Digitalisierung und Dekarbonisierung der energieintensiven Industrien beschleunigen
Die Digitalisierung und eine verbesserte Prozesssteuerung können sich erheblich auf den Umweltfußabdruck industrieller Prozesse auswirken, doch die Prozessindustrie hinkt beim digitalen Wandel hinterher. Dank des EU-finanzierten Projekts COGNIPLANT war es energieintensiven Industrien möglich, Big Data über eine flexible Cloud-Architektur, fortgeschrittene Datenanalyse und maschinelles Lernen zu nutzen. Durch Vorhersagemodelle und digitale Zwillinge wurde die Nachhaltigkeit in vier Anwendungsfällen vergrößert: Chemie, Beton, Aluminium und Metalle.
Verarbeitung von Big Data, Modelle für maschinelles Lernen und digitale Zwillinge
Die gemeinsame Cloud-Infrastruktur von COGNIPLANT kann Daten und Analysen aus beliebigen Arbeitsabläufen energieintensiver Industrien flexibel erfassen, speichern, verarbeiten und anzeigen. Innerhalb dieser Infrastruktur wurde ein System für Vorhersagemodelle mithilfe von Datenauswertung und maschinellem Lernen eingesetzt. Die Integration der Vorhersagemodelle in die Cloud-basierte Architektur unterstützte ein effizientes Management des Modelltrainings mihilfe von Big Data sowie die Bereitstellung, Ausführung und Wartung der Modelle. Projektkoordinator Pedro Maria De la Peña Tejada von www.ibermatica.com (Ibermática), das inzwischen zu Ayesa gehört, bemerkt: „Mehrere Modelle des maschinellen Lernens simulieren verschiedene Aspekte von Industrieprozessen. Sie können zum Beispiel die Energiemenge vorhersagen, die benötigt wird, um eine bestimmte Temperatur in einem Stahlgussstück zu erreichen, oder den Dampf zu bestimmen, der in einem Bayer-Verfahren zur Herstellung von Aluminium benötigt wird.“ Es wurden auch zwei Arten von digitalen Zwillingen erstellt. Bei der einen ging es darum, dem Bedienpersonal eine Rückmeldung zu den optimalen Prozessparametern zu geben, die zum Erreichen einer Zielgröße erforderlich sind, und bei der anderen darum, die Produktionsprozessparameter dynamisch in Echtzeit anzupassen.
Digitalisierung und Dekarbonisierung der Prozessindustrie beschleunigen
„Viele der Entwicklungen waren für die beteiligten Prozessindustrien der erste Schritt in Richtung Digitalisierung und Datennutzung für die Prozesssteuerung. Dadurch war die Anfangsphase des Projekts in Bezug auf eine gemeinsame Sprache und einheitliche Erwartungen sehr komplex“, so De la Peña. Sobald diese Komplexität überwunden war, beschleunigte sich der Fortschritt rasch. Für jeden Anwendungsfall wurde für die Beschäftigten eine Vor-Ort-Schulung für jedes der Pilotvorhaben organisiert. Die Schulungsunterlagen für die einzelnen Anwendungsfälle sind auf der Projektwebsite verfügbar, um andere zu inspirieren und dabei zu unterstützen, die Ressourcen- und Energieineffizienz sowie die Umweltauswirkungen der Prozessindustrie zu verkleinern. Die hierarchische Überwachung und Steuerung, die Nutzenden Informationen über Leistung, Energieverbrauch und Ressourcennutzung bietet, half der Prozessindustrie, ihre Umweltauswirkungen erheblich zu verringern. Der Energieverbrauch einiger Prozesse konnte um etwa 10 % gesenkt werden. Einer der Partner senkte die CO2-Emissionen um bis zu 8 100 Tonnen, während andere die CO2-Emissionen um 19-30 % verringerten. Einige Partner haben auch den Ausschuss um bis zu 15 % verkleinert. „Die mit COGNIPLANT erzielte Verringerung des Rohstoffverbrauchs, des Energieverbrauchs und der CO2-Emissionen hat verdeutlicht, dass eine verstärkte Digitalisierung der Produktionsprozesse und datengestützte Ansätze einen sehr großen Einfluss auf den Umweltfußabdruck von energieintensiven Industrien haben können“, schließt De la Peña. Diese Prozessindustrien, die einst bei der Digitalisierung hinterherhinkten, verfügen nun über die enorme Chance, ihre Geschäftsabläufe schrittweise zu ändern, was für die Industrie und den Planeten von großem Nutzen ist.
Schlüsselbegriffe
COGNIPLANT, Energie, Digitalisierung, Prozessindustrie, energieintensive Industrien, CO2-Emissionen, maschinelles Lernen, Big Data, Vorhersagemodelle, Prozesssteuerung, digitale Zwillinge
