AI4EAFRoute / Künstliche Intelligenz zur Unterstützung innovativer Methoden für Prozess- und Anlagenmanagement der EAF-Route zur Verbesserung von Leistung und Komponenteneffizienz

Ausgangssituation:

Veraltete Anlagen und die rauen Betriebsbedingungen in Stahlwerken tragen zu häufigen Maschinenausfällen bei, was zu ungeplanten Produktionsstillständen führt. Extreme Temperaturen, Staub, Vibrationen und korrosive Umgebungsbedingungen beschleunigen den Verschleiß und machen die Anlagen anfälliger für Ausfälle. Zudem setzen viele Stahlwerke nach wie vor auf reaktive und vorbeugende Instandhaltungsstrategien, die oft nicht ausreichen, um unerwartete Ausfälle zu vermeiden. Begrenzte Wartungsfenster aufgrund enger Produktionspläne erschweren es zusätzlich, gründliche Inspektionen und Reparaturen durchzuführen, ohne den Betrieb zu stören. Auch menschliche Faktoren wie Bedienungsfehler und unzureichende Schulungen spielen bei den Herausforderungen in der Instandhaltung eine Rolle, während Störungen in der Lieferkette für Ersatzteile kritische Reparaturen verzögern können.

Projektziele:

Das Projekt zielt darauf ab, die Leistung, Zuverlässigkeit und Nachhaltigkeit des Lichtbogenofenverfahrens (LBO) durch die Integration fortschrittlicher Überwachungstechnologien mit Werkzeugen der künstlichen Intelligenz (KI) zu verbessern. Anhand von vier gezielten Anwendungsfällen werden zentrale Herausforderungen angegangen:

  • Management des Einschmelzens von Schrott im LBO,
  • Optimierung elektrischer Parameter des LBOs,
  • Management von LBO-Komponenten und Prozessereignissen (BFI-Beitrag),
  • Überwachung der LBO-Gesamtleistung.

Für jeden Anwendungsfall werden KI-Modelle auf der Grundlage realer Industriedaten und multimodaler Eingaben (akustisch, volumetrisch, visuell und thermisch) entwickelt und in ein fortschrittliches Entscheidungsunterstützungssystem (DSS) integriert, das in der Lage ist, den Bedienern Empfehlungen in Echtzeit zu geben.

Innovative Ansätze:

Das Projekt führt sowohl im Bereich Computer Vision – durch robuste Bildanalysetechniken, speziell für extreme EAF-Umgebungen entwickelt– als auch in der Zeitreihenanalyse bedeutende Innovationen ein, indem fortschrittliche KI-Methoden auf Akustik- und Schwingungssignale angewendet werden, um Ineffizienzen und Ausfälle frühzeitig zu erkennen. Durch die Kombination dieser Lösungen wird das Projekt einen ganzheitlichen und vorausschauenden Ansatz für das EAF-Management liefern, der derzeit auf dem Markt noch nicht verfügbar ist.

Nutzen für die Industrie:

Dieser Ansatz ermöglicht eine präzisere Prozesssteuerung, weniger ungeplante Wartungsarbeiten, eine längere Lebensdauer der Anlagen sowie erhebliche Energie- und Kosteneinsparungen. Er wird sowohl die Dekarbonisierung als auch die Wettbewerbsfähigkeit der europäischen Stahlindustrie stärken und durch verbesserte Ressourceneffizienz, höhere Metallausbeute und geringere CO₂-Emissionen direkt zu den Zielen des RFCS-Programms und des Europäischen Green Deals beitragen.

Über das Projekt:

Dieses Projekt wird von der Europäischen Union finanziert, aus dem Forschungsfonds für Kohle und Stahl (RFCS). Die geäußerten Ansichten und Meinungen entsprechen jedoch ausschließlich denen der Autorinnen und Autoren und spiegeln nicht zwangsläufig die Ansichten der Europäischen Union wider. Weder die Europäische Union noch die bewilligende Stelle können dafür verantwortlich gemacht werden.

zurück