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.