Industrielle KI, von der Erkenntnis zum Handeln.

Die Herausforderung

Die SAG-Mühle gab den Takt der gesamten Anlage vor. Bei manueller Steuerung drosselten die Bediener die Aufgabe, sobald die Umlaufmenge stark stieg — während Gesteinsart, Aufgabemischung und Feststoffanteil sich laufend änderten.

Unsere Umsetzung

Ein prädiktives Modell des Mahlkreislaufs, über zwei Jahre mit den Prozessingenieuren der Anlage entwickelt, steuerte den Industrial Autopilot während des Tests. Es las Live-Sensordaten und sendete Sollwerte in Echtzeit an das Automatisierungssystem der Anlage, innerhalb sicherer Betriebsbereiche, rund um die Uhr. Ein Klick gab die Kontrolle an den Bediener zurück.

Genutzte Produkte

• Prädiktive Modelle
• Digitaler Zwilling
• Industrial Autopilot

Unsere Messung

25 Tage, vom 10. Januar bis 5. Februar 2024. KI und manuelle Steuerung wechselten alle 48 Stunden, sodass beide dieselben Erze verarbeiteten. Nur Stunden mit mindestens 85 % Betriebszeit zählten — 265 Stunden je Modus.

Die Herausforderung

Im Mahlkreislauf zwangen plötzliche Anstiege der Umlaufmenge zur Drosselung des Aufgabebands — oft unter 70 t/h — etwa siebenmal pro Tag. Jede Drosselung war Erz, das die Mühle hätte verarbeiten können.

Unsere Umsetzung

Ein prädiktives Modell der Umlaufmenge steuerte das Aufgabeband in Echtzeit. Statt die Aufgabe zu drosseln, sah der Autopilot den Anstieg voraus, hielt ein für die Mühle verträgliches Niveau und kehrte dann zur maximalen Aufgabe zurück.

Genutzte Produkte

• Prädiktive Modelle
• Digitaler Zwilling
• Industrial Autopilot

Unsere Messung

Jede Aufgabedrosselung wurde mit der manuellen Steuerung in derselben Situation verglichen — etwa sieben Ereignisse pro Tag, Mai bis Juli 2025.

Die Herausforderung

Umesterungsausbeute maximieren, den Methylat-Katalysator reduzieren — ein Kostenposten von mehreren Millionen Dollar pro Jahr — und die Produktqualität vor dem täglichen Laborergebnis kennen.

Unsere Umsetzung

Prädiktive Modelle aus zehn Monaten Anlagendaten: 56,5 Mio. Sensormesswerte von rund 40 Messgeräten, aufbereitet zu einer sauberen, modellfertigen Datengrundlage. Ein Gradient-Boosting-Modell mit 13 Prozessvariablen wurde zum ersten virtuellen Qualitätssensor.

Genutzte Produkte

• Prädiktive Modelle
• Digitaler Zwilling (hier nicht eingesetzt)
• Industrial Autopilot (hier nicht eingesetzt)

So testen wir

Die Modelle werden an Daten getestet, die vom Training ausgenommen sind. Fehler in physikalischen Einheiten und der Vergleich mit der Anlagenreferenz werden veröffentlicht, sobald der Kunde dies genehmigt.

Die Herausforderung

Bei einer Testabweichung: Liegt es am Prüfstand oder an der Komponente? Und ungeplante Prüfstandstillstände verzögern jeden danach geplanten Test.

Unsere laufende Umsetzung

Modelle für vorausschauende Wartung und ein Monitoring-Dashboard. Statt einer globalen Alarmschwelle lernen die Modelle für jede Komponentenvariante eine Referenz des Normalverhaltens. So wird jede Abweichung an der richtigen Referenz bewertet.

Genutzte Produkte

• Prädiktive Modelle
• Digitaler Zwilling (hier nicht eingesetzt)
• Industrial Autopilot (hier nicht eingesetzt)

So testen wir

Eine Referenz des Normalverhaltens für jede Komponentenvariante; die Kriterien für Tests an Live-Daten werden mit der Instandhaltungsleitung des Kunden vereinbart.