Um Brennstoffkosten und CO₂-Emissionen einzusparen, wird Kohle in der Zementherstellung zu einem großen Teil durch sog. „Ersatzbrennstoffe“ (EBS) aus zerkleinerten Industrie- und Siedlungsabfällen ersetzt. Da diese Abfälle zeitlich und regional variabel sind, unterscheidet sich auch die Zusammensetzung der Ersatzbrennstoffe. Eine Qualitätskontrolle der EBS findet für gewöhnlich nur durch Stichproben im Labor statt und ist somit zu ineffizient für einen Nutzen in der Steuerung der Zementherstellung. EBS lassen sich manuell in verschiedene Fraktionen wie Folien, Hartplastik oder Papier einteilen. Diese Fraktionen unterscheiden sich in Abbrand- und Flugverhalten und führen zu geänderten Bedingungen im Drehrohrofen, sodass die Zusammensetzung der EBS entscheidend für eine gute Zementqualität ist. Das Ziel des Projektes ist, ein Ampelsystem für Ersatzbrennstoffe in der Zementherstellung zu entwickeln. In dem Ampelsystem sollen die Zusammensetzung sowie kritische Brennstoffeigenschaften automatisch zusammengefasst werden. Die Ampel soll dabei Informationen für einen optimalen Betrieb im Leitstand zur Verfügung stellen. Um das Ziel zu erreichen, sollen Proben aus dem EBS-Strom entnommen werden und mit wenigen Messungen (Fotografie, Nah-Infrarot) durch Machine Learning-Systeme bewertet werden. Die Machine Learning-Systeme umfassen Clustering sowie Klassifizierung und werden mit Hilfe einer im Projekt entwickelten Datenbank mit Messwerten einzelner EBS-Partikel angelernt. Das System soll in Betriebsversuchen in einem Zementwerk im industriellen Einsatz untersucht werden.
Das Forschungsvorhaben bietet KMU der Branchen Zementhersteller, Zulieferer, EBS-Aufbereiter und Machine Learning alle Informationen, die für die Implementierung einer automatischen Bewertung von EBS nötig sind. Mit diesen Informationen lässt sich der Drehrohrofen gleichmäßiger betreiben, was die Produktqualität erhöht.
