Wie selbstlernende KI Energie und CO2 reduziert
Wärme wird in vielen Produktionsprozessen benötigt. Ein Fallbeispiel zeigt, wie sich die Betriebskosten für Öfen und Trockner senken lassen – und dabei zugleich dem Fachkräftemangel getrotzt wird.
Viel Wärme wird bei der Stahlbearbeitung oder bei Trocknungsprozessen benötigt - aber der Energieeinsatz variiert deutlich und lässt sich durch KI optimieren.
Foto: Pixabay
Wärme ist extrem wichtig, sei es zum Schmelzen von Metall oder zum Trocknen von Keramik-/Gips- oder Holzprodukten. Um die notwendigen hohen Temperaturen zu erzeugen, muss viel Energie zugeführt werden. Oberste Priorität ist, eine gute Produktqualität zu erzeugen. Aber der Energieeinsatz variiert deutlich, obwohl das Material und der Maschineneinsatz nur geringen Veränderungen unterliegen.
Viele Einflussfaktoren berücksichtigen
Die Gründe dafür sind vielfältig. Es können klimatische Einflüsse sein, bedingt durch Hochsommer oder Winter sowie die Art der Lagerung. 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 die 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 des 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 diese 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.
Die Lösung: Maschine entscheidet selbst
Hört sich zu futuristisch an? Nicht wirklich: Denn die Erfahrungen zum optimalen Betrieb der Maschinen liegen in Form von Daten vor; und genau diese Steuerungsdaten „knackt“ die KI-Lösung von IS Predict. In diesen Daten ist dokumentiert, wann welches Material und wie viel davon in den Trockner kam, welche Zieltemperaturen wann eingestellt wurden und wie schnell sie erreicht wurden, wie kräftig die Ventilatoren die Luft umwirbelten, etc.
Diesen dokumentierten Erfahrungsschatz macht sich der Softwareentwickler aus Saarbrücken zunutze: Mathematisch-semantische KI-Netze sind über Jahre darauf spezialisiert worden, in schwierigen Datenstrukturen versteckte Zusammenhänge zu finden. Gerade in komplexer Produktion, die eine hohe Variantenvielfalt aufweist, hat sich die KI-Lösung im operativen 24/7-Betrieb bewiesen. Innovative und selbstlernende Künstliche Intelligenz-Algorithmik deckt diese verwobenen Zusammenhänge in Form von Datenmustern auf.
Semantische Netze mit Selbstlerneffekt
So laufen mehrere mathematische Modelle mit der Maschine mit: Die KI-Lösung „Predictive Intelligence“ hat einerseits selbstlernende Prognosemodelle, um sowohl die entsprechenden Qualitätskennzahlen und als auch die Energieverbräuche zu prognostizieren. Andererseits wird ein adaptives Simulationsmodul eingesetzt, um die verschlungenen Einflüsse und die optimalen Maschineneinstellungen aufzudecken. Die Software leitet aus diesen Erkenntnissen Empfehlungen zum Maschinenbetrieb ab und gibt diese entweder an den Maschinenführer oder direkt an die Steuerungseinheit der Maschine weiter. Dazu wird ein Steuerungsmodul genutzt.
Dank selbstlernenden KI-Systemen können auch sehr komplexe Zusammenhänge aufgedeckt werden, die oft selbst 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.
Der Hirnforschung abgeschaut
Die Entwickler haben ermittelt, dass sich in diesen Fällen der Einsatz von semantischen KI-Netzen besonders bewährt hat. Zwar redet jeder von „Deep Learning“ – und meint damit nahezu immer das Hintereinanderschalten von neuronalen Netzen. Doch bei IS Predict wurden aus der Hirnforschung semantische Netze abgeleitet, die die Information preisgeben, welche Einflüsse wie eine Rolle spielen; und das auch in hochkomplexen Datenstrukturen, bei denen andere Verfahren wie Entscheidungsbäume längst „aussteigen“ müssen. Durch diese Transparenz erhält der Maschinenführer zusätzlich ein noch besseres Verständnis von den verwobenen Produktionsabläufen – „die KI erklärt‘s dem Menschen“. (be)
IS Predict GmbH: Halle 2, Stand B 28 (Saarlandstand)
Ein Beitrag von:
