Die KI-Algorithmen verlangen allerorts nach immer mehr Daten, so auch nach jenen aus Produktionsanlagen und deren Maschinen. Das utopische Versprechen lautet ganz wie zu Zeiten Galileis und den Fallexperimenten am schiefen Turm von Pisa: „Gib mir Informationen aus der Vergangenheit und ich werde dir die Zukunft deines Systems vorhersagen“. Der Unterschied zu damals besteht heute darin, dass damit nicht nur der theoretische Wissensdurst gestillt wird, sondern in der Praxis auch viel Geld und Ressourcen gespart werden können. Die Zusammenhänge in einer modernen Produktionsanlage sind so komplex, dass sie mittlerweile auch mit den besten Simulationstools und Expertensystemen kaum analytisch erfassbar und beschreibbar sind. Letztere erfassen einen endlichen Satz an Merkmalen und deren logische Verknüpfungen, die entweder auf Erfahrung oder im weitesten Sinne physikalischen Kausalitäten beruhen. Allerdings ist in der Praxis jede Anlage anders, und die Kausalitäten für den Menschennicht alle einsehbar sowie hochgradig multivariat. Hier kommt der Vorteil einer KI zum Tragen: Die entsprechenden Systeme extrahieren die wesentlichen Merkmale aus den Daten selbstständig. Während einige dieser Merkmale dem Experten bereits bekannt und auch nachvollziehbar sind, entdecken die neuronalen Netze auch Korrelationen und Strukturen, die bisher noch gänzlich unbekannt und auch unverstanden sind.
Analyse von Materialströmen
Mit dem EVK Stream Supervisor bietet EVK DI Kerschhaggl eine Softwarelösung für die Datenanalyse von Materialströmen in Produktionsanlagen an, die in der Lebensmittelverarbeitung, der pharmazeutischen und chemischen Industrie, sowie im Recycling und Bergbau eingesetzt werden. Die Algorithmen für maschinelles Lernen liefern dabei Schlüsseldaten für wertbringende Geschäftsentscheidungen. Die Software mit Mehrpunktüberwachung ist mithilfe der Hyperspektralkameras von EVK in der Lage industrielle Materialströme in der Produktionslinie anhand ihrer chemischen Zusammensetzung und Verteilung zu überwachen, und Schlüsseldaten für die Echtzeitüberwachung anhand klassifizierter Bilddaten bereit zu stellen. Die so extrahierten Materialdaten, die auch kontinuierlich exportierbar sind, bilden im weiteren Verlauf die Grundlage für die bis dato nicht zugängliche Steuer- und Regelschritte im Verarbeitungsprozess. Letztere werden beim EVK Stream Supervisor technisch über eine SPS-Kommunikation mit OPC UA Protokoll umgesetzt. Durch Kenntnis der spezifischen Produktzusammensetzung auf Basis von NIR-Spektren, der Produktverteilung bzw. Dichte entlang des Produktionsflusses (z.B. am Förderband) lassen sich so Maschineneinheiten im Anschluss an die Messpunkte optimal einstellen, um z.B. die Produktqualität und/oder Anlagenproduktivität zu steigern.
Einsatz in der Recyclingindustrie
In einer Fallstudie wurde die Herausforderungen der Anlagensteuerung in der Recyclingindustrie für eine verbesserte Sortierleistung untersucht. Hierbei kam der EVK Stream Supervisor zusammen mit den EVK Helios Hyperspektral-Kamerasystemen zum Einsatz. Die Optimierung der Siebeeinheit im Aufbereitungsprozess einer großen Recyclinganlage mit Hilfe der erfassten Sensordaten ergab eine potenzielle Produktivitätssteigerung von bis zu 15%[1]. Je nach Marktpreisen der entsprechenden Wertstoffe entspricht diese Größe einer Steigerung von mehreren Hunderttausend Euro pro Jahr.
Derzeit können mit der Software bis zu fünf Helios EQ32 Hyperspektralkamerasgleichzeitig ausgewertet werden, um so effektiv diverse Mehrpunktmessungen in der Anlage realisieren zu können. Die Kombination aus Software und Kamerasysteme bietet damit ein leistungsstarkes Gesamtpaket für die Inline Analyse und Überwachung von Prozessströmen in Echtzeit in einer Reihe von Branchen.
Ausblick
Neben den ortsaufgelösten NIR-Spektren sind in Zukunft auch weitere Sensoranbindungen geplant. Aus der Sortiertechnik weiß man beispielsweise, dass selten nur ein Sensortyp ausreicht, um eine umfassende Aufgabenstellung zu lösen. Oft führt erst das Zusammenspiel mehrerer unterschiedlicher Sensoren und die Extraktion unabhängiger Merkmale wie chemische Zusammensetzung, Farbe, Form, Textur, Leitfähigkeit, Dichte etc. im Sinne eines Multi-Messenger-Ansatzes zum Ziel. So ist auch im Falle des Anlagenmonitorings die zusätzliche parallele Verarbeitung von z.B. RGB-, Laser-, Röntgen- und Induktivitätsdaten in höchstem Maße sinnvoll. Nur so werden sich auch die letzten komplexeren kausalen Zusammenhänge diverser Anlagenteile erschließen lassen, damit sich Galileos Traum erfüllt: Messbar machen, was noch nicht messbar ist!