Soft-Sensor zur KI-gestützten Vorhersage der Pumpfähigkeit einer Käsemasse

Ein erster bedeutender Meilenstein auf dem Weg zur Reduzierung der Lebensmittelverschwendung konnte im Rahmen des Teilvorhabens „Verschwendungsminimierende Produktionssysteme“ erzielt werden. Ein KI-gestütztes Vorhersagemodell kann die Pumpfähigkeit einer Käsemasse während des Prozesses erkennen, so dass Verstopfungen im Produktionssystem – und der damit verbundene Ausschuss – vermieden werden.

Schmelzkäse wird in einem kontinuierlich arbeitenden Schmelzofen verarbeitet. Die Rohware wird dazu aus einem Puffer in den Schmelzofen gepumpt. Dabei kann bei einigen Rezepturen im Zusammenspiel der chemischen Eigenschaften der eingesetzten Rohwaren-Chargen und der Parameter der vorgelagerten Bearbeitung die Pumpfähigkeit der Käsemasse sinken, was im Extremfall zu einem vollständigen Verstopfen der Förderpumpe führen kann. In diesem Fall wird die Anlage abgeschaltet und die verstopfende Käsemasse entfernt, so dass eigentlich vermeidbare Lebensmittelabfälle entstehen. Das hier entwickelte Vorhersagemodell zur Pumpfähigkeit der Käsemasse soll eine eingeschränkte Pumpfähigkeit der Masse so frühzeitig erkennen, dass im Verarbeitungsprozess nachgesteuert werden kann, die Anlage deshalb seltener abgeschaltet werden muss und damit Lebensmittelabfall reduziert wird.

Im ersten Schritt wurden dazu Maschinendaten der Anlagen sowie chemische Daten der eingesetzten Rohstoffe extrahiert sowie eine Datenschnittstelle eingerichtet, um die Daten leicht in eine KI-Entwicklungsumgebung übertragen zu können. Dort werden die Daten in einem Datenkorpus zusammen geführt und gereinigt. Diese Datenvorbereitung wurde laufend fachlich mit den Produktionsexperten abgestimmt, um Interpretationsfehlern vorzubeugen.

Mögliche Pumpprobleme werden von den Anlagenbedienern heute an schwankenden Drücken im Pumpsystem erkannt. Aus solchen Signaturen wurden deshalb Labels für das überwachte maschinelle Lernen erzeugt und sowohl ein Entscheidungsbaum als auch ein neuronales Netz trainiert. Der dazu verwendete Datensatz hat ca. 1000 Zeilen mit jeweils 162 Spalten. Entscheidungsbaum und neuronales Netz liefern ähnlich gute Vorhersageergebnisse. Der Entscheidungsbaum wird für die weitere Verwendung favorisiert, weil die Entscheidung des Modells nachvollziehbar ist, und damit die möglichen Ursachen des Pumpproblems erkannt werden.

Das Modell in der aktuellen Form erkennt in 60% der Fälle richtig ob ein Pumpproblem auftreten wird oder nicht und soll in einem nachfolgenden Schritt von den Anlagenbedienern im echten Betrieb getestet werden.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.