Die hohen Energiepreise treffen nicht nur Privathaushalte, sondern besonders energieintensive Industriebranchen. Betrachtet man den Energieverbrauch von Industriebetrieben in Österreich und Deutschland mit dem Vergleichszeitraum des Vorjahres, so ist es zu einer Energieeinsparung gekommen. Diese Einsparungen wurden jedoch zum überwiegenden Teil durch Reduktion der Produktionskapazitäten erzielt. Langfristig braucht es aber Maßnahmen zur Effizienzsteigerung und der Reduktion von Energieverschwendung.
Der technologische Fortschritt bei KI/ML Methoden eröffnet neue Möglichkeiten die Energiekosten zu senken.
Hier ein paar Beispiele für den erfolgreichen Einsatz von ML zur Reduktion von Energiekosten:
- Reduktion von Ausschuss in der Produktion durch Generierung von benutzer- und maschinenspezifischen Handlungsempfehlungen
- Erhöhung der Eigennutzung von erneuerbaren Energiequellen
- Reduktion des Stromverbrauchs von Lichtbögen-Öfen
- Reduktion von Stromverschwendung durch automatische Erkennung von Anomalien
- Erhöhung der Wärmeproduktion in der Abfallverbrennung durch Heizwert-Prognose basierend auf Kameradaten
- Reduktion der Heizkosten von Hallenheizungen durch Aufheizzeit- und Abkühlzeitprognose
- Reduktion des Stromverbrauchs von Kühlgeräten durch Einbindung von Vorhersagemodellen
Passende Angebote:
-> Proficy CSense | MEPIS Energy | Best Practice Online Schulung: KI/ML in der Industrie <-
Beispiel Optimierung Heizung von Industriehallen:
Das Heizen von Industriehallen stellt einen wesentlichen Kostenfaktor für Betriebe dar.
Die Komplexität der Heizung einer Industrieanlage ist nicht mit der von Privaträumlichkeiten vergleichbar. Diese besteht aus einer Vielzahl an Heizungsreglern, welche dezentral eingestellt werden. Weiters ist die Temperatur der Halle nicht auf einem Temperaturniveau zu halten, sondern es sind unterschiedliche Temperaturen während der Produktionsschichten und den Stillstands-Zeiten vorzugeben. Daneben spielen andere Faktoren eine Rolle, wie die Abwärme von Maschinen, die Sonneneinstrahlung, die Außentemperatur bis hin zum Produktionsfortschritt. Abhängig von der Größe der Halle kann die Totzeit der Regelstrecke mehrere Tage betragen. In diesem Fall sind Wettervorhersagen und die Produktionsplanung im System zu berücksichtigen, um die Heizung effektiv zu regeln.
In der aktuellen Heizungsregelung werden diese Informationen oftmals nicht genutzt und Vorgänge in der Halle werden für die Heizungsregelung nicht betrachtet. Vorgaben erfolgen manuell von Hand, was ständige Anpassungen unwirtschaftlich macht, oder die automatische Steuerung wurde einmal umgesetzt und nie an die geänderten Bedingungen angepasst. Dies führt zur Situation, dass zu früh aufgeheizt wird, um mit Sicherheit das Temperaturniveau rechtzeitig zu erreichen. Gründe hierfür sind, dass zu einem wenig Wissen vorhanden ist, um die relevanten Größen für die Heizung zu identifizieren und zum anderen ist der Einfluss der Faktoren oft nicht einfach beschreibbar.
Möchte man nun die Erkenntnisse aus den Daten direkt nutzen, um die Heizung zu optimieren, so kann der Prozesszwilling in einen geschlossenen Regelkreis integriert werden, wo dieser in Echtzeit ausgeführt wird.
Bei der Art der Integration in die Regelung kann unterschieden werden, ob in den vorhandenen Regelkreis durch Änderung der Regelparameter eingegriffen wird, oder ob die Struktur einer Kaskadenregelung verwendet wird. Im Fall der Kaskadenregelung stellt das ML-Modell den idealen Sollwert für den darunterliegenden Regelkreis zur Verfügung.
Jetzt unseren passenden Artikel lesen!
