Lafarge Holcim setzt auf Predictive Analytics

Die Herstellung des Baustoffs Zement ist energie- und kostenintensiv. Um den Fertigungssprozess effizienter zu gestalten, setzt Lafarge Holcim auf Cognitive und Predictive Analytics von IBM. Gemeinsam wurden die Prozesse analysiert und bewertet sowie ein digitaler Berater entwickelt. Dieser befindet sich aktuell im Testbetrieb. Werden die erhofften Effi­zienzsteigerungen erreicht, kann der Baustoffhersteller deutliche Einsparungen im Energieverbrauch erzielen.

Die Zementmühlen von Lafarge Holcim arbeiten energieintensiv: Ihr Energieverbrauch für die Herstellung von 1 t Zement liegt bei durchschnittlich 100 kWh (Bild: IBM)

Lafarge Holcim gehört zu den weltweit führenden Herstellern von Zement, Zuschlagstoffen (Sand und Kies)und Beton. Das Unternehmen ist in 90 Ländern vertreten und betreibt weltweit zirka 1.000 Zementmühlen. Sie zermahlen Zementklinker gemeinsam mit Ölschiefer zu Zement unterschiedlicher Festigkeitsklassen. Dieser Herstellungsprozess ist energieintensiv: Für die Herstellung von Zement werden durchschnittlich etwa 100 Kilowattstunden Energie pro Tonne benötigt. Insgesamt schlägt der Stromverbrauch mit einem Anteil von durchschnitwtlich 10 % bis 15 % in der Gesamtkostenrechnung der Zementherstellung zu Buche.

Energieintensiver Produktionsprozess

Aus diesem Grund ist Lafarge Holcim ständig bestrebt, ­unter anderem in allen Mühlen des Konzerns den Energie­verbrauch möglichst gering und gleichzeitig konstant zu halten. Trotz weitreichender Standardisierung in den verschiedenen Bereichen und Ebenen – angefangen bei den Trainings für die Betreiber vor Ort, über Handbücher und Betriebsabläufe bis hin zur technischen Ausstattung – variiert der Energieverbrauch zwischen den verschiedenen Mühlen beträchtlich: die Unterschiede liegen bei bis zu 10 %.

Um detailliert herauszufinden, wo, wann und warum wie viel Energie verbraucht wird, müssen die genauen physikalischen Vorgänge innerhalb der Zementkugelmühlen modelliert werden, um dann auf dieser Grundlage die richtigen Entscheidungen zur Optimierung des Energiebedarfs zu treffen. Dieses Zusammenspiel ist entscheidend, denn neben einer ganzen Reihe fest vorgegebener Größen, die nicht beeinflussbar sind, wie die chemische Zusammensetzung oder die Granularität des Ausgangsmaterials, kann der Operator an der Mühle über einige Variablen, zum Beispiel die Temperatur in der Mühle, selbst entscheiden und damit gleichzeitig Einfluss auf den Energieverbrauch nehmen.

Mit intelligenten und lernenden Analysewerkzeugen ans Ziel

Um das Zusammenspiel zwischen Produktionsprozess und der manuellen Steuerung durch den Bediener zu modellieren und schließlich den Energieverbrauch zu optimieren, kam Watson von IBM mit seinen intelligenten und lernenden Analysewerkzeugen ins Spiel. Dieses kognitive, lernende System bietet die Besonderheit, dass es Daten, egal woher sie kommen und in welcher Form sie vorliegen, verarbeiten kann. Dabei folgt es dem Prinzip: verstehen, lernen und bewerten. In gewisser Weise kann die Software also auch „denken“. Kognitive Systeme bedienen sich dabei eines breiten Spektrums bereits etablierter IT-Anwendungen und Einsatzbereiche: Sie reichen von Datenanalysen, natürlicher Sprachverarbeitung bis hin zu traditionellem Machine Learning. Das System nutzt heute fast 50 API (Application Programming Interface), unter anderem für semantische Analysen, Bild-, Gesichts- und Spracherkennung sowie Übersetzungsdienste, unterstützt von rund 50 verschiedenen Technolo­gien. Dabei arbeitet es Seite an Seite mit Fachexperten, wie Wissenschaftlern und Ingenieuren. Über die API lernt es von diesen Experten. Daraus sind bis jetzt rund einhundert kognitive Applikationen entstanden.

Um Muster und Verbindungen zu erkennen und zu neuen Erkenntnissen zu gelangen, interpretiert Watson die Daten. Dafür bereitet es die Daten und Informationen auf und organisiert sie so, dass der Umgang mit Inhalten effizienter wird. Doch um diese Inhalte richtig zu bewerten, braucht es zusätzliches Training – hier kommen die Fachexperten ins Spiel, die ihm bei der Einordnung helfen.

Und genau wie die menschlichen Experten nutzt Watson dafür einen kognitiven Bezugsrahmen zu einem bestimmten Thema oder einem definierten Fachbereich und entwickelt darauf aufbauend seine Expertise – in hoher Geschwindigkeit. Hier liegt auch der ­entscheidende Unterschied: Während die Programmierung konventioneller Computersysteme auf Regeln und Logiken basiert und einem rigiden Entscheidungsbaum unterliegt, folgt das kognitive System einem anderen Ansatz, der menschlichem Denken ähnelt.

Prozessdaten und Operatordaten werden zusammengeführt und analysiert; dann wird eine Optimierungsstrategie entwickelt

Kognitiver Nutzen im Zementwerk

Bei Lafarge Holcim entschied man sich aufgrund dieser besonderen Fähigkeiten für IBM Watson. Dabei lautete die genaue Aufgabenstellung: Die physikalischen Abläufe in der Mühle und die Entscheidungsprozesse des Operators zu analysieren und mittels Mustererkennung in Beziehung zueinander zu setzen. Eine komplexe Aufgabe, denn die bei der Herstellung ablaufenden physikalischen Prozesse sind nicht direkt messbar. Hinzu kommt, dass bereits kleinste Veränderungen des Ausgangmaterials, zum Beispiel im Hinblick auf die mineralogische Zusammensetzung, den Herstellungsprozess beeinflussen und damit das manuelle Eingreifen notwendig machen können.

Zwei Perspektiven: Kombination aus Prozessdaten und individuellem Verhalten

Das IBM-Team musste daher die Abläufe aus zwei Perspektiven betrachten: Zum einen galt es, die physikalischen Prozesse im Inneren der Mühle genauer zu analysieren. Zum anderen mussten die Reaktionen des Operators, der für einen möglichst reibungslosen Ablauf der Produktion zuständig war, ausgewertet werden. Genau diese Kombination der Zusammenführung und Bewertung von Prozessdaten und dem individuellen Verhalten („Behaviour“) ist neu und nur mit den Fähigkeiten kognitiver Systeme möglich.

Um also ein Modell zu den prozessualen Abläufen und den Reaktionen des Operators zu entwickeln – eine notwendige Voraussetzung für die digitale Beratung – wurde das System mit Tausenden von Datensätzen aus den vergangenen Jahren und von unterschiedlichen Mühlen gespeist. Dazu gehörten Prozess- und Produktionsdaten ebenso wie die schriftlichen Aufzeichnungen des Operators. Dieses Verfahren klassischer Mustererkennung brachte neue Erkenntnisse über das Zusammenspiel zwischen dem eigentlichen Produktionsvorgang und der manuellen Steuerung. Um hier zu validen Ergebnissen zu gelangen, mussten unter anderem auch unstrukturierte Daten (Wartungsberichte und andere persönliche Aufzeichnungen) mithilfe kognitiver Methoden erfasst und in die Analysen miteinbezogen werden.

Das ging schneller als gedacht: Wollte man zunächst Daten und Aufzeichnungen aus den vergangenen zehn Jahren auswerten, war schnell klar, dass es ausreichend ist, nur die vergangenen 18 Monate genauer zu betrachten. So konnte bereits auf deren Basis ein schlüssiges Muster für die Entwicklung von Handlungsempfehlungen identifiziert werden.  

Bei diesem Projekt hat IBM erstmals komplexe statistische Analysen mit kognitiven Methoden kombiniert, um auf Basis der gleichzeitigen Auswertung physikalischer und operativer Vorgänge neue Abläufe und Handlungsempfehlungen zu entwickeln, um damit den Gesamtprozess zu ­optimieren.

Ein automatisierter Machine-Learning-Prozess ermöglicht Predictive Analytics

Enge Zusammenarbeit

Diese First-of-a-kind-Modellierung von Mühlenprozessen mit realen Daten verlangte eine enge Zusammenarbeit zwischen IBM und Lafarge Holcim. Vom ersten Tag an haben die Operators und Mühlenexperten von Lafarge Holcim gemeinsam mit dem IBM-Team vor Ort sowie ihren Kollegen aus dem IBM Research Lab in New York das Vorgehen besprochen, das Modell entwickelt sowie die notwendigen Analyse-Werkzeuge implementiert.
Dieses sich nun im Probebetrieb befindliche kognitive System analysiert ständig alle relevanten Daten. Die Ergebnisse werden dann in Form von Handlungsempfehlungen, also etwa für eine Anpassung der Temperatur in der Mühle, über ein Advisor-Tool den Operatoren zur Verfügung ­gestellt. Das geschieht in der Regel einmal pro Tag.

Um den Operatoren den Umgang mit dem neuen Werkzeug zu erleichtern, wurde auch viel Wert auf die Nutzerfreundlichkeit gelegt: IBM hat dafür ein verständliches, ­intuitiv zu bedienendes Interface entwickelt, bei dem auf einen Blick auch zu erkennen ist, was getan werden sollte, beziehungsweise ob und wie die Empfehlungen des kognitiven Systems zum optimalen Betrieb umgesetzt wurden.

Bei einer mehrprozentigen Reduktion der Energiekosten rechnet Lafarge Holcim mit signifikanten jährlichen Einsparungen. Gleichzeitig wird damit die Ökobilanz des Unternehmens nachhaltig verbessert.
Dieses Verfahren lässt sich im Übrigen für die Optimierung ganz unterschiedlicher Parameter nutzen. Etwa, um den Output zu maximieren, wenn die Nachfrage hoch ist und Energiekosten dann eher eine untergeordnete Rolle spielen.

Autor: Dr. Stefan G. Hild ist Partner bei IBM Cognitive Solutions, Indus­trial Sector Europe.

www.lafargeholcim.com

www.ibm.com/de-de

www.ibm.com/outthink/de

 

Weitere Praxisberichte

Vom Brownfield zur Smart Factory

Predictive Maintenance: Schluss mit ungeplanten Maschinenstillständen

 

 

 

botMessage_toctoc_comments_929

Digital Factory Journal:
Jetzt kostenlos testen

Digital Factory Journal - Jetzt kostenlos bestellen

Mit unserem neuen Fachmedium „Digital Factory Journal“ greifen wir neue Lösungsansätze, Geschäftsmodelle und Anwendungen aus der Praxis auf und berichten darüber mit hoher journalistischer Kompetenz für die Entscheider in der Industrie. Unser redaktioneller Fokus liegt dabei auf Ready-to-Use-Lösungen aus der IT- und Automatisierungswelt.

» Bestellen Sie jetzt Ihr kostenloses Jahresabo!

Top-3-Interviews

Prof. Dr. Uwe Kubach, SAP: M2M im Internet der Dinge - IT trifft Industrie 4.0

Frank Maier, Lenze: Industrie 4.0 seit 70 Jahren

Prof. Dr. Markus Schneider, PuLL Beratung GmbH: Lean Manufacturing im Zeitalter von Industrie 4.0

Aus der Praxis

Wenn Mensch und Roboter in Einklang arbeiten: Die Leichtbauroboter von ABB und Kuka im Einsatz

Die Smartwatch im industriellen Einsatz: Asys, In-Tech und Monkey Works berichten über Lösungen

Digitale Zwillinge optimieren in der virtuellen Welt die Realität: Siemens gibt Einblicke in die Entstehung der Nanobox Simatic IPC227E

Seminare

Von Techniktrends bis zu Management-, Normungs- und Sicherheitsthemen – das aktuelle Seminarprogramm im Überblick:

» Automatisierungstechnik
» Informationstechnik
» Normen und Sicherheit
» Elektrotechnik
» Mess- und Prüftechnik
» Energietechnik
» Organisation/Management/Recht