Der UC2 im Rahmen des champI4.0ns Projekts beschäftigt sich mit der intelligenten und souveränen Nutzung von Daten in der Holzindustrie, speziell bei der autonomen Pelletsherstellung. Der Anwendungspartner Hasslacher Norica Timber steht vor dem Problem, dass die Pelletsherstellung von vielen Faktoren beeinflusst wird und es keine standardisierten Regelstrategien gibt. Zudem ist die Menge an Daten so groß, dass die Bediener:innen Schwierigkeiten haben, sie zu bewerten und die Anlage optimal zu betreiben.
Autonome Steuerung als Lösung?
Der Lösungsansatz besteht darin, dezentrale Modelle auf Basis des maschinellen Lernens aufzubauen, die die Anlage teilautonom bis autonom steuern. Diese Modelle werden in einer übergeordneten Regelungsebene integriert, die die Gesamtanlage basierend auf den Daten der Einzelanlagen regelt. Das Ziel ist es, eine teilautonome bis autonome Prozesssteuerung zu realisieren und eine technische Grundlage für die Pelletsherstellung zu schaffen, die eine Entlastung der Anlagenbediener ermöglicht und eine optimale Auslastung der Anlage bei gleichbleibender Pelletsqualität und minimalem Ressourceneinsatz gewährleistet. Zudem sollen die entwickelten Modelle auf andere Anlagen übertragbar sein.
Der Ansatz sieht ein iteratives Vorgehen vor, um die Prozessmodelle aufzubauen und eine hohe Datenqualität sicherzustellen. Expertenwissen wird bei der Definition von Prozesszuständen berücksichtigt, und es werden verschiedene Verfahren des maschinellen Lernens verwendet, um den Prozess zu modellieren und Sollwertvorgaben zu erarbeiten. Teilprozesse wie die Holztrocknung werden mit Reinforcement Learning modelliert.
Die Herausforderungen liegen in der Auswahl der besten Machine Learning-Verfahren zur Merkmalsextraktion und Anomalie-Erkennung, dem Umgang mit möglicherweise fehlenden Informationen, beispielsweise über den Rohstoff, sowie der Integration der erarbeiteten Modelle in eine übergeordnete Steuerung.
In den Zwischenergebnissen des ersten Projektjahres wurden eine Literaturrecherche zu Methoden des maschinellen Lernens für Prozessmodelle durchgeführt und eine zentrale Datenbank zur Erfassung von Produktions-, Rohstoff-, Umgebungs- und Produktdaten aufgebaut. Die Datenaufzeichnung wurde gestartet, ein Metadatenkatalog zur Beschreibung der Daten wurde erstellt, und ein detailliertes Prozessschema, verknüpft mit dem Metadatenkatalog, wurde erarbeitet.
Das bilaterale Projekt von österreichischen und deutschen Organisationen zeigt vielversprechende Ansätze, um die Pelletsherstellung durch die intelligente Nutzung von Daten und die autonome Prozesssteuerung zu optimieren.
Die beteiligten Partner:innen des Use Case-2 sind wie gefolgt:
