Autonome Systeme in der Industrie

Das Kalibrieren von Maschinen war ein manueller, zeitintensiver Prozess, der oft von einem externen Experten durchgeführt wurde und einen längeren Anlagenstillstand erforderte.

Ein manueller Prozess, der Experten erfordert, die im Durchschnitt 20–25 iterative Schritte über zwei oder mehr Stunden ausführen.

Erreichte eine Präzision von 2 Mikron bei durchschnittlich vier bis fünf Iterationsschritten innerhalb von 13 Sekunden. Das System erreichte eine übermenschliche Präzision (<1 Mikron) in etwa 10 Iterationsschritten.

Siliziumepitaxie erfolgt im Thermoreaktor, der für eine gleichmäßige Erwärmung streng kontrolliert werden muss.

Verschiedene Phasen des Prozesses erfordern unterschiedliche Einstellungen der Wärmelampe, um optimale Bedingungen im Reaktor aufrechtzuerhalten (das sogenannte Rezept).

Ein PID-Regler sorgt für eine Fehlerkorrektur, um eine konstante Temperatur zu gewährleisten. Der PID konzentriert sich ausschließlich auf die Wärmeverteilung und berücksichtigt keine Optimierungsziele hinsichtlich Geschwindigkeit oder Energieverbrauch.

Geringer Zeit- und Kostenaufwand für die Züchtung von Wafersubstrat oberhalb einer angestrebten gleichbleibenden Qualität.

Ein Hersteller von Konsumgütern für den Verbrauchermarkt produziert Lebensmittel auf >50 Extrusionsanlagen. Jeder Extruder ist unterschiedlich und das Extruderverhalten und die Prozesseingaben ändern sich mit der Zeit.

Der Maschinenführer steuert den Extruder manuell. Änderungen der Zusammensetzung und des Feuchtigkeitsgehalts der Beschickung erschweren es dem Maschinenführer oder den vorhandenen Kontrollsystemen, Sprühstöße in gleichbleibender Qualität zu extrudieren.

Maximiert den Durchsatz der produzierten Produkte unter Beibehaltung des Qualitätsstandards.

Die Zeit, die erforderlich ist, um die Soll-Qualität des Polymers zu erreichen hängt sehr stark von der Erfahrung des Maschinenführers und den dynamischen Umgebungsbedingungen ab.

Langwierige Gerätekalibrierung, die für jede Charge notwendig ist, und langjährige Erfahrung, die zur Steuerung hochdynamischer Reaktionen erforderlich ist.

Reduziert den Zeitaufwand für die Kalibrierung der Simulation von mehreren Monaten auf wenige Wochen.

Der Verlust von nicht-hochwertigem Polymer wurde um 5 % reduziert.

Maximierung der Rate und des Volumens der Ölförderung aus unterirdischen Lagerstätten durch horizontale Bohrungen.

Das Bedienpersonal befolgt den vorgeschriebenen Bohrlochplan auf der Grundlage statischer geophysikalischer Modelle und passt ihn iterativ an. Ungenauigkeiten in geophysikalischen Modellen erfordern ständige Anpassungen auf der Grundlage unpräziser Sensordaten. Dadurch verringert sich die Zeit, bis die Bohrungen planmäßig Öl fördern.

Hat innerhalb von einer Woche die vom Menschen erbrachte Leistung übertroffen. Der Bohrer wich nie mehr als 2′ vom optimalen Pfad ab. Die Zeitersparnis zum Abschluss der Bohrarbeiten betrug mehr als 20 %.

Maximieren Sie den Energieertrag des Windparks durch die Steuerung der Betriebsparameter der einzelnen Turbinen.

Der Maschinenführer wird durch angepasste Optimierungsalgorithmen unterstützt. Menschliche Operatoren haben Mühe, die umfangreichen Sensoreingaben zu überblicken, und Algorithmen, die dynamische Betriebsbedingungen modellieren, sind noch in der Entwicklung.

BRAIN wurde trainiert, die Kontroll-Benchmarks in drei Stunden abzugleichen und erweiterte den Lösungsansatz auf weitere fünf Kontrollparameter, die im gesamten Windpark kombiniert werden.

Inkonsistente Produktionsausbeute von Festland- oder Hochseeanlagen aufgrund der Komplexität der Steuermethoden für Drosselklappen.

Produktionsingenieure und Maschinenführer treffen mehrmals täglich Steuerungsentscheidungen auf der Grundlage von Drücken und Strömungen. Produktionsingenieure benötigen eine langjährige Erfahrung, um komplexe Zusammenhänge zu verstehen und zu optimieren. Dies führt zu erheblichen Leistungsunterschieden.

Automatisierte Empfehlungen rund um die Uhr sind effizienter als die Empfehlungen des Kontrollraumbetreibers auf dem Meer. Automatische Betätigung von Drosselventilen für ein Ölfeld vom Kontrollraum aus zur Maximierung der Ölförderung.

Steuerung der Zufuhr- und Maschinengeschwindigkeiten sowie der Kugeleinführungsstrategie zur Steigerung des Durchsatzes und der Prozesseffizienz.

Der Mensch überwacht den Betriebsablauf, steuert die Sollwerte der Maschine und fügt dem Mahlwerk von Zeit zu Zeit Stahlkugeln hinzu. Der Maschinenführer hat Mühe, die Verarbeitung der unterschiedlichen Korngrößenverteilungen sowie die Härte des Eingangserzes zu optimieren.

Autonome Steuerung der Zufuhrmenge, Wasserzugabe, Mühlendrehzahl, Materialrückführungsraten und Empfehlung punktueller Kugeleinführungsaktionen.

Eine suboptimale Steuerung des anfänglichen Gesteinszerkleinerungsprozesses erhöht die Energiekosten, die langfristigen Maschinenkosten und potenzielle Störungen im nachgeschalteten Bergbauprozess.

Der Mensch überwacht den Betriebsprozess, ändert periodisch die Materialzufuhrgeschwindigkeiten und Maschinensollwerte. Dabei kommt es zu Schwierigkeiten bei der Optimierung der Verarbeitung unterschiedlicher Korngrößenverteilungen sowie der Härte des Eingangserzes.

Autonome Steuerung der Förderband- und Materialzufuhrgeschwindigkeit sowie des Ringspalts des Kegelbrechers.

Ineffiziente Lagerungs- und Abrufentscheidungen können sich in finanzieller Hinsicht äußerst negativ auswirken.

Menschliches Bedienpersonal und regelbasierte Algorithmen diktieren den Lagerort beim Laden und die Abrufrichtlinien beim Versand. Manuelle Methoden sind statisch und passen sich nicht an veränderte Kunden- und Marktanforderungen an.

Sorgen Sie für ein ausgewogenes Verhältnis zwischen Lagerbestandsdichte und Arbeitseffizienz. Gleichen Sie die Bestandsdichte mit dem langfristigen Durchsatz ab. Maximieren Sie den finanziellen Ertrag durch die Wahl optimaler Maßnahmen bei unterschiedlichen Lagerzuständen und Lagerhaltungsmustern.

Aufgrund zahlreicher Beziehungen zwischen Verteilungszentren und lokalen Versorgungsstandorten sind komplexe Zuteilungsentscheidungen erforderlich. Mangelnde regionale Aufstockungsentscheidungen führen zu lokalen Fehlbeständen und Umsatzeinbußen.

Lineare Optimierungsentscheidungen mit SAP APO. Schwierigkeiten bei der Anpassung an Prognose-Ungenauigkeiten und schnelle Variationen der lokalen Nachfrage.

Aufteilung von Bestandszuordnungsoptionen in Kombinationen aus Produkt und Verteilerzentrum. Simulieren und trainieren von BRAIN gegen grundlegend verschiedene und sich verändernde Nachfrageprofile. Kombination verschiedener Bestandszuordnungsalternativen zu einer übergeordneten Optimierungsstrategie.

Ein Maschinenführer muss einen PID-Regler für jedes Gerät und jedes Schneidematerial abstimmen. Jedes neue Gerät muss separat abgestimmt werden. Dies ist ein sich wiederholender und zeitintensiver Prozess.

Derzeit wird das Heben und Senken der Planierschilde durch 5 PD-Parameter gesteuert. Der Maschinenführer muss möglicherweise die Parameter vor Ort erhöhen oder verringern, wenn die Standardeinstellungen für den PID-Regler nicht brauchbar sind.

Die Abstimmung der PD-Regler nimmt viel Zeit in Anspruch und erfordert unterschiedliche Abstimmungseinstellungen für jedes Planierraupenmodell und für einige Schneidmaterialien.

Erreichte eine Welligkeitszahl (vom Schnitt), die den PID-Benchmark für mehrere Raupenmodelle bei verschiedenen Geschwindigkeiten übertraf.

Einige sich wiederholende Roboteraufgaben erfordern komplexe erlernte Verhaltensweisen (wie Greifen und Stapeln), die äußerst schwierig zu programmieren und zu automatisieren sind.

Umfangreiches Programmieren und Testen, angewendet auf begrenzte Szenarien, die spezielle Fähigkeiten und einen zeitaufwändigen Prozess erfordern, um nur eine Teilmenge von Aufgaben zu automatisieren. Die Abstimmung der PD-Regler nimmt viel Zeit in Anspruch und erfordert unterschiedliche Abstimmungseinstellungen für jedes Planierraupenmodell und für einige Schneidmaterialien.

Etablierte einen neuen Benchmark für die Programmierung industrieller Steuerungssysteme. Das Erlernen der Aufgabe „Greifen und Stapeln“ war 45-mal schneller als bei einem vergleichbaren Ansatz.

Konferenzräume sind etwa die Hälfte der Zeit ungenutzt, während HLK-Systeme überwiegend mit einfachen PI-Thermostaten betrieben werden, die unnötig Strom verbrauchen und manchmal das CO2-Sicherheitsniveau verletzen.

PID-Korrekturen sind reaktiv, während MPC-Regler den zukünftigen Zustand berücksichtigen, aber immer noch Schwierigkeiten haben, ein globales Kostenoptimierungsverhalten zu finden. Beide Ansätze erfordern eine zeitaufwendige Inbetriebnahme zur Abstimmung des Reglerverhaltens.

Das autonome System hat gelernt, HLK zur Verbesserung des Komforts und der Luftqualität mit ungefähr 23 % geringerem Energieverbrauch zu steuern.