Was kann KI in der Flach­metall­produktion zu Prozess­verbesserungen und -steuerungen beitragen?

Bei der kontinuierlichen Galvanisierung von Stahlbändern (Feuerverzinkung) kann die Dicke der aufgetragenen Zinkschicht meist erst ca. 100-150 m nach dem eigentlichen Verzinkungsvorgang gemessen (Kaltmessung) und als Feedback an die Prozessregelung zurückgegeben gegeben werden. Durch diese starke Verzögerung werden Abweichungen von der Sollschichtdicke bei Band- oder Materialwechsel oft erst spät erkannt, sodass das Risiko, Ausschuss (Unterverzinkung) oder Überverzinkung, die zu unerwünschten Mehrkosten führt, zu produzieren, unnötig hoch ist. 

Ziel der F&E-Kooperation zwischen EMG Automation GmbH und thyssenkrupp Steel Europe war es, KI-gestützte Analyse- und Modellierungsmethoden zur Optimierung des Beschichtungsprozesses in der Feuerbeschichtungsanlage 7 in Bochum zu erproben und entwickeln. NEUROLOGIQ wurde als Entwicklungspartner und KI-Spezialist hinzugezogen. Die Pilotanwendung diente zur Erprobung der KI-gesteuerten Echtzeit-Regelung des eigentlichen Verzinkungsprozesses (Abblasprozess) auf Basis einer präskriptive Analyse und Modellentwicklung. Ziel war Über- oder Unterverzinkungen sicher zu vermeiden, Möglichkeiten der Prozessoptimierung zu identifizieren und damit Kundenreklamationen sowie den Materialeinsatz weiter zu reduzieren.

Die modellbasierte Echtzeitsteuerung von Abblasdüsen in einer Feuerverzinkungsanlage erwies sich als erfolgreiche Alternative zur klassischen Regelung.

Die gemeinsam entwickelte Lösung (EMG iCASS^®) erzeugt in Echtzeit (Reaktionszeiten unter 100 Millisekunden) Drucksollwertempfehlungen für die Abblasdüse nach dem Zinkbad. Die eingesetzten Modelle ermöglichen eine präzise Vorhersage der Zinkschichtdicke auf beiden Bandseiten über drei Spuren hinweg, insbesondere auf den ersten 100 bis 150 Metern des Bandes. So werden frühzeitige und exakte Übergänge der Beschichtung bei Band- und Materialwechseln realisierbar, obwohl zu diesem Zeitpunkt noch keine Schichtdickenmesswerte aus der Kaltmessung vorliegen.

Heute werden vielfach sogenannte Heißmessungen direkt über dem Verzinkungsvorgang eingesetzt, um die späte Reaktion der Kaltmessung zu umgehen. Allerdings sind diese Systeme eher ungenau, teuer, wartungsintensiv und erlauben nur die Messung in einer Spur auf dem Band. Anwender bezeichnen Heißmessungen gerne auch als „Schätzeisen“. Die Lösung mit EMG iCASS^® hat gezeigt, dass eine virtuelle Heißmessung, also die Vorhersage der Zinkschichtdicke direkt nach der Schweißnaht, also dem Bandwechsel, mindestens genauso gute Voraussagen, oft sogar bessere liefert, sodass die Beschaffung bzw. der Einsatz einer Heißmessung für den Beschichtungsprozess obsolet wird.

Das gemeinsam entwickelte System bietet folgende Vorteile:

• präzise Vorhersage der Zinkschichtdicke über drei Spuren hinweg auf beiden Bandseiten, insbesondere auf den ersten 100 bis 150 Metern des Bandes direkt nach der Schweißnaht. So werden frühzeitige und exakte Übergänge der Beschichtung realisierbar, obwohl zu diesem Zeitpunkt noch keine Schichtdickenmesswerte aus der Kaltmessung vorliegen.
• Die Installation einer aufwendigen und teuren Heißmessung direkt über der Abblasdüse erübrigt sich in Zukunft.
• Generierung von Drucksollwertempfehlungen für die Abblasdüse über dem Zinkbad in Echtzeit (Reaktionszeiten unter 100 Millisekunden), welche direkt zur Steuerung genutzt werden und in die SPS eingebunden sind.
• kontinuierliches Daten-Monitoring ermöglicht eine Erkennung von zusätzlichen Anomalien und Störungen in der Anlage – diese zeigen zusätzliche Optimierungspotenziale auf, die bisher verborgen waren. Zum Beispiel geometrische Verschiebungen der Abblasdüse und damit unerwünschte Zinkbeschichtungsprofile über Bandbreite.
• Erreichbares Einsparungspotenzial in sechsstelligen Bereich pro Jahr für moderne Feuerverzinkungen.

Darüber hinaus zeigen die Analysen mit EMG iCASS^® das Potenzial, Sicherheitsaufschläge dynamisch an die aktuelle Prozessstabilität anzupassen – direkt während des laufenden Betriebs. Damit prognostiziert Maschinelles Lernen hier nicht nur Prozessverläufe bzw. Messwerte, sondern liefert aktiv Informationen zur Optimierung und Steuerung der Anlage in Echtzeit.

Die Lösung konnte zudem zu einer skalierbaren Datenplattform weiterentwickelt werden (EMG iCASS^®), welche klassische Steuerungslogik mit Künstlicher Intelligenz vereint und damit den Weg von einer rein reaktiven zu einer vorausschauenden und präskriptiven Fertigung ebnet. Eine praxisnahe Lösung für die intelligente Prozesssteuerung in der metallverarbeitenden Industrie.