KI in der Prozessindustrie Selbstlernende KI reduziert Minderqualität – auch in der Prozessindustrie

Anbieter zum Thema

MPDV Mikrolab GmbH

Schneider Electric GmbH

Telefonica Germany GmbH & Co. OHG

IS Predict GmbH

Immer wieder hört man, wie mithilfe von KI-Analysen die Produktionsabläufe verbessert werden können. Doch oft werden dann Beispiele aus der Automobilindustrie oder dem Maschinenbau genannt. Aus der Prozessindustrie hört man jedoch weniger. Woran liegt das?

Bringen Algorithmen in der Prozessindustrie etwa keine nennenswerten Vorteile? Sicherlich sind die Prozesse dort oft sehr komplex. So kann sich in einem Stahlkonverter, einem Nasssilo zur Herstellung von Gipsplatten oder in einer Zementmühle ein Gemisch von verschiedenen Stoffen befinden. Auch die stückorientierte Fertigung kann sehr komplex sein, da die Hersteller viele Hunderte Varianten ihrer Produkte erzeugen.

Nachhaltige Qualitätsoptimierung mithilfe von KI-Analysen kann dennoch auch in der Prozessindustrie funktionieren. Dafür müssen jedoch die Berechnungsverfahren die Veränderungen in den Prozessen erkennen, bewerten und entsprechende Algorithmikänderungen automatisch ableiten. Selbstlernende Algorithmen stellen dieses automatische Anpassen auf Veränderungen sicher, sodass Datenexperten nicht immer wieder Hand anlegen müssen. Dynamisches und adaptives Lernen ist ein kritischer Erfolgsfaktor für die langfristige Aussagekraft von KI-Lösungen, nicht nur, aber gerade in der Prozessindustrie.

Im Folgenden wird ein Beispiel aus der Zementindustrie näher erläutert. Daran lässt sich erkennen, wie trotz komplexer, sich verändernder Produktionsprozesse verlässliche KI-Aussagen realisiert werden können, mit deren Hilfe die gewünschte Qualität schneller und zuverlässiger erreicht werden kann.

Wie Künstliche Intelligenz die Qualität im Zementwerk verbessert

Problemstellung

In der Zementproduktion ist die Umstellung von einem Produkt auf eine andere Qualität nicht so einfach, da sich in der Zementmühle immer noch eine Masse mit einer bestimmten Zusammensetzung befindet. Hier kann es 45 Minuten dauern, bis das eingeführte Material bearbeitet ist und das Produkt vorliegt. Solange die gewünschte Qualität nicht erreicht ist, entsteht Ware mit Misch- oder Minderqualität.

Additive Fertigung

Wie Machine Learning die Präzision im 3D-Druck erhöht

Zielsetzung

Den Maschinenführern für Zementmühlen sollen automatisch Empfehlungen gegeben werden, wie sie schnellstmöglich mit sinnvollem Ressourceneinsatz zur gewünschten Qualität kommen. Diese Empfehlungen werden durch Künstliche Intelligenz-Algorithmen generiert, sodass die Zementmühle vorausschauend-optimal gesteuert werden kann – auch von weniger erfahrenen Mitarbeitern.

Ausgangssituation

In einer Zementmühle wird Klinker für unterschiedliche Zementsorten zerkleinert. Es gibt circa 20 Parameter, die in verschiedenen Kombinationen die Qualität beeinflussen. Etwa alle zwei Stunden wird eine Probe gezogen, die vom Labormitarbeiter ausgewertet wird. Abhängig von den Ergebnissen der Qualitätsmessung wird die Zementmühle anders eingestellt. Es hängt auch von den Erfahrungen des Maschinenführers ab, wie schnell die gewünschte Qualität erreicht wird. Das gilt insbesondere zum Chargenwechsel.

Projektbeschreibung

Aus der Steuerungseinheit der Zementmühle lagen Betriebsdaten wie Drehzahl, Gemenge, Stellungsdrosselklappe, Klinker, Gips und Rezeptur vor. Sogenanntes Rückgut wird recycelt, indem es dem Mahlprozess zugeführt wird. Dieses Rückgut ist besonders problematisch, da dessen Qualität oft nicht genau bestimmt werden kann.

Zuerst wurden KI-Verfahren auf der Basis von historischen Daten antrainiert, um die Qualität zu prognostizieren. Nachdem eine Prognosegenauigkeit auf ungelernten Daten von > 98 Prozent erreicht war, wurde ein Simulationsmodell realisiert, das berechnet, in welcher Konstellation der circa 20 steuerbaren Parameter die beste Qualität schnellstmöglich mit vernünftigem Ressourceneinsatz erzielt wird. Diese Ergebnisse wurden in ein Steuerungsmodell überführt, das die entsprechenden Empfehlungen für den Maschinenführer generierte. Das Steuerungsmodell kann direkt mit der Maschinensteuerung kommunizieren, sodass die Parameterveränderungen automatisiert erfolgen.

gesponsertDeep Machine Analytics

Mit Deep Machine Learning mehr Effizienz in der Produktion

Lösung

Selbstlernende KI-Lösungen decken auch in komplexen Verfahren der Prozessindustrie die verwobenen Einflussfaktoren auf. Die Daten werden in Echtzeit analysiert und die Steuerungsempfehlungen entweder in einer grafischen Oberfläche für den Maschinenführer dargestellt oder direkt für die automatische Umsetzung an die Kontrolleinheit der Maschine übergeben. So werden Maschinen automatisiert gesteuert, um – beispielsweise nach Chargenwechseln – schnellstmöglich zur gewünschten Qualität zu kommen.

Wann lohnen sich selbstlernende Algorithmen?

Gerade in der Prozessindustrie kann die Produktion sehr komplex sein. Dort müssen unterschiedliche Wechselwirkungen einzelner Prozesssteuerungen wie sogenannte Todzeiten beachtet werden, die verzögerte Auswirkungen auf den Produktionsprozess haben können. Diese Komplexität macht nicht nur dem Werker, sondern auch der KI das Leben schwer.

Eine KI-Lösung, die am Anfang sehr gute Ergebnisse liefert, verliert leider schnell an Aussagekraft, wenn sich die KI-Algorithmik nicht an die veränderten Begebenheiten anpasst. Was nützt der beste Digitale Zwilling, wenn er nur zu Beginn seinem realen Abbild gleicht? Für einen lang anhaltenden Mehrwert von KI-Lösungen ist daher die Adaptivität wichtig, also das ständige Anpassen auf neue Umgebungssituationen: Dies ist die Basis für selbst lernende Algorithmen und kontinuierliches Lernen.

Machine Learning

Wie Baukosten durch KI gesenkt werden können

KI-Prototypen, die nur einen sehr begrenzten Umfang haben, beispielsweise in einer Zementmühle, kommen ohne selbstlernende Algorithmen aus. Ein Datenwissenschaftler schafft es hier zeitlich problemlos, die Veränderungen in den mathematischen Modellen nachzuziehen. Wenn jedoch Dutzende von Anlagen angebunden sind, dann würde man eine Heerschar von Datenspezialisten benötigen, die immer wieder der Realität hinterherlaufen. Auch wenn diese Fachkräfte im finanziellen Rahmen des Werksleiters wären, so würde er die Stellen nicht besetzen können. Datenwissenschaftler sind auf dem Arbeitsmarkt sehr gefragt. Folglich werden sich nur die KI-Lösungen durchsetzen, sowohl wirtschaftlich als auch in der Breite, die sich selbstlernend auf Veränderungen anpassen können.

* Richard Martens arbeitet als Geschäftsführender Gesellschafter bei IS Predict in der Abteilung Forschung und Entwicklung.

(ID:47957896)