Künstliche Intelligenz in der Produktion

Energiekosten auf clevere Art und Weise reduzieren

31. Mai 2021, 13:50 Uhr   |  Britta Hilt, Richard Martens, IS Predict

Energiekosten auf clevere Art und Weise reduzieren
© Pixabay

Industrieöfen und -trockner sind hohe Energieverbraucher - gut, wenn Künstliche Intelligenz hier hilft, die Energiekosten zu verringern.

Beim Einsatz von KI geht es in der Regel darum, Daten auszuwerten und daraus einen Mehrwert zu ziehen. Der Mehrwert in der Industrie kann darin liegen, Energiekosten und Emissionen zu senken, die Maschineneffizienz mit vorausschauender Wartung zu erhöhen oder die Qualität bestmöglich zu steigern.

Die KI-Firma IS Predict befasst sich schon seit gut zehn Jahren mit Themen wie effiziente Prozesse für Mensch, Maschine, Material und Energieeinsatz. Nach Ansicht des Unternehmens tragen diese direkt zur Wertschöpfung und somit auch zum Unternehmenserfolg bei. Mithilfe seiner selbstlernenden Künstliche-Intelligenz-Softwarelösungen Predicitive Intelligence will IS Predict die kritischen Bereiche der Wertschöpfungskette effizienter und vorausschauender gestalten.

Im folgenden Use Case geht es darum, wie sich energieintensive Maschinen, beispielsweise Öfen und Trockner, kostengünstiger betreiben lassen, ohne dass auch nur eine Schraube verändert werden muss. Des Pudels Kern liegt hier in dem Wissen, welche komplexen Einflüsse sich wie und wann negativ auf den Energieeinsatz auswirken. Das Schlüsselwort ist also »Transparenz«, also das »Warum« verstehen. Deep Learning mit semantischen Netzen ist hier der Schlüssel.

Fallbeispiel: Reduzierte Betriebskosten für Öfen und Trockner

Wärme wird in vielen Produktionsprozessen benötigt, sei es zum Schmelzen von Metall oder zum Trocknen von Keramik-/Gips- oder Holzprodukten. Um die hohen Temperaturen zu erzeugen, ist viel Energie notwendig. Natürlich hat eine gute Qualität oberste Priorität. Aber oft zeigt sich auch, dass der Energieeinsatz deutlich variiert, obwohl das Material und der Maschineneinsatz nur geringen Veränderungen unterliegen. Die Gründe dafür sind vielfältig. Augenscheinlich können dies klimatische Einflüsse sein, denn es ist ein Unterschied, ob Holz getrocknet werden soll, das im Hochsommer verarbeitet wird, oder ob das Holz im Winter im Außenbereich gelagert wird. Jedoch sind die Zusammenhänge oft komplexer und hängen von unterschiedlichen, sich bedingenden, Einflüssen ab. Daher ist eine eindeutige Zuweisung oft nicht möglich.

Erschwerend kommt hinzu, dass Maschinenführer, die viele Jahrzehnte Erfahrung im Betrieb des Ofens oder des Trockners haben, in naher Zukunft in den Ruhestand gehen werden. Bei der jüngeren Generation ist es eher die Ausnahme als die Regel, einen Großteil ihres Berufslebens bei dem gleichen Arbeitgeber mit den gleichen Maschinen zu verbringen.

Optimal wäre es daher, die über Jahrzehnte angesammelte Erfahrung direkt in die Maschinen einzubringen. In dem Fall würde die Maschine sich selbst optimal steuern – oder der Mensch wäre am Hebel und würde von der Maschine Empfehlungen für die Steuerung des Ofens oder des Trockners bekommen.

Hört sich futuristisch an? Nicht wirklich: Denn die Erfahrungen zum optimalen Betrieb der Maschinen liegt in Form von Daten vor; nämlich in den Steuerungsdaten. Hier ist dokumentiert, wann welches Material und wie viel davon in den Trockner kam, welche Zieltemperaturen wann eingestellt und wie schnell sie erreicht wurden, wie kräftig die Ventilatoren die Luft umwirbelten, etc.

IS Predict KI
© IS Predict

Mehrschichtige semantische Netze beantworten die Frage, welche Einflüsse wie eine Rolle spielen.

Dieser dokumentierte Erfahrungsschatz wird mit Hilfe von mathematisch-semantischen KI-Netzen analysiert. Das jahrzehntelange Erfahrungswissen, das sich die Mitarbeiter aufgebaut haben und in der täglichen Arbeit anwenden, spiegelt sich in den Betriebsdaten wider. Künstliche-Intelligenz-Algorithmik deckt diese komplexen Zusammenhänge in Form von Datenmustern auf.

So laufen mehrere mathematische Modelle mit der Maschine mit, nämlich einerseits Prognosemodelle, um sowohl die entsprechenden Qualitätskennzahlen und als auch die Energieverbräuche zu prognostizieren. Ein Simulationsmodell bewertet verwobene Einflüsse und errechnet optimale Maschineneinstellungen. Ein Steuerungsmodell leitet daraus Empfehlungen zum Maschinenbetrieb ab und gibt diese entweder an den Maschinenführer oder direkt an die Steuerungseinheit der Maschine weiter.

Deep Learning mit semantischen Netzen

Mit selbstlernenden KI-System lassen sich auch sehr komplexe Zusammenhänge aufdecken, die oft auch den erfahrenen Maschinenführern bisher verborgen geblieben sind. Folglich reduzieren Steuerungsempfehlungen nicht nur die Energiekosten, wenn jüngere Maschinenführer am Werk sind, sondern auch erfahrene Werker profitieren davon.

Hier hat sich der Einsatz von semantischen KI-Netzen besonders bewährt. Im Gegensatz zu neuronalen Netzen geben diese die Information preis, welche Einflüsse wie eine Rolle spielen. Durch diese Transparenz erhält der Maschinenführer zusätzlich noch ein besseres Verständnis von den komplexen Produktionsabläufen. (kv)

Auf Facebook teilen Auf Twitter teilen Auf Linkedin teilen Via Mail teilen

Das könnte Sie auch interessieren

Verwandte Artikel

elektroniknet