KI-STAR

Steigerung der Rohstoff- und Energieeffizienz von Aufbereitungsanlagen in der Primärrohstoffindustrie durch KI-basierte (teil-)autonome Steuerungen

Motivation

Rund 3 % des weltweiten Stromverbrauchs entfallen auf die Zerkleinerung von Gestein. Sie ist damit einer der energieintensivsten Prozessschritte bei der Gewinnung und Aufbereitung mineralischer Rohstoffe. Zugleich fallen während der Aufbereitung von Steinen und Erden ca. 10 % des Rohstoffs aufgrund natürlicher, aber auch prozessbedingter Qualitätsabweichungen als nicht verwertbare Reststoffe an. Die Aggregate einer Aufbereitungsanlage zeichnen dabei zwar teilweise kontinuierlich Daten auf, jedoch werden diese bislang nur maschinenspezifisch, nicht aber im Kontext des Gesamtprozesses ausgewertet oder genutzt. Grund dafür ist, dass die verwendeten Steuerungen meist auf statischen Betriebszuständen der Anlage beruhen und somit nur begrenzt auf dynamisch variierende Eigenschaften des Aufgabematerials reagieren können. Erfahrene Anlagenbediener greifen daher häufig manuell in die Prozesssteuerung ein, um die geforderte Produktqualität effizienter zu erreichen. Vor dem Hintergrund dieses schwierigen Erfahrungstransfers und des zunehmenden Fachkräftemangels stößt dieser Ansatz an seine Grenzen und fordert digitale Lösungen.

Ansatz

Im Projekt KI-STAR entwickeln daher das Institute of Advanced Mineral Processing Technologies (AMR) als Koordinator, das Fraunhofer-Institut für Produktionstechnologie (IPT) sowie die Willy Dohmen GmbH & Co. KG, die eurogard GmbH und die Optocycle GmbH zusammen mit dem MRE eine intelligente Steuerung für Aufbereitungsanlagen. Dafür wird die Aufbereitungsanlage eines Schotterwerks systematisch als Referenzprozess herangezogen und untersucht. Dabei werden alle Aggregate und ihre Stellgrößen sowie relevante Prozessparameter, qualitätsbeeinflussende Störgrößen und Anwendungsszenarien für eine (teil-)autonome Steuerung abgeleitet. Daraus entstehen fünf Bausteine, die eng ineinandergreifen. Zunächst wird durch das MRE ein modulares, dynamisches Simulationsmodell der Referenzanlage entwickelt, um das Verhalten und die Interaktion der Aggregate ohne Eingriff in den realen Prozess digital beschreiben zu können. Für die Referenzanlage wird zudem ein umfassendes Sensorsystem entwickelt, das Produktqualitätsparameter, etwa Korngröße und Kornform, erfasst. Eine interoperable Datenplattform führt diese Messwerte mit den Maschinendaten und externen Daten zusammen, etwa zu Leistungsaufnahme, Witterung oder Nachfrage. Auf Grundlage des Simulationsmodells und dieser Daten erlernt ein KI-Agent mittels Reinforcement Learning die Auswirkungen einzelner Steuerungseinstellungen und leitet daraus Steuerungsempfehlungen ab, um Energieverbrauch, Durchsatz und Produktqualität der Gesamtanlage zu optimieren. Im letzten Schritt wird die Praxistauglichkeit der KI-gestützten Steuerung anhand der Referenzanlage validiert und die Übertragbarkeit auf größere und komplexere Aufbereitungsanlagen bewertet.

Projektziele und Fragestellungen

• Untersuchung der Fragestellung, wie ein dynamisches Simulationsmodell einer Aufbereitungsanlage auf Basis realer Stoffströme als Trainingsumgebung für einen KI-Agenten aufgebaut werden kann.
• Entwicklung eines KI-Agenten, der Aufbereitungsanlagen je nach Optimierungsziel (Gesamtanlageneffektivität, Energieeinsatz oder Produktqualität) (teil-)autonom steuert.
• Validierung des Gesamtsystems aus Datenplattform, Sensorsystem, Simulation und KI-Agent in einem Schotterwerk (TRL 6) und Bewertung der Übertragbarkeit auf komplexere Aufbereitungsanlagen.

Arbeitspakete

• AP 1: Aufnahme des Prozesses und der Anwendungsszenarien
• AP 2: Modulare und dynamische Simulation
• AP 3: Produktqualitätsbestimmung mittels Gesamt-Sensorsystem
• AP 4: KI-Agent zur Steuerung der Gesamtanlage
• AP 5: Interoperable Datenplattform
• AP 6: Validierung und Evaluierung an der Referenzanlage
• AP 7: Potenzialanalyse des Transfers und kritische Reflexion
• AP 8: Projektmanagement und Dokumentation