Skalierbare Automatisierung des Digital Twin für Großanlagen in der Azure Cloud

Skalierbare Optimierung von Großanlagen bei Linde Engineering

Die Optimierung von Großanlagen wie Luftzerlegungsanlagen ist entscheidend, um langfristig Kosten zu senken und die Effizienz zu steigern. Die Einführung von Advanced Process Controls ist jedoch aufwändig und teuer. Mit einem von Linde entwickelten Machine-Learning-Ansatz, insbesondere durch Reinforcement Learning, konnte die Implementierungszeit auf nur einen Monat reduziert werden. Das Linde Machine-Learning-Modell agiert als „digital twin“ der Anlage und ermöglicht die Simulation und Optimierung von Einstellungen. Wir von PRODATO hatten das Ziel, den Python-Code der Machbarkeitsstudie in die Microsoft Azure Cloud zu integrieren. Der Proof-of-Concept bestätigte die erfolgreiche Optimierung von Luftzerlegungsanlagen.

Linde Engineering zählt weltweit zu den führenden Unternehmen im Bau schlüsselfertiger Industrieanlagen und kann dabei auf jahrzehntelange Erfahrung und über 1.000 Patente zurückgreifen.

Nahtlose Integration und Automatisierung von Machine Learning in der Microsoft Azure Cloud

Im Projekt integrierte das Expertenteam von PRODATO den Python-Code der Machbarkeitsstudie in die Microsoft Azure Cloud. Nach einer detaillierten Anforderungsanalyse wurden passende Technologien und Dienste innerhalb der Cloud ausgewählt. Die Datenanbindung wurde gezielt für strukturierte und unstrukturierte Daten entwickelt. Darauf basierend entstand die Machine-Learning-Pipeline, die Datenvorverarbeitung und das Training des digitalen Zwillings umfasste. Die Konfiguration wurde für jede Luftzerlegungsanlage angepasst. Die manuelle Evaluierung des Machine-Learning-Modells sicherte die Leistungsfähigkeit, und eine transparente Versionierung der Data- und Machine-Learning-Pipelines wurde integriert.

Zusätzlich konzipierte das Team Docker-Container für plattformübergreifende Kompatibilität und automatisierte den Prozess durch DevOps Pipelines (Continuous Integration und Continuous Deployment). Die Implementierung in der Azure Cloud ermöglicht es Linde, in über 80 Ländern für mehr als 2.800 Anlagen konfigurierbare Machine-Learning-Modelle zu trainieren, manuell zu verifizieren und produktiv einzusetzen.

Herausforderungen geschickt gemeistert durch optimale Lösungskonzepte

Während des Projekts stellte das Team fest, dass die Verwaltung von strukturierten und unstrukturierten Datensätzen optimiert werden musste. Besondere Aufmerksamkeit wurde auf die Artefakte der Machine-Learning-Pipeline gelegt, die für Trainingsläufe leicht zugänglich und transparent verfügbar sein mussten. Unser Projektteam entschied sich für die Implementierung eines Azure Data Lakes, der eine präzise Struktur und Hierarchie für die Datenspeicherung bereitstellt. Diese Struktur wird stringent und automatisiert durch den Code umgesetzt.

Zusätzlich bestand die Herausforderung, mehrere Machine-Learning-Modelle gleichzeitig mit denselben vorverarbeiteten Daten zu trainieren. Dies wurde durch Parametrisierung der Modellanzahl mit einer Konfigurationsdatei erreicht, was die Ressourcennutzung optimiert und die Trainingsprozesse reibungslos ablaufen lässt.

Effiziente Technologieintegration für eine erfolgreiche Projektrealisierung

Im Verlauf des Projekts kamen eine Vielzahl von Technologien zum Einsatz, die zu einer effizienten Umsetzung beitrugen. Dazu gehören: Azure DevOps, Azure Machine Learning Workspace, Azure Container Registry, Azure Blob Storage, Azure Data Lake, Azure Logic App, Azure Key Vault, Python, Docker, Terraform.