Nachhaltigere Stahlproduktion durch datengetriebene Prozessoptimierung im Walzenrichten

Fraunhofer Austria entwickelt ein datengetriebenes Verfahren, das Maschinelles Lernen mit realen Produktionsdaten kombiniert und so das Walzenrichten optimieren soll. (Bilder: voestalpine Steel & Service Center)

Die Prozessführung im Walzenrichten von Stahlband ist trotz jahrzehntelanger Erfahrung in der Industrie nach wie vor in hohem Maße von implizitem Bediener-Know-how abhängig. Das macht die Ergebnisse inkonsistent und personenabhängig: Bei Schichtwechsel, Personalfluktuation oder neuen Materialchargen steigt das Risiko für Qualitätsabweichungen, Ausschuss und kostenintensive Nacharbeit – mit direkten Auswirkungen auf Materialverbrauch, Energieeinsatz und letztlich den CO₂-Fußabdruck der Stahlverarbeitung. Zudem ist das Wissen der Maschinenbediener oft intuitiv und nicht formalisiert oder übertragbar.

Die Tests an der realen Produktionsanlage liefern die Datenbasis für die Entwicklung optimierter Richteinstellungen.

Verbesserte Parameter durch Machine Learning

In einem aktuellen Forschungsvorhaben setzt ein Team von Fraunhofer Austria genau hier an und entwickelt ein datengetriebenes Optimierungsverfahren, das Maschinelles Lernen mit realen Produktionsdaten kombiniert. Ziel ist es, die Prozessstabilität, Qualitätskonsistenz und Ressourceneffizienz gleichermaßen zu verbessern. „In der Vergangenheit gab es zwar bereits Versuche, einen Zusammenhang zwischen den gesetzten Parametern und der finalen Produktqualität zu finden, es wurden dabei allerdings nur Vorhersagen getroffen und keine Optimierung durchgeführt. Was unser Projekt einzigartig macht, ist, dass wir die Parameter optimieren und diese verbesserten Werte dem Maschinenführer über ein Interface vorschlagen“, erklärt Teresa Goldenits, die im Rahmen des Forschungsprojekts ihre Dissertation verfasst.

Komplexe Wechselwirkungen

Beim Walzenrichten von Coils haben verschiedene Materialcharakteristiken wie Blechdicke und Streckgrenze sowie eine Vielzahl an Maschineneinstellungen wie Eintauchtiefen und Krümmungen der Walzen Auswirkungen auf das Ergebnis. Diese Parameter stehen in nichtlinearen Wechselwirkungen zueinander und beeinflussen die finale Qualität in einer Weise, die sich über rein physikalisch-numerische Modelle nur bedingt abbilden lässt.

Um diese Einschränkungen zu überwinden, setzt das Forschungsteam auf einen dynamischen, auf maschinellem Lernen basierenden Optimierungsansatz, der heterogene Datenquellen integriert, darunter vorgelagerte Prozessdaten, Materialeigenschaften, Maschineneinstellungen und Inline-Qualitätsmessungen, um Prozessergebnisse zu modellieren und basierend darauf die optimalen Richteinstellungen zu finden. Dabei werden auch Prozessergebnisse wie die resultierende Flachheit des Blechs und innere Spannungen bewertet. Das System soll jedoch den Menschen nicht ersetzen, sondern unterstützen. Es handelt sich um einen sogenannten Human-in-the-Loop-Ansatz – die KI liefert Vorschläge, aber die erfahrene Fachkraft trifft die finale Entscheidung.

EU-weite Forschung

Der Use Case, der gemeinsam mit dem Fraunhofer IZFP und dem voestalpine Steel & Service Center bearbeitet wird, ist Teil des übergeordneten EU-Projekts „DiGreeS – Demonstration of Digital twins for a Green Steel value chain“. Im Rahmen des genannten Use Case wird vom Fraunhofer IZFP auch ein neuartiger Sensor entwickelt, der innere Spannungen des Blechs erfassen kann. Das voestalpine Steel & Service Center erlaubt Tests anhand seiner realen Produktionsdaten und Fraunhofer Austria entwickelt die Machine Learning Modelle. Das Projekt DiGreeS wird von der Europäischen Union gefördert und läuft noch bis Ende 2028.