AI4EAFRoute: Unterstützung innovativer Verfahren der EAF-Route durch künstliche Intelligenz zur Optimierung der Prozess- und Anlagenführung sowie zur Steigerung von Leistung und Komponenteneffizienz

Die­ses Pro­jekt zielt dar­auf ab, die Leis­tung, Zuver­läs­sig­keit und Nach­hal­tig­keit der Elek­tro­licht­bo­gen­ofen-Rou­te (EAF) durch die Inte­gra­ti­on fort­schritt­li­cher Über­wa­chungs­tech­no­lo­gien und Werk­zeu­ge der künst­li­chen Intel­li­genz (KI) zu stei­gern. Anhand von vier geziel­ten Anwen­dungs­fäl­len wer­den zen­tra­le pro­zess­tech­ni­sche Her­aus­for­de­run­gen ange­gan­gen, dar­un­ter das Manage­ment des Schrott­schmel­zens, die Opti­mie­rung elek­tri­scher Para­me­ter, der Ver­schleiß der feu­er­fes­ten Aus­maue­rung, Was­ser­lecks in den Ofen­pa­nee­len, die Erken­nung und Vor­her­sa­ge von Ereig­nis­sen sowie das all­ge­mei­ne Leis­tungs­ma­nage­ment. Für jeden Anwen­dungs­fall wer­den spe­zi­fi­sche KI-Model­le ent­wi­ckelt, die auf rea­len Indus­trie­da­ten basie­ren und mul­ti­mo­da­le Ein­gangs­grö­ßen – wie akus­ti­sche, volu­me­tri­sche, visu­el­le und ther­mi­sche Signa­le – nut­zen. Der gewähl­te Ansatz umfasst sowohl die Über­wa­chung und Daten­ana­ly­se des Anla­gen­zu­stands als auch die her­kömm­li­che Pro­zess­über­wa­chung und ‑steue­rung; Ziel ist es, den Ein­fluss der Betriebs­prak­ti­ken auf den Zustand und die Lebens­dau­er der Anla­ge zu unter­su­chen sowie die Aus­wir­kun­gen von Kom­po­nen­ten­in­ef­fi­zi­en­zen auf die Pro­zess­leis­tung zu bewer­ten. Die Ergeb­nis­se bei­der Ana­ly­sen wer­den in ver­ein­fach­te Vor­her­sa­ge­re­geln über­führt, die als Grund­la­ge für die Richt­li­ni­en eines Ent­schei­dungs­un­ter­stüt­zungs­sys­tems die­nen. Die­se Model­le wer­den in ein fort­schritt­li­ches, KI-basier­tes Ent­schei­dungs­un­ter­stüt­zungs­sys­tem (DSS) inte­griert, das den Ofen­be­die­nern Emp­feh­lun­gen in Echt­zeit lie­fert. Dies ermög­licht eine prä­zi­se­re Pro­zess­steue­rung, redu­ziert unge­plan­te War­tungs­ar­bei­ten, ver­län­gert die Lebens­dau­er der Anla­gen und führt zu erheb­li­chen Kos­ten- und Ener­gie­ein­spa­run­gen. Das Pro­jekt treibt den Stand der Tech­nik an meh­re­ren Fron­ten vor­an: Im Bereich der Com­pu­ter Visi­on wer­den neu­ar­ti­ge Ver­fah­ren zur robus­ten Bild­ana­ly­se unter den rau­en Bedin­gun­gen einer EAF-Umge­bung ein­ge­führt. Bei der Zeit­rei­hen­ana­ly­se kom­men fort­schritt­li­che KI-Metho­den zur Aus­wer­tung akus­ti­scher Signal­mus­ter zum Ein­satz, was eine früh­zei­ti­ge Erken­nung von Inef­fi­zi­en­zen und Stö­run­gen ermög­licht. Durch die Kom­bi­na­ti­on die­ser Inno­va­tio­nen schafft das Pro­jekt einen ganz­heit­li­chen, prä­dik­ti­ven Ansatz für das EAF-Manage­ment, der so bis­her nicht am Markt ver­füg­bar ist. Letzt­lich stärkt das Pro­jekt durch die Opti­mie­rung der EAF-Pro­zes­se und des Anla­gen­ma­nage­ments sowohl die Dekar­bo­ni­sie­rung als auch die Wett­be­werbs­fä­hig­keit der euro­päi­schen Stahl­in­dus­trie. Damit unter­stützt es direkt die Zie­le des RFCS-Pro­gramms und des „Euro­pean Green Deal“, indem es die Res­sour­cen­ef­fi­zi­enz stei­gert, die Metall­aus­beu­te erhöht und die CO₂-Emis­sio­nen senkt.