Herausforderungen bei der Entwicklung eines Softsensors

Im Rahmen des Projekts „KIBAPap“ wird ein Softsensor zur Ermittlung des Trockengehalts nach der Presse entwickelt, um mögliche Potentiale zur Trockengehaltssteigerung aufzuzeigen. Die Entwicklung des Softsensors wird von Projektpartnern der Hochschule München, der Leipa Group GmbH und Consultingtalents AG an der PM 5 in Schwedt durchgeführt und wird zusammen mit dem Institut für Textiltechnik der RWTH Aachen University genutzt werden. Das Projekt „KIBAPap- KI-basiertes Bedienerassistenzsystem im Wertstoffkreislauf Papier“ zielt darauf ab, den Ressourcenverbrauch im Produktionsprozess signifikant zu reduzieren, indem Prozessparameter an die Qualität des Rohstoffs angepasst werden. Die Grundlage dafür sind gesammelte Daten entlang der Wertschöpfungskette, die mithilfe umfassender Analysemethoden und künstlicher Intelligenz zur Prozessoptimierung genutzt werden. Die Leipa Group GmbH stellt im Projekt die industriellen Anlagen auf Seiten der Papierproduktion zur Verfügung. Die Produktion der Verpackungspapiere auf 100% Altpapierbasis steht bei Leipa im Fokus. An der PM 5 in Schwedt, die für Versuche genutzt wird, werden seit 2018 ungestrichene Wellpappenrohpapiere produziert.

Das Thema Rohstoff- und Energieeinsparung ist aktuell wichtiger denn je und somit eines der Hauptziele im Projekt. Um dieses erreichen zu können, spielen Messungen und Sensoren zur Darstellung des Ist-Zustands eine wichtige Rolle. Da die Messtechnik jedoch an manchen Stellen an ihre Grenzen kommt, aus Kostengründen nicht beschafft werden kann oder aus Platzgründen nicht sicher in der Papiermaschine installiert werden kann, bieten Softsensoren eine gute Alternative.

Im Vortrag wird die Methodik bei der Entwicklung eines Softsensors zur Bestimmung des Trockengehalts nach der Presse beleuchtet und mögliche Herausforderungen im Entwicklungsprozess hervorgehoben. Als Grundlage für den Softsensor dient eine Systemanalyse der Anlagen. In einem weiteren Schritt werden Parameter basierend auf theoretischen Ansätzen und Erfahrungen aus dem Produktionsalltag ermittelt, welche einen Einfluss auf die gesuchte Zielgröße haben. Mithilfe von Korrelationsanalysen und Auswertungen können Abhängigkeiten anhand historischer Daten ermittelt werden. Die Anzahl der Einflussparameter, welche als Input für den Softsensor dienen, lässt sich somit auf die relevanten Parameter einschränken. Zur Bestätigung einzelner Parameter, welche durch prozesstechnisches Wissen festgesetzt wurden, werden Maschinenversuche durchgeführt, um so deren Einfluss ermitteln zu können. Identifizierte und validierte Einflussfaktoren können dann als Input für den ausgewählten Modellansatz genutzt werden. Die Gleichungs- und KI-basierten Modelle werden anhand historischer Daten optimiert und validiert. Das ausgewählte Modell kann anhand von Vergleichswerten aus Labor- und nachgerüsteten Online-Messungen fortlaufend überprüft werden und gewährleistet eine ständige Optimierung und Weiterentwicklung. Sobald sichergestellt werden kann, dass das Modell zuverlässig die real vorliegenden Gegebenheiten abbildet, wird ein Softsensor implementiert. Dieser kann zukünftig zur Simulation theoretischer Zustände genutzt werden, ohne in die Produktion eingreifen zu müssen. Somit lassen sich beispielsweise optimale Betriebsfenster finden. Am Beispiel des Trockengehalts nach der Presse wird es möglich sein, Rückschlüsse auf Optimierungsoptionen des Dampfverbrauchs zu ziehen und somit auf Potentiale zur Reduzierung der Energiekosten, zu schließen.