Intelligente Prozesssteuerung im Haubenofen
EBNER Industrieofenbau | Richard Speletz, Model Developer
Intelligente Prozesssteuerung im Haubenofen
Vom physikbasierten Modell zum digitalen Zwilling.
Die präzise Wärmebehandlung ist ein zentraler Faktor für die Qualität moderner Stähle. Haubenöfen spielen dabei eine Schlüsselrolle, insbesondere wenn es um die flexible und energieeffiziente Behandlung kleiner Chargen oder spezieller Legierungen geht.
Im folgenden Interview erklärt Richard Speletz, Model Developer, wie physikbasierte Modelle, digitale Zwillinge und KI-Algorithmen die Steuerung und Optimierung von Haubenöfen revolutionieren werden: von der präzisen Temperaturführung bis zur intelligenten Reaktion auf Prozessstörungen.
Können Sie den Haubenofen-Prozess und seine Bedeutung für die Stahlbehandlung erklären?
Haubenöfen werden eingesetzt, um Stahlbunde und Drähte wärmezubehandeln. Durch exakt definierte Glühkurven lassen sich die mechanischen Eigenschaften des Stahls, wie Härte, Festigkeit und Zähigkeit, gezielt einstellen.
Im Vergleich zu kontinuierlichen Anlagen sind Haubenöfen insbesondere bei kleineren Chargen deutlich energieeffizienter und flexibler. Sie eignen sich hervorragend für unterschiedliche Stahlsorten, Bundgrößen und Produktionsanforderungen, da sie eine hohe Prozessvariabilität bei gleichzeitig präziser Temperaturkontrolle ermöglichen.
Was waren die größten Herausforderungen in der Prozesssteuerung, bevor Modellierungen eingeführt wurden?
Eine der größten Herausforderungen liegt in der fehlenden Messbarkeit der Temperatur im Inneren des Stahlbundes. Im Ofeninnenraum können nur die Gastemperaturen erfasst werden. Aufgrund der thermischen Trägheit zwischen Gas und Material bestehen jedoch erhebliche Temperaturunterschiede.
Ohne genaue Kenntnis der Materialtemperatur ist eine präzise Prozessplanung kaum möglich. Das führt zu längeren Standzeiten, höherem Energieverbrauch und erhöhtem Ausschuss, speziell bei empfindlichen Legierungen.
Wie sind Sie beim Aufbau des physikbasierten digitalen Zwillings vorgegangen?
Zunächst wurde ein umfassendes mathematisches Modell entwickelt, das verschiedene Subsysteme wie Heizhaube, Schutzhaube, Brenner und Stahlbund abbildet. Als Eingangsdaten dienten die Brennerleistung und die Gebläsedrehzahl.
Da Kunden in der Praxis Glühkurven vorgeben, wurde das Modell um interne Regelkreise erweitert. Dadurch entstand ein digitaler Zwilling der Anlage, der in der Lage ist, diese Glühkurven automatisch und präzise abzuarbeiten. Auf diese Weise können Materialeigenschaften gezielt über die Steuerung des Wärmeverlaufs definiert werden.
Welche Differentialgleichungen und physikalischen Prinzipien kommen dabei zum Einsatz?
Das System basiert auf der nicht-homogenen, zweidimensionalen Wärmeleitungsgleichung, die sich aus dem Energieerhaltungssatz und dem Fourier’schen Gesetz ableiten lässt.
Das Modell berücksichtigt sowohl Wärmeleitung im Stahlbund als auch Wärmeübertragung durch Konvektion und Strahlung innerhalb des Systems. Dadurch wird das thermische Verhalten des gesamten Prozesses physikalisch korrekt abgebildet.
Wie trägt das Modell zur besseren Planung und Reduzierung von Ausschuss bei?
Dank des Modells kann die Temperatur an jedem Punkt innerhalb des Stahlbundes berechnet werden, selbst dort, wo keine Messung möglich ist. Dies ermöglicht eine präzise Vorhersage des Temperaturverlaufs und somit eine optimierte Planung zukünftiger Glühzyklen.
Das Resultat: höherer Durchsatz, geringerer Energieverbrauch und eine deutliche Reduktion von Ausschuss.
Welche Arten von Sensordaten werden in das Modell integriert?
In das System fließen eine Vielzahl von Echtzeitdaten ein, darunter Temperaturmesswerte der Heizhaube und des Prozessgases, Gebläsedrehzahlen, Gasdurchflüsse (H₂, N₂), Zeitstempel sowie weitere prozessrelevante Signale. Diese Daten bilden die Grundlage für eine dynamische Anpassung der Prozessparameter.
Wie reagiert das System auf Echtzeitstörungen, beispielsweise bei einem Brennerausfall?
Das System erkennt Abweichungen zwischen Soll- und Ist-Gastemperatur. Auf Basis aktueller und vergangener Sensordaten berechnet das Modell in Echtzeit eine angepasste Glühkurve. Die neuen Glühzeiten werden automatisch an das Prozessleitsystem übergeben. Dadurch bleibt die Produktqualität auch bei unerwarteten Störungen konstant hoch.
Wie funktioniert der Bayes’sche Optimierungsalgorithmus in Ihrem System?
Das physikalische Modell verfügt über verschiedene Freiheitsgrade, die während des Prozesses optimiert werden können.
Ein Beispiel: Die Kühlphase wird durch fünf Parameter beschrieben. Der Bayes’sche Algorithmus versucht während der Kühlung, die Abweichung zwischen gemessenen und simulierten Werten zu minimieren, indem er diese Parameter anpasst. Sobald ein Minimum der Abweichung erreicht ist, werden die optimierten Parameter für die nächste Modellrechnung übernommen, was eine präzisere Vorhersage des Kühlzeitendes ermöglicht.
Da der Algorithmus aus jeder Iteration lernt, verbessert er sich kontinuierlich und kann mit jedem Zyklus genauere Ergebnisse erreichen.
Warum haben Sie sich entschieden, in Richtung neuronaler Netze zu gehen, und wie ergänzen diese das bestehende Modell?
Neuronale Netze können aufgrund der großen Datenmengen, die aus unseren Modellrechnungen generiert werden, effizient trainiert werden. Sie sind in der Lage, extrem schnell Lösungen zu berechnen und übernehmen in diesem Zusammenhang die Aufgaben der Optimierungsalgorithmen.
Allerdings ersetzen sie weder das physikalische Modell noch den digitalen Zwilling, sie ergänzen diese vielmehr. Während das Modell die physikalischen Gesetzmäßigkeiten sicherstellt, ermöglichen neuronale Netze eine beschleunigte Berechnung und eine adaptive Feinjustierung.
Was sind die nächsten Schritte in der Weiterentwicklung dieser Technologie?
Der nächste Entwicklungsschritt besteht in der Integration neuronaler Netze direkt in das bestehende Modell, um so eine noch schnellere und adaptivere Prozessführung zu erreichen.
Ziel ist die Marktreife sowohl des Bayes’schen als auch des neuronalen Ansatzes. Darüber hinaus sollen die Methoden auf weitere Unsicherheiten im Prozess ausgeweitet werden, beispielsweise die Identifikation der Strömungssituationen bei komplexem Stapelaufbau.
Wie sehen Sie die Rolle der Künstlichen Intelligenz in der zukünftigen Optimierung thermischer Prozesse?
Künstliche Intelligenz wird künftig eine Schlüsselrolle spielen – insbesondere bei:
- Adaptiver Prozessführung zur automatischen Reaktion auf Störungen,
- Predictive Maintenance, also der vorausschauenden Wartung durch Mustererkennung in Sensordaten,
- sowie hybriden Systemen, die physikalische Modelle mit KI-gestützter Parameteroptimierung kombinieren.
Physikbasierte Modelle bleiben dabei die Grundlage, KI wird sie jedoch beschleunigen, robuster machen und ihre Anwendung erweitern.
Welches Feedback haben Sie von Kunden erhalten, die diese Modelle bereits einsetzen?
Das Feedback ist durchwegs positiv. Kunden berichten von deutlich besserer Planbarkeit, kürzeren Durchlaufzeiten und erheblich geringerem Ausschuss.
Zudem bietet die Modellierung eine höhere Flexibilität beim Testen neuer Glühzyklen, ohne dass dabei die Prozesssicherheit beeinträchtigt wird. Ein klarer Mehrwert im täglichen Betrieb.