Forschung für den Mittelstand - Die IGF-Projektdatenbank

Untersuchung der Robustheit von KI-Anwendungen zur Prozessoptimierung bei der Zementherstellung

Die kontinuierliche Steigerung der Energie- und Ressourceneffizienz bei der Herstellung von Zement stellt eine Herausforderung für die Stabilität und damit die Steuerung des Prozesses dar. KI-Anwendungen bzw. Anwendungen des maschinellen Lernens wie Softsensoren oder Assistenzsysteme für Produktionssteuerer stellen vielversprechende Lösungen zur Prozesskontrolle und –optimierung dar. Der erfolgreiche Einsatz derartiger Lösungen kann zur Reduktion des thermischen und elektrischen Energiebedarfs, einer Verbesserung der Produktqualität und einer Erhöhung der Anteile von alternativen Brenn- und Rohstoffen beitragen. Voraussetzung dafür sind jedoch robuste KI-Anwendungen, die die Betriebssicherheit der komplexen Produktionsanlagen der Zementindustrie nicht gefährden.

Die mangelnde Kenntnis der verfahrenstechnischen und informatischen Einflussgrößen auf die Stabilität von Anwendungen des maschinellen Lernens stellt jedoch eine wesentliche Hürde für die erfolgreiche Anwendung in der Praxis dar. Insbesondere die KMU der Zementindustrie ohne Zugriff auf zentrale technische Einrichtungen verfügen nicht über Fachkräfte aus dem Bereich der Informatik oder Data-Science, um derartige robuste Lösungen aufzubauen. Und KMU aus dem Bereich der Regelungstechnik und Datenanalyse verfügen oftmals nicht über die notwendige verfahrenstechnische Erfahrung, um ihre Lösungen entsprechend der Prozessanforderungen zu adaptieren.

Am Beispiel der KI-Anwendung eines virtuellen Sensors wird im industriellen Umfeld der Zementindustrie untersucht, wie sich die verändernden Prozessbedingungen auf die Vorhersagequalität des Sensors auswirken. Dabei wird zum einen der verfahrenstechnische Einfluss durch regelmäßige Prozessuntersuchungen erfasst. Zum anderen wird die Robustheit der KI-Anwendung durch unterschiedliche Stresstests auf Basis realer Prozessdaten untersucht. Die Ergebnisse werden zur Entwicklung von Maßnahmen zur robusten Auslegung von KI-Anwendungen in der Zementindustrie ausgearbeitet.

Ergebniszusammenfassung:

Verschiedener SoftSensor Modelle für die Vorhersage der Mahlfeinheit von Zementmühlen wurden entwickelt und deren Ergebnisse gegenübergestellt. Hierzu wurde ein virtueller Versuchsstand entwickelt und genutzt.

Methoden zur Untersuchung der Robustheit von Zeitreihenvorhersagen wurden entwickelt und angewandt. Die Untersuchung der Robustheit von Seiten der Informatik hat bestätigt, dass unterschiedliche Modelle und Methoden unterschiedlich stark auf Veränderung in den Trainingsdaten reagieren. Einfache Modelle sind tendenziell robuster, liefern aber oft unter idealen Bedingungen nicht die gewünschte Genauigkeit. Besonders das Neuronale Netz LSTM wies hohe Robustheit und hohe Genauigkeit auf.

Seitens der Verfahrenstechnik zeigte sich, dass Anlagenänderungen deutlichen Einfluss auf die Ergebnisse haben können. Zwei Mahlanlagen wurden über die Projektlaufzeit verfahrenstechnisch mehrfach untersucht. Aufgrund von Empfehlungen änderte ein Werk den Mahlkörperfüllgrad, was zu einer deutlichen Veränderung des Vorhersageergebnis führte.

Auf Basis der Untersuchungen konnten allgemeingültige Handlungsempfehlungen zur Verbesserung der Robustheit formuliert werden. Diese beschreiben Maßnahmen im Zementwerk aber auch Seitens der IT. Besonders die Datenstruktur in Zementwerken kann verbessert werden, aber auch die Dokumentation von Anlagenänderungen. Es ist zudem zweckdienlich interdisziplinäres Wissen in Zementwerken, aber auch seitens der DataScience-Experten, aufzubauen. Eben mit diesem Domain-Wissen können Methoden, wie die hier entwickelte RRSB-Loss Function, entwickelt werden welche die Robustheit und damit die Akzeptanz verbessern.

Die Handlungsempfehlung und die beschriebenen Methoden können direkt angewandt und übernommen werden um die Robustheit von KI-Modellen zu verbessern.