Session 1.2: Künstliche Intelligenz für die Stahlbranche
14:00 Uhr:
„Kann KI die Planung in der Metallindustrie revolutionieren?“
Michael Janßen, Dr. Pascal Lutter (Bronk & Company GmbH)
Die Planung in der Metallindustrie wird von vielen Verantwortlichen als Achillesferse im eigenen Unternehmen identifiziert. Seit vielen Jahrzehnten wird versucht, die Komplexität der Planung durch den Einsatz von Optimierungsmethoden zu beherrschen und Steuerungsfähigkeit herzustellen. Mit der zunehmenden Steigerung von Rechenleistung in Kombination mit verbesserten Algorithmen, wird es zukünftig möglich werden, innerhalb kürzester Zeit „gute“ Pläne zu erzeugen und somit schnell auf Veränderungen über die gesamte Kette hinweg zu reagieren. Dadurch rückt das Ziel einer steuerungsfähigen und reaktiven Supply Chain in greifbare Nähe. Obwohl die skizzierte Entwicklung aus Sicht von Bronk & Company noch ein Stück weit in der Zukunft liegt, sollten Unternehmen unbedingt jetzt damit starten, ihre Daten- und Systemwelt zukunftsfähig zu machen, Wissen aufzubauen und auf diesem Weg bereits erhebliche Effizienzpotenziale zu erschließen.
Session 1.2: Künstliche Intelligenz für die Stahlbranche
14:20 Uhr:
„KI-nderleichtes Anlagenmonitoring: Von der interaktiven Fehlersuche zur automatischen Prozessüberwachung“
Dr.-Ing. Andreas Quick (iba AG)
Die datenbasierte Prozessanalyse ist in der Stahlindustrie seit langem gängige Praxis. Daten helfen, Fehler genau zu lokalisieren, Ursachen für Störungen zu ermitteln sowie Prozesse besser zu verstehen. Gerade in komplexen Anlagen mit mehreren Aggregaten und miteinander interagierenden Steuerungen ist die Analyse der Daten ein wichtiges Werkzeug für die Fehlerlokalisierung und Prozessoptimierung. Um dabei aber das volle Potenzial der in der interaktiven Analyse gewonnenen Erkenntnisse zu nutzen, müssen Messdaten auch zur automatischen Prozessüberwachung verwendet werden. Auf diese Weise können Störungen, Verschleiß und Anomalien frühzeitig erkannt und in Echtzeit in Abläufe eingegriffen werden. Ungeplante Stillstände, Ausfälle und mangelnde Produktqualität lassen sich dadurch vermeiden. Online-Assistenzsysteme helfen, Prozessanomalien und sich anbahnende Störungen – beispielsweise durch Verschleiß oder Verschmutzung – zu erkennen und die damit verbundenen Maschinen- und Anlagenausfälle sowie Qualitätsminderungen zu vermeiden. Zur automatischen Prozessüberwachung werden Methoden wie Time Synchronous Averaging (TSA), Auto Adapting und Machine Learning anhand praktischer Beispiele vorgestellt.
Session 1.2: Künstliche Intelligenz für die Stahlbranche
14:40 Uhr:
„ChatGPT in der Instandhaltung: Wie wir mit Data Science und ChatGPT aus unstrukturierten Daten wertvolle Erkenntnisse gewinnen“
Elisabeth Schloten (KIOTERA GmbH)
Session 1.2: Künstliche Intelligenz für die Stahlbranche
15:00 Uhr:
„Der PCF product carbon footprint im Stahlhandel Beschreibung – Berechnung - Bedeutung“
Tanja Jacobs (Salzgitter Mannesmann Handel GmbH)
Session 1.2: Künstliche Intelligenz für die Stahlbranche
15:20 Uhr:
„Hope oder Hype? KI-Ansätze zur Datenanalyse und Optimierung der Zinkauflage in einer Feuerverzinkungslinie“
Gernot Nothacker (thyssenkrupp Steel Europe), Dr.-Ing. Matthias Irle (EMG Automation GmbH)
Im Kontext der industriellen Produktion kann KI zur Optimierung von Prozessen und zur Analyse von Produktionsdaten eingesetzt werden. Ein Beispiel hierfür ist die F&E-Kooperation von thyssenkrupp Steel Europe, der EMG Automation GmbH und dem Düsenhersteller DUMA BAND-ZINK. Nach Installation einer DUMA-Düsenmaschine mit einer integrierten EMG-Bandstabilisierung arbeiten die Partner seit 2019 in einem Forschungs- und Entwicklungsprojekt zusammen, um Algorithmen des maschinellen Lernens (ML: Machine Learning) - als Teilgebiet der KI-Welt - für die Echtzeitprognose der Zinkauflage in einer Feuerverzinkungsanlage zu testen. Die entwickelte Softwareplattform EMG iCASS® (intelligent Control and Analytical Software Solutions) ermöglicht es, auf Basis von ML-Modellen in Echtzeit (<100 ms) Vorschläge für die Einstellwerte des Düsendrucks der Abblasdüsen zu generieren. Die Einführung der ML-Modelle zur Vorhersage der Zinkschichtdicke ermöglichte es, die Zinkschichtdicke in drei Spuren auf der Ober- und Unterseite des Bandes über die gesamte Bandlänge mit ausreichender Genauigkeit vorherzusagen. Darüber hinaus zeigte die Analyse der Daten Potenzial zur Optimierung der Sicherheitszuschläge für die verschiedenen Schichtdicken und die Möglichkeit zur dynamischen Anpassung der Sicherheitszuschläge während des Banddurchlaufs in Abhängigkeit von der Prozessstabilität auf.
Es konnte gezeigt werden, dass eine Echtzeitregelung der Zinkauflage in einem Feuerverzinkungsprozess mit Ml-Modellen möglich ist. Die Ergebnisse sind mindestens vergleichbar mit denen der klassischen Regelung. Hervorzuheben ist, dass die Modelle bereits auf den ersten 100 bis 150 Metern des Bandes zuverlässige Vorhersagen für die Zinkauflage lieferten, so dass sichere Auflagenwechsel ohne Verwendung von Daten aus der Heißmessung realisiert werden konnten.
Weitere Autoren dieses Vortrags sind Jonas Bergmann (thyssenkrupp Steel Europe) sowie Anno Jordan und Sven Johnson (beide EMG Automation GmbH).