Use Case Batch-Prozesse
Qualitätsprognosen in Batchproduktionsverfahren
In großindustriellen Batch-Prozessen werden Rohstoffe und Hilfsstoffe in definierten Mengen und Zeitabständen in teils riesige Rührwerk gegeben und vermischt. Während des Mischvorgangs können chemische Reaktionen auftreten, die die Produktqualität beeinflussen. Am Ende des Prozesses wird eine Probe entnommen und auf unterschiedliche Qualitätsmerkmale, wie zum Beispiel Viskosität, pH-Werte oder Kappa-Werte geprüft.
Das Verfahren an sich bleibt immer gleich, das Rezept ebenfalls. Aber auch die Menge der Zutaten unterliegen in der Herstellung gewissen Schwankungen, die ein identisches Endprodukt nicht gewährleisten können. Mithilfe von KI können frühzeitig Prognosen erstellt werden, ob die Qualitätsparameter des Endprodukts innerhalb der Toleranzen liegen und Hinweise zum Gegensteuern geben. Dies ermöglicht eine proaktive Prozessanpassung und vermeidet Ausschuss.
AIM kombiniert das Domänenwissen der Hersteller mit KI-Know-how, um gemeinsam Anwendungsfälle zu identifizieren und maßgeschneiderte Lösungen zu entwickeln. Diese Synergie führt zu verbesserten Produktionsprozessen, Energieeinsparungen und weniger Maschinenstillständen, wodurch die Produktion effizienter und nachhaltiger wird.
Was sind typische Einsatzszenarien für KI in Batch-Prozessen?
Reduzierung von Ausschuss
Reduzierung von Nacharbeiten
Sicherung der Prozess-Stabiliät (kein Blockieren nachfolgender Produktionsaufträge)
Bessere Planbarkeit
KI-gestützte Optimierung in Batchproduktionsverfahren – Ein Überblick
Unser schematischer Ablaufplan zeigt Ihnen die wesentlichen Bereiche eines Batch-Prozesses, in denen Künstliche Intelligenz Ihre Prozesse entscheidend verbessern kann. Beispielhaft kann man hier drei Phasen betrachten.
- Zuführung der Rohstoff-Teilemengen: Optimierung der Qualität des Endproduktes durch frühzeitige Prognose von Qualitätsmerkmalen am Endprodukt
- Mischen, ggf. Erhitzen und chemische Reaktion: Stabilisierung der Produktion durch präzise Vorhersagen und Anpassungen
- Qualtitätskontrolle: Minimieruung von Ausschuss und Nacharbeiten
Wir haben mehrere vielversprechende Use Cases identifiziert. Zwei davon stellen wir Ihnen nachfolgend detailliert vor.
2 Use Cases für Industrielle KI in Batchproduktionsverfahren
im Detail
Viskositätsprognosen in der Farb-Herstellung
Es gibt Rohstoffe und Hilfsstoffe, die zu Beginn dieses Prozesses, in definierten Mengen und Zeitabfolgen in ein riesiges Rührwerk gegeben und miteinander vermengt werden. Dabei kann es auch zu chemischen Reaktionen kommen.
Am Ende des Herstellungs-Prozesses wird eine Probe genommen und das fertige Produkt auf Qualitätsmerkmale (Qualitätsparameter) geprüft (bspw. Viskosität, pH-Werte, Kappa-Werte usw.)
Erst am Ende des Herstellungsprozesses ist es möglich, die Qualität im Labor zu prüfen.
Ist die Viskosität des Endproduktes zu hoch oder zu niedrig, kann im günstigsten Fall durch Zugabe von Wasser bzw. Leim aufwendig nachgearbeitet werden.
Im ungünstigsten Fall wurde Ausschuss produziert und der komplette Batch muss entsorgt werden.
- Material: Rohstoff-Teilemengen
- Sensorik: Stromaufnahme und Drehzahl vom Rührwerk, Druck, Temperatur
KI prognostiziert in einem frühen Prozessabschnitt, ob die Qualitätsmerkmale des Endprodukts innerhalb der Toleranzen liegen werden:
- Ursachenanalyse und Rückschluss auf relevante Einflussfaktoren auf die Viskosität
- Frühzeitige Erkennung von Veränderungen während des Mischprozesses
- Prognose der Viskosität
- Adaptive Regelung zur Vermeidung von Viskositäten außerhalb der Toleranzen
- Kostenreduktion durch weniger Nacharbeiten (Energie, Rohstoffeinsatz usw.)
- Vermeidung der Blockade der Produktionsanlagen für die Folgeaufträge
- Bessere Planbarkeit
Zellstoffherstellung
Dieser Use Case befasst sich mit der Herstellung von Zellstoff – vom Baum (Rohmaterial) bis zum Zellstoff.
- angelieferte Fichten- und Buchenstämme werden in Hackschnitzel geschreddert
- im Kocher werden die Schnitzel unter Druck weitererarbeitet
- wird unter Chemikalieneinsatz gebleicht
Das Papier aus der Zellstoffherstellung wird als Grundmaterial genutzt, für die Weiterverarbeitung und Veredelung genutzt.
Der Wert, der am Ende etwas über die Qualität aussagt, ist die Kappa-Zahl.
Ist dieser Wert zu hoch, muss mit zusätzlicher Bleiche nachjustiert werden.
Dieser zusätzliche Prozessschritt bedeutet vor allem eines: hohe Bleichkosten + Umweltbelastung.
- Material: Holz, Säure, Bleich-Chemikalien, Natronlauge
- Prozessinformation: Kochzeit
- Sensorik: Druck, Temperatur
- Ursachenanalyse und Rückschluss auf relevante Einflussfaktoren
- Frühzeitige Erkennung von Veränderungen in der Kappa-Zahl während des Kochprozesses
- Prognose der Kappa-Zahl
- Adaptive Regelung zur Vermeidung von hohen Kappa-Zahlen
- Kostenreduktion durch geringere Chemikalieneinsatz
- keine Zellstoffengpässe (Vermeidung von Ausschuss)
- bessere Planbarkeit (Materialeinsatz)
Statt “Kochen nach Bauchgefühl und Erfahrung” = Frühzeitige Erkennung und Prognose von Kappa-Zahlen.
Rollenaufwicklungsfehler oder Tambour-Abrisse im Kalander und Zuschnittsbereich
In Kalandern wird das Papier zur Erhöhung der Qualität für den Weiterverarbeitungsprozess (z.B. Bedruckung) mechanisch geglättet und auf eine einheitliche und gleichmäßige Dicke gewalzt. Dabei wird die Papierbahn durch mehrere Walzen geführt = Glättungsprozess
Das Kalandrieren erfolgt unter sehr hohem Druck und hoher Temperatur.
Da dies der letzte Schritt im Herstellungsprozess ist, wird das Papier anschließend auf riesige Tamboure (Rollen) aufgewickelt.
Für den Zuschnitt und die Verpackung werden die Tamboure wieder abgewickelt.
Das Papier muss in gleichmäßiger Dicke mit gleichmäßiger “Kraft” aufgewickelt werden, ansonsten läuft das Papier schief auf die Rolle (Tambour) = Wickelfehler. Zudem besteht die Gefahr dass Anrisse, Abrisse oder Falten im Papier entstehen.
Werden Verschleiß oder Wicklungsfehler erkannt, wird die Aufwicklung gestoppt (Qualitätsproblem) und die Fehlersuche eingeleitet. Um Ausschuss zu minimieren, wird die Produktion kurzzeitig angehalten.
- Aufgezeichnete Messwerte (Sensor): Stromaufnahme, Drehzahl, Temperatur, Druck (an Führer- und Antriebsseite der Walzen), Farbauftragsmengen in g pro m2, Papierdicke über den Querschnitt (2x), Aufrollgeschwindigkeit, Durchmesser der Tamboure
- Prozess-Informationen: Unterschiedliche Programmabläufe/Produkte: Grammaturen der Tamboure, Wartungsintervalle, Walzenaustauschzeitpunkte, Papiersorte, spezifisches Flächengewicht
- Historische Störungsmeldungen vorhanden, ggfs. Anlagenhistorie (Bauliche Anpassungen)
- Ursachenanalyse und Rückschluss auf relevante Einflussfaktoren der Wicklungsfehler
- Frühzeitige Erkennung von Veränderungen im Dickenprofil
- Prognose der Wicklungsfehler
- Adaptive Regelung zur Vermeidung von Wicklungsfehlern
- Verkürzung der Suchzeit der auftretenden Wicklungsfehler/ schnellere Wiederherstellung des ordnungsgemäßen Prozesses
- Stillstände reduziert
- Schäden an den Kalanderwalzen frühzeitig erkennen
- Walzen werden verbrauchsorientiert getauscht, nicht nach Intervall
- Vermeidung von ungeplanten Stillstandzeiten
- Stress reduzieren für operative Mitarbeiter
Weitere Use Cases, die in der Papierfertigung zu finden sind:
- Optimierung der Dehnung in Längsrichtung (Qualität)
- Effizienter Stärke-Einsatz: Minimaler Stärke-Einsatz für maximale Qualität (Qualität)
- Anomalie-Erkennung und Störungsprognose an der Anlage, wie bspw. Förderbänder und -shuttle (Maintenance)
- Filzverschließ: Verbrauchsorientierter Tausch, statt im Intervall (Maintenance)
- Prognose von Pumpenausfällen (Maintenance)
- Stromspitzen bzw. Lastspitzen-Prognose (Energie)
Management Summery
ROI
Stillstände kosten viel Geld (bis zu 100.000 Euro pro Stunde)
Wissen konservieren
Personalmangel, -abwanderung & Rente
Sie haben Fragen?
Industrial AI Expert