Die kontinuierliche Steigerung der Energie- und Ressourceneffizienz bei der Herstellung von Zement stellt eine Herausforderung für die Stabilität und damit die Steuerung des Prozesses dar. KI-Anwendungen bzw. Anwendungen des maschinellen Lernens wie Softsensoren oder Assistenzsysteme für Produktionssteuerer stellen vielversprechende Lösungen zur Prozesskontrolle und -optimierung dar. Der erfolgreiche Einsatz derartiger Lösungen kann zur Reduktion des thermischen und elektrischen Energiebedarfs, einer Verbesserung der Produktqualität und einer Erhöhung der Anteile von alternativen Brenn- und Rohstoffen beitragen. Voraussetzung dafür sind jedoch robuste KI-Anwendungen, die die Betriebssicherheit der komplexen Produktionsanlagen der Zementindustrie nicht gefährden.
Die mangelnde Kenntnis der verfahrenstechnischen und informatischen Einflussgrößen auf die Stabilität von Anwendungen des maschinellen Lernens stellt jedoch eine wesentliche Hürde für die erfolgreiche Anwendung in der Praxis dar. Insbesondere die KMU der Zementindustrie ohne Zugriff auf zentrale technische Einrichtungen verfügen nicht über Fachkräfte aus dem Bereich der Informatik oder Data-Science, um derartige robuste Lösungen aufzubauen. Und KMU aus dem Bereich der Regelungstechnik und Datenanalyse verfügen oftmals nicht über die notwendige verfahrenstechnische Erfahrung, um ihre Lösungen entsprechend der Prozessanforderungen zu adaptieren.
Am Beispiel der KI-Anwendung eines virtuellen Sensors (Softsensors) wurde im industriellen Umfeld der Zementindustrie untersucht, wie sich die verändernden Prozessbedingungen auf die Vorhersagequalität des Softsensors auswirken. Dabei wurde zum einen der verfahrenstechnische Einfluss durch regelmäßige Prozessuntersuchungen erfasst. Zum anderen wurde die Robustheit der KI-Anwendung durch unterschiedliche Stresstests auf Basis realer Prozessdaten untersucht. Die Ergebnisse dienen der Entwicklung von Maßnahmen zur robusten Auslegung von KI-Anwendungen in der Zementindustrie.
