AKKI-KS Projektübersicht
Projektbeschreibung
Die Umsetzung der Kalksandstein-Roadmap erfordert u.a. Maßnahmen im Bereich der Digitalisierung. Hier ist eine Reduzierung des Energieverbrauchs und der CO2-Emissionen durch optimalen Betrieb von Autoklavensystemen möglich. Herzstück des Autoklavierungsprozesses ist in jedem KS-Werk das Dampfsystem. In den meisten KS-Werken sind Anlagentechnik und Steuerung prinzipiell ähnlich aufgebaut. Durch unterschiedliche Anlagendetails und Prozessspezifika ergibt sich jedoch ein anlagenspezifisches Verhalten des Dampfsystems. Aufgrund der hohen Prozesskomplexität und Systemdynamik – insbesondere bei Überleitvorgängen – ist eine vollständig algorithmische Modellierung nur mit hohem experimentellem Aufwand zu erreichen. In der Folge können die korrekten Betriebsparameter für die Anlagen nur aus Erfahrungswerten geschätzt werden. Häufig wird leider zugunsten des Durchsatzes auf Energieeffizienz verzichtet. Mit diesem Forschungsprojekt soll deshalb durch den Einsatz von künstlicher Intelligenz eine aufwandsärmere Methodik erforscht werden, wie ein energieoptimaler Betrieb von Autoklavensystemen erreicht werden kann. Dafür soll eine KI-Software aus vorliegenden Produktionsdaten das werksspezifische Verhalten der Dampfsysteme erlernen. Ein sog. „KI-Agent“ wird trainiert, der dann im Betrieb Empfehlungen zur energieoptimalen und prozesssicheren Systembedienung gibt. Als Projektziel entsteht eine Lösung, die Produzenten ohne kapitalintensive Anlagen oder Anlagenerweiterungen sowie Produktivitätsverlust zur Energieeinsparung befähigt. Am Ende steht für das einzelne Werk eine Software, die in Echtzeit die Autoklavenbedienung unterstützt. Neben der Vorhersage realer Härtezeiten werden Empfehlungen für die energieoptimale und prozesssichere Bedienung des Härteprozesses gegeben. Im Erfolgsfall kann das KS-Werk ohne Produktivitätsverlust Energie und CO2 bei der Autoklavierung einsparen. Ein formalisierter Prozess erlaubt die einfache Übertragung auf weitere Werke. Der Transfer erfolgt über mehrere Maßnahmenpakete (Seminare, Beratung, Fachveröffentlichungen, Tagungen und Kongresse, etc.).
Der Lehrstuhl FAPS bringt seine Kompetenzen insbesondere bei tiefgehenden Problemstellungen im Bereich des Machine Learnings ein und übernimmt die Führung in den zugehörigen Arbeitspaketen der Datenvorverarbeitung und der Entwicklung eines Optimierungsagenten zur Unterstützung einer energieoptimalen Autoklavierung.
