Die Top 3 AI Values für Müllverbrennungsanlagenbetreiber
1. Energieverbrauch und CO₂-Ausstoß reduzieren: Im Konzept unterstützt die KI eine gleichmäßigere Verbrennung: Führt der Kran gezielt Material mit dem jeweils erforderlichen Brennwert zu, muss die Anlage seltener mit Gas nachheizen oder überschüssige Wärme durch Kühlung ausgleichen.
2. Entscheidungen unmittelbar am Prozess treffen: Das KI-Modell soll auf einem Siemens Industrial Edge Device laufen. Scio integriert damit eine bestehende Technologieplattform. Die Bilddaten werden lokal verarbeitet, die Ergebnisse direkt für die Kransteuerung genutzt. Eine dauerhafte Übertragung großer Datenmengen in die Cloud ist damit nicht erforderlich.
3. Zusätzliche Risiken im Abfallstrom erkennen: Das Multikamerasystem kann künftig auch Gegenstände wie Gasflaschen oder andere gefährliche Stoffe bei der Abfallabgabe identifizieren. Die Edge-Infrastruktur des Konzepts kann damit um weitere Erkennungsaufgaben ergänzt werden.
Zitat
Niklas Kurtenbach, Director Business Development Technology bei Scio Automation: „Wenn die Müllverbrennungsanlage mitteilt, welchen Brennwert sie benötigt, könnten wir ihr im Konzept gezielt das passende Material aus dem Bunker zuführen. So ließe sich vermeiden, dass unnötig mit Gas nachgeheizt oder die Verbrennung gekühlt werden muss."
___________________________________________________________________________________________
Niklas Kurtenbach beschäftigt sich bei Scio Automation mit der Verbindung von klassischer Maschinenautomatisierung und neuen Technologien; darunter industrielle KI, virtuelle Inbetriebnahme, Maschinenanbindung und Robotik. Seine zentrale Erfahrung aus bisherigen Projekten: Die Integration einer KI betrifft meist mehr als das eigentliche Modell. „KI in der Produktion ist ein Transformationsprozess. Man kann ein System nicht einfach installieren und erwarten, dass es sofort einen Mehrwert liefert und funktioniert“, sagt er konkret.
Verkürzt eine KI beispielsweise die Taktzeit einer Anlage, wirkt sich das auch auf Materialversorgung, Logistik und Lagerkapazitäten aus, gibt er zu bedenken. „Eine lokale Optimierung kann neue Engpässe in angrenzenden Prozessen zur Folge haben. Unternehmen sollten deshalb vor dem Start prüfen, welche Veränderungen ein KI-System im gesamten Produktionsumfeld auslöst“, lautet sein Rat.
Bei jeder KI-Integration beginnt Scio deshalb grundsätzlich mit einem klar umrissenen Problem. Darauf folgt die Auswahl geeigneter Daten, der Aufbau eines Datenmodells und die Anbindung der Maschine. „Bei einer Edge-KI bleibt dieser Kreislauf eng mit der Anlage verbunden: Daten werden aus der Maschine übernommen, lokal verarbeitet und das Ergebnis unmittelbar zurückgegeben“, erklärt N. Kurtenbach weiter.
Zusammenarbeit mit dem Fraunhofer IMS im Projekt ZaKI.d
Erfahrungen mit diesem Vorgehen sammelte Scio Automation unter anderem gemeinsam mit dem Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS: Im Rahmen des Transferprojekts ZaKI.d bearbeiteten die Partner einen konkreten Anwendungsfall aus der Maschinenautomatisierung. Dabei bringt das Fraunhofer IMS seine Kernkompetenz "Embedded Software and Artificial Intelligence" und die Anwendungserfahrung des Geschäftsfelds Industry ein – von maschinellen Lernverfahren für eingebettete Systeme bis zur KI-gestützten Verarbeitung von Sensor- und Prozessdaten direkt an der Anlage. Im Transferprojekt ZaKI.D begleitet das Institut Unternehmen täglich dabei, geeignete KI-Anwendungsfälle zu identifizieren, zu erproben und für den Einsatz in betrieblichen Prozessen weiterzuentwickeln.
Ziel des KI-Projekts von Scio war es, fest programmierte Wartezeiten innerhalb eines Maschinenablaufs zu optimieren. Solche Wartezeiten werden häufig mit Sicherheitsreserven versehen, damit der nachfolgende Prozessschritt zuverlässig funktioniert. Sind sie zu lang, verlängern sie die Taktzeit. Fallen sie zu kurz aus, kann es zu Fehlern beim Greifen oder Ablegen eines Produkts kommen.
Eine der ersten Herausforderungen bestand darin, geeignete Daten aus der Maschine bereitzustellen.
„Das Herausführen der Daten aus der Maschine in einer Qualität, mit der sich eine KI trainieren lässt, ist uns zu Beginn des Projekts nicht direkt gelungen. Wir haben mehrere Schleifen gebraucht, bis die Anforderungen sauber erfüllt waren“, spricht N. Kurtenbach diese Erfahrung offen an. Der Aufbau einer KI-Anwendung beginne in der Praxis oft lange vor dem Training des Modells. „Signale müssen zugänglich, zeitlich korrekt erfasst und dem jeweiligen Prozesszustand eindeutig zugeordnet werden. Erst dann können sie als Grundlage für eine zuverlässige Analyse dienen.“
Im Projekt zur Wartezeitoptimierung zeigte sich außerdem, wie wichtig die Erfahrung der Menschen an der Maschine ist. Die Projektbeteiligten fragten einen Mechaniker, woran er erkenne, dass eine Wartezeit im Programm angepasst werden muss. Seine Antwort: Er höre, wenn die Anlage zu früh greift und ein Produkt schief aus der Aufnahme zieht.
„Wenn der Mechaniker den Fehler hört, brauchen wir ein akustisches Signal. Man muss mit den Menschen sprechen, die den Prozess heute schon optimieren“, lautet eine weitere Erkenntnis.
Das Beispiel zeigt, dass die Auswahl der Sensorik aus dem konkreten Ablauf heraus erfolgen sollte. Achtet das Bedienpersonal bislang auf ein Geräusch, kann ein Mikrofon die passende Datenquelle sein. Erfolgt die Beurteilung visuell, bietet sich ein Kamerasystem an. Für andere Anwendungen kommen Schwingungs-, Strom-, Temperatur- oder Positionsdaten infrage.
Die Zusammenarbeit im Projekt ZaKI.d hat Scio damit sowohl technische Erkenntnisse zur Maschinenanbindung als auch methodische Erfahrungen für weitere Edge-KI-Projekte geliefert. Dazu zählen, Use Cases zunächst in einem begrenzten Rahmen zu erproben und den Nutzen anhand konkreter Prozessgrößen zu bewerten.
Abfallbunker als digitaler Zwilling
Beim Konzept für Müllverbrennungsanlagen steht die Integration lokaler Bildverarbeitung im Mittelpunkt. Der Müll soll von Lastwagen in einen großen Bunker entladen werden. Von dort soll ein Kran jeweils mehrere Tonnen Material greifen und zum Verbrennungstrichter transportieren.
Die Herausforderung: Zusammensetzung und Brennwert des Mülls unterscheiden sich stark. „Material mit hohem Brennwert lässt die Verbrennungstemperatur steigen. Bei einem niedrigen Brennwert sinkt sie. Um die erforderliche Temperatur zu halten, muss die Anlage entweder zusätzliches Gas einsetzen oder Wärme durch Kühlung abführen“, erklärt N. Kurtenbach.
Scios Konzept sieht deshalb vor, den gesamten Bunker- und Entladeprozess mit einem Multikamerasystem zu erfassen. Die KI-basierte Bildauswertung zur Erfassung der Brennwerte des abgeladenen Materials wird vom Projektpartner StableFlame entwickelt und bereitgestellt. Während der Müll aus dem Lkw fällt, kann die StableFlame-KI die sichtbaren Materialeigenschaften und das Fallverhalten analysieren und daraus den voraussichtlichen Kalorienwert ableiten.
Parallel dazu erstellt StableFlame einen digitalen Zwilling des Abfallbunkers. Er bildet ab, an welcher Position Material mit welchem Brennwert liegt, und gibt dem zunächst weitgehend unbekannten Müllberg so eine räumliche und energetische Struktur. „Dank des digitalen Zwillings des Müllbergs wissen wir, welcher Brennwert an welcher Stelle zu finden ist“, so N. Kurtenbach.
Die Verarbeitung der Kamera- und Prozessdaten erfolgt auf einem Siemens Industrial Edge Device. Siemens liefert damit die Technologieplattform, auf der Scio das trainierte KI-Modell zur Erkennung und Klassifizierung des Mülls unmittelbar an der Anlage ausführen soll.
„Die lokale Topologie ist für den Anwendungsfall besonders relevant. Beim Multikamerasystem entstehen kontinuierlich große Bilddatenmengen. Würden sämtliche Aufnahmen für die Auswertung an eine Cloud übertragen, wären eine leistungsfähige Verbindung und hohe Übertragungskapazitäten erforderlich. Durch die Verarbeitung auf dem Edge Device sollen die Bilddaten in der Anlage verbleiben, während nur die daraus gewonnenen Informationen an die Steuerung weitergegeben werden“, erklärt der Scio-Experte. Auch die Reaktionszeit soll sich dadurch verkürzen: Der digitale Zwilling ließe sich fortlaufend aktualisieren und für die Positionierung des Krans nutzen. Teilt die Anlage mit, welchen Kalorienwert sie aktuell benötigt, würde der Kran gezielt in den Bereich des Bunkers greifen, in dem sich geeignetes Material befindet.
Die Lösung ist als Retrofit-Konzept angelegt: Der Kran, der den Müll in den Verbrennungstrichter befördert, wird entsprechend nachgerüstet. Die bestehende Anlage lässt sich damit um KI-Funktionen erweitern, ohne den gesamten Prozess neu aufzubauen.
Gleichmäßiger Brennwert entlastet die Prozessregelung
„Das Ziel ist eine möglichst homogene Beladung des Verbrennungstrichters. Große Schwankungen des Brennwerts sollen reduziert werden, damit die Prozessregelung weniger stark eingreifen muss“, erläutert N. Kurtenbach. Der KI-Nutzen entsteht aus dem Zusammenspiel mehrerer Funktionen: Das Multikamerasystem beobachtet die Abfallabgabe, die KI bewertet das Material, der digitale Zwilling ordnet die Informationen räumlich im Bunker ein, und die Kransteuerung nutzt diese Daten, um geeignete Bereiche anzufahren. Dadurch lässt sich der Verbrennungsprozess gleichmäßiger betreiben. Weniger zusätzliches Heizen und Kühlen senkt die Energiekosten und kann zugleich die CO₂-Emissionen reduzieren. N. Kurtenbach fasst das Einsatzprinzip der Edge-KI wie folgt zusammen: „Die Edge-KI arbeitet mit den Daten und gibt uns das Ergebnis sofort zurück.“
Die Bilder aus dem Bunker können neben Informationen über den Brennwert weitere Hinweise liefern. In Müllverbrennungsanlagen können sich Gegenstände befinden, die vor dem Verbrennungsprozess erkannt werden sollten, zum Beispiel Gasflaschen. Das Konzept ließe sich entsprechend um Objekterkennungsmodelle erweitern. „Die KI könnte solche Gegenstände bereits beim Entladen oder innerhalb des Bunkers kennzeichnen. Auf diese Weise würde sich die Lösung von einer reinen Brennwertanalyse zu einem umfassenderen KI-basierten Abfallbunkermanagement entwickeln“, so N. Kurtenbach.
Mit überschaubaren Use Cases beginnen
Prinzipiell rät N. Kurtenbach Unternehmen dazu, den KI-Einstieg über klar definierte Aufgaben mit einem nachvollziehbaren Nutzen zu suchen. Als besonders geeignet nennt er Anwendungsfälle, bei denen die KI einen bestehenden Prozess schrittweise verbessert.
„Eine zusätzliche kamerabasierte Fehlererkennung kann beispielsweise die Qualitätskontrolle ergänzen. Erkennt das System einen bislang regelmäßig übersehenen Fehler, steigt die Qualität. Eine einzelne nicht erkannte Abweichung verschlechtert den bisherigen Prozess zunächst nicht“, erklärt er am Beispiel. Solche Anwendungen erleichtern aus seiner Erfahrung heraus den Einstieg, weil sich Erfahrungen mit Daten, Modellen und Maschinenanbindung sammeln lassen, ohne eine kritische Funktion vollständig an die KI zu übergeben.
„Wir müssen konkrete Anwendungsfälle finden und die Eintrittsschwelle zunächst niedrig halten. So können wir die Produktion mitnehmen und zeigen, welchen Nutzen die Lösung tatsächlich bringt.“
Fazit
Die Projekte von Scio Automation verdeutlichen dabei zwei Seiten industrieller Edge-KI. Die Kooperation mit dem Fraunhofer IMS im Projekt ZaKI.d zeigt, wie sich ein eng begrenzter Maschinenprozess analysieren und optimieren lässt. Das Konzept für das Abfallbunkermanagement überträgt diesen Ansatz auf einen komplexeren Anlagenprozess mit Multikamerasystem und digitalem Zwilling von StableFlame sowie automatisierter Kransteuerung. In beiden Fällen bildet die lokale Verarbeitung die Grundlage dafür, aus vorhandenen Prozessdaten unmittelbar nutzbare Entscheidungen abzuleiten.