrieben haben sich im Laufe der Jahre im Zuge zunehmender Automatisierung große Datenbestände angesammelt. Eine Nutzung dieser Daten für statistische Auswertungen und Identifikation von in der Biochemie häufig multivariaten Mustern und Zusammenhängen war jedoch für eine lange Zeit nicht wirtschaftlich möglich. Lean-Initiativen und Ansätze der deskriptiven Statistik wie beispielsweise Six Sigma geraten an ihre Grenzen. Dank der Entwicklungen der letzten Jahre in den Bereichen Industrie 4.0 und Internet of Things (IoT), insb. in den Teilbereichen Data Mining und maschinellem Lernen, ist es nun möglich, diese Datenbestände auf komplexe Muster hin zu analysieren und Prozessoptimierungen zu initiieren [5]. In der Prozess- und insbesondere der Brauindustrie bestehen jedoch bisher wenige Vorerfahrungen auf diesem Gebiet. Erste Ansätze bestehen in Form von Labor- und Insellösungen oder Pilotumsetzungen, wie bspw. die Prognose der Dauer von Fermentationsprozessen [6], Markt- und Absatzprognosen [7], NIR-Analysen von Malzproben zur Prognose der Qualität des Läuterprozesses [8] bzw. der Analyse der Fusarium-Pilzinfektion [9, 10] oder der Einsatz von Data Mining zur Optimierung des Filtrationsprozesses [11].
Eine Betrachtung der Skalier- und Anwendbarkeit der Ansätze im industriellen Kontext wurde jedoch nicht berücksichtigt, da häufig nur Laborwerte und keine Betriebsdaten Verwendung fanden. Zu einer wirtschaftlichen Umsetzung von maschinellem Lernen in der Getränkeindustrie fehlen adaptierbare Lösungsmuster, Erfahrungswerte und Data Science-Kompetenzen. Weiterhin sind in der Getränkeindustrie bisher keine Referenzarchitekturen auf dem Markt etabliert, die den Aufbau eigener IT- und IoT-Strukturen sowie einen standardisierten Austausch von Daten ermöglichen. Um diesen Herausforderungen zu begegnen und die bisher wenig genutzten Daten als Wirtschaftsgut zu nutzen, wurde das Forschungsvorhaben „Datengetriebene Prozessoptimierung mit Hilfe maschinellen Lernens in der Getränkeindustrie“ (DaPro)* initiiert.
Datengetriebene Prozessoptimierung
Sowohl Maschinen- und Anlagenbauer als auch die Betriebe haben den Mehrwert der erzeugten Daten zur Transparenz- und Effizienzsteigerung bis hin zur Nutzung als eigenständiges Wirtschaftsgut erkannt. Das Forschungsvorhaben verfolgt das Ziel, diese Nutzenpotentiale zu erschließen und eine Referenzarchitektur für die Umsetzung von maschinellem Lernen in Getränkeindustrie zu entwickeln sowie Anwendern einen Werkzeugkoffer an Data Mining-Modulen für die Umsetzung eigener Anwendungsszenarien zu bieten. Die Schaffung einer einheitlichen Struktur zur Datenextraktion, -transformation und -verwaltung ermöglicht eine kollaborative Datennutzung zwischen Anlagenherstellern und Produzenten der Getränkeindustrie. Die zusätzliche Rückkopplung mit Data Scientists fördert zudem den Aufbau eigener Kompetenzen in der Umsetzung von Data Mining-Projekten. Eine Übersicht über die Ziele des Forschungsvorhabens DaPro ist in Bild 1 dargestellt. Im Folgenden werden die Teilziele sowie das Vorgehen detaillierter vorgestellt.
Vorgehensweise
Zu einer wirtschaftlichen und anwenderorientierten Umsetzung von maschinellem Lernen in der Getränkeindustrie ist die Entwicklung eines Werkzeugkoffers standardisierter Data Mining-Methoden und -Vorgehensweisen erforderlich. Dieser beinhaltet konkrete adaptierbare Lösungsmuster für eine Vielzahl an Anwendungsfällen in der Getränkeindustrie, sodass der Aufwand in der Umsetzung eigener Anwendungen deutlich reduziert wird. Der Fokus des Werkzeugkoffers liegt hierbei auf Rationalisierungspotentialen, unter besonderer Berücksichtigung der Energie- und Ressourceneffizienz sowie Verfügbarkeitssteigerung bestehender Anlagen.
Parallel dazu wird eine IoT-Referenzarchitektur für die kollaborative Datennutzung in der Getränkeindustrie entwickelt. Die Referenzarchitektur ermöglicht die Erhebung und Vorverarbeitung von Sensordaten sowie die Integration heterogener IT-Systeme auf einer gemeinsamen Data Mining-Ebene. Sie bildet somit die Grundlage für die Anwendung des Werkzeugkoffers. Zur Umsetzung dieser Referenzarchitektur werden Datenformate, Schnittstellen und Kommunikationsprotokolle festgelegt. Ein besonderer Fokus liegt in der Integration von industriell verbreiteter Standards wie OPC-UA, MQTT oder den Weihenstephaner Standards, insb. WS Pack und WS Brew.
Im nächsten Schritt gilt es, die Data Mining-Module robust, adaptiv und somit langfristig nutzbar zu gestalten. Ein besonderer Fokus liegt hierbei auf den Herausforderungen des Konzept-Drifts der eingesetzten Modelle, die zwar mit Vergangenheitswerten trainiert werden können, jedoch ebenfalls bei veränderten Rahmenbedingungen biochemischer Prozesse zuverlässig und adaptiv zu arbeiten haben. Weiterhin ist durch ein geeignetes Modell-Management sicherzustellen, dass bspw. bei Variation von Rohstoffen, Chargen, Leergut etc. die richtigen Modelle Anwendung finden. Somit werden Anwender befähigt, ohne tiefergehende Ausbildung und ohne einen hohen Anpassungsaufwand Data Mining im eigenen Betrieb anzuwenden.
Um den Umsetzungsprozess zu formalisieren und ebenfalls einen Transfer auf weitere Betriebe zu ermöglichen, erfolgt die Generalisierung in Form einer Einführungssystematik. Diese beinhaltet neben Hinweisen zu Methoden, Verfahren und IT-Systemen ebenfalls ein Modul zur Kompetenzentwicklung. Es ist zu untersuchen, bis zu welchem Grad der Aufbau interner Kompetenzen angesichts der zunehmenden Relevanz von Daten bis hin zu einem eigenen Wirtschaftsgut erfolgen kann und welche Kooperationskonzepte darüber hinaus mit externen Akteuren denkbar sind.
Prozessoptimierung in der Getränkeindustrie
Mit dem Ziel eines nachhaltigen wirtschaftlichen Einsatzes von maschinellem Lernen in der Getränkeindustrie wird parallel ein Nutzungskonzept und Geschäftsmodell entwickelt. Ziel ist es, den Werkzeugkoffer branchenweit zur Verfügung zu stellen, ein geeignetes Betreibermodell zu entwickeln sowie häufig auftretende Anwendungsfälle so generisch wie möglich als Lösungsmodule anzubieten.
Während der gesamten Projektlaufzeit erfolgt darüber hinaus die Umsetzung und Validierung von Anwendungsszenarien in Betrieben der Getränkeindustrie, sodass die entwickelten Bausteine auf ihre Praxistauglichkeit geprüft werden können. Bild 2 zeigt potenzielle Anwendungsfälle in den verschiedenen Branchen, die als Basis für den Werkzeugkoffer an Data Mining-Modulen dient.
Vorstudie liefert erste Ergebnisse
Zum Nachweis des Nutzenpotentials wurde eine erste Vorstudie bei der Bitburger Braugruppe durchgeführt. Ziel der Vorstudie war es, die Läuterdauer auf Basis der Malzparameter, die im Rahmen der Wareneingangskontrolle erhoben werden, vorherzusagen. Die Vorhersage der Läuterdauer wurde für die erste Studie ausgewählt, da dieser Prozessschritt eine Abbildung zwischen Eigenschaften des Rohproduktes und eines ersten Qualitätsmerkmales des Brauprozesses beschreibt. Die Läuterdauer ist ein Indikator für die weitere Verarbeitbarkeit des Produktes und hat somit Implikationen auf weitere Prozessschritte. Läutern beschreibt die Trennung zwischen flüssigen und festen Bestandteilen der Maische. Diese wird dabei in einem ersten Schritt erzeugt, bei dem Wasser und Malzschrot gemischt werden. Die Trennung erfolgt dabei durch eine natürliche Filterschicht aus den nicht gelösten Komponenten der Maische, die sich ablagern. Dieser Prozessschritt ist bedingt durch unkontrollierbare Eigenschaften des natürlichen Rohstoffes Malz Schwankungen unterlegen. Diese gilt es basierend auf Labor- und Sensordaten prognostizieren zu können.
Im Rahmen der Studie konnte gezeigt werden, dass eine Prognostizierbarkeit mittels gängiger Methoden des maschinellen Lernens bereits mit einer hohen Korrelation zwischen prognostizierter und tatsächlicher Läuterdauer erreicht werden konnte. Basierend auf historischen Daten aus den Jahren 2015 bis 2017 ist es gelungen, eine Korrelation der prognostizierten mit den realen Läuterdauern von 0,88 zu erzielen (Bild 3). Der mit der Software RapidMiner erzeugte Analyseprozess lässt sich dabei auf Echtzeitdaten anwenden, und kann somit in bestehende Unternehmensprozesse eingebettet werden, um den Brauern als Zusatzinformation zu dienen. Das erzeugte Prognosemodell kann jedoch nicht nur zur frühzeitigen Vorhersage genutzt werden, sondern auch Aufschluss über bisher unbekannte Zusammenhänge zwischen komplexeren Kombinationen von Prozessparametern geben. Das Prognosemodell, welches mit Methoden des maschinellen Lernens erstellt wurde, bildet einen Zusammenhang erfasster Einflussgrößen auf eine Zielgröße, hier die Läuterdauer, ab. Somit können Zusammenhänge zwischen verschiedensten Prozessparametern, die nicht durch Visualisierung oder statistische Betrachtung einzelner Eigenschaften erkennbar sind, aufgedeckt werden. Weiterhin lässt sich der Einfluss einzelner Sensorwerte und Labormessungen auf die Vorhersagegenauigkeit bestimmen. Zusammen bieten diese Informationen eine frühzeitige Einsicht in die zu erwartende Qualität des Produktes und ermöglichen beispielsweise den Einsatz anderer Rohstoffzusammensetzungen für eine bessere Produktqualität oder eine höhere Rohstoffausbeute.
Methode zur Vorhersage der Läuterdauer
Ausblick
Die Voraussetzungen in einer hochautomatisierten Branche wie der Getränkeindustrie bergen große ungenutzte Potentiale für datengetriebene Prozessoptimierung. Mit Hilfe von Methoden des maschinellen Lernens können aus großen Datenbeständen bei den Anwendungspartnern Modelle, Prognosen und einzelne Werkzeuge entwickelt werden. Eine Pilotstudie hat die Leistungsfähigkeit und Anwendbarkeit dieser Methoden in einem ersten Anwendungsszenario bestätigt. Nach Identifizierung weiterer möglicher Anwendungsfälle in der Getränkeindustrie werden im Verbundprojekt DaPro mit den Data Mining-Modulen sowie der IoT-Referenzarchitektur auf die Branche übertragbare Lösungsmuster entwickelt. Auf Basis dieser Erkenntnisse wird weiterhin geprüft, wie durch neue Kollaborationsformen (beispielsweise Data-Pipelines) externe Dienstleister und Entwickler aus der Software- und Maschinenbauindustrie mögliche Geschäftsmodelle entwickeln können.
Dieses Forschungs- und Entwicklungsprojekt wird/wurde mit Mitteln des Bundesministeriums für Bildung und Forschung (BMWi) im Programm „Smarte Datenwirtschaft“ (Förderkennzeichen 01MT19004D) gefördert und vom DLR Projektträger betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.
Schlüsselwörter:
Maschinelles Lernen, Data Mining, Internet of Things (IoT), Prozessindustrie, BrauwirtschaftLiteratur:
[1] Deutscher Brauer Bund e.V.: Deutsche Brauwirtschaft in Zahlen (2018). Berlin.
[2] Stracke, S.; Homann, B.: Branchenanalyse Getränkeindustrie. Marktentwicklung und Beschäftigung in der Brauwirtschaft, Erfrischungsgetränke- und Mineralbrunnenindustrie (2017). Hans Böckler Stiftung. Study Nr. 368. Düsseldorf.
[3] Statistisches Bundesamt: Pressemitteilung Nr. 087 (2019). Wiesbaden.
[4] Wettengl, S.: Bierpreise durch häufige Preispromotions unter Druck (2018). URL: https://wettengl.info/Blog/Dokumente/D180-Preisentwicklung-Bier.pdf. Abrufdatum 30.04.2019.
[5] Eickelmann, M.; Wiegand, M.; Konrad, B.; Deuse, J.: Die Bedeutung von Data-Mining im Kontext von Industrie 4.0. In: Zeitschrift für wirtschaftlichen Fabrikbetrieb (ZWF) 110 (2015) 11, S. 738–43.
[6] Microsoft: Brewing up a smarter way to make beer (2017). URL: https://customers.microsoft.com/en-us/story/deschutesbrewery. Abrufdatum 30.04.2019.
[7] Rasmussens, K.: Crunching Big Data into actionable insights (2017). Eyeon Planning Inspiration Day 2017.
[8] Holtz, C.; d. Krause; Hussein, M.; Gastl, M.; Becker, T.: Lautering Performance Prediction from Malt by Combining Whole Near-Infrared Spectral Information with Lautering Process Evaluation as Reference Values. In: Journal of the American Society of Brewing Chemists 72 (2014) 3, S. 214–19.
[9] Geißinger, C.; Hofer, K.; Habler, K.; Heß, M.; Hückelhoven, R.; Rychlik, M.; Becker, T.; Gastl, M.: Fusarium Species on Barley Malt: Is Visual Assessment an Appropriate Tool for Detection? In: Cereal Chemistry Journal 94 (2017) 4, S. 659–69.
[10] Hückelhoven, R.; Hofer, K.; Coleman, A.; Heß, M.: Fusarium infection of malting barley has to be managed over the entire value chain. In: Journal of Plant Diseases and Protection 125 (2018) 1, S. 1–4.
[11] Eberhard, M.: Optimisation of Filtration by Application of Data Mining Methods (2006). Dissertation. Wissenschaftszentrum Weihenstephan. Technische Universität München.
