Optimierung der Gipsplatten Produktion

Challenge

Dieser Use-Case ist einer unserer Beiträge zum DAIS (Distributed Artificial Intelligent System) Forschungsprojekt der EU, als Teil der Horizon 2020 Initiative.

Die Hauptherausforderung in diesem Anwendungsfall besteht darin, die Effizienz bei der Herstellung von Gipskartonplatten zu steigern. Der Fokus liegt hierbei auf der Optimierung von Kontrollparametern wie Treibstoffverbrauch, Gipswiederverwertungsrate und Gipsflussrate. Ein Schlüsselaspekt ist, den Kristallwassergehalt im Gips zu steuern, um die Produktqualität konstant zu halten, ohne den Treibstoffverbrauch zu erhöhen. 

Approach

Unser Ansatz ist es, die Betriebsdaten der Fabrik zu analysieren. Mittels historischer Daten und Vorhersage-Modellen können wir den Einfluss von Kontrollparametern auf die Produktqualität besser verstehen. Wir identifizieren optimale Werte der Kontrollparameter und finden Ausreißer in den Messwerten, indem wir statistische Methoden und Machine Learning Algorithmen kombinieren.

Impact

Unsere Machine Learning Modelle erhöhen die Effizienz der Produktion, reduzieren den Energieverbrauch und verbessern die Produktqualität. Insbesondere die Optimierung der Rotorprallmühle hilft den Treibstoffverbrauch und somit den CO2 Ausstoß zu minimieren. Außerdem wurde ein Dashboard für Echtzeit-Datenvisualisierung implementiert.