Wie Foundation Models dazu beitragen können, die Stahl- und Zementproduktion nachhaltiger zu gestalten

Die Schwerindustrien, insbesondere die Zement-, Stahl- und Chemieindustrien, sind die Branchen, die am meisten Treibhausgase ausstoßen und für 25 % der weltweiten CO2-Emissionen verantwortlich sind. Sie verwenden in vielen ihrer Prozesse Hochtemperaturwärme, die hauptsächlich durch fossile Brennstoffe angetrieben wird. Zur Bekämpfung des Klimawandels müssen die Emissionen der Branchen gesenkt werden. Diese Branchen stehen jedoch vor enormen Herausforderungen, um die Treibhausgasemissionen zu reduzieren. Der Austausch von Anlagen ist kein praktikabler Weg zur Emissionsreduzierung, da diese Branchen kapitalintensiv sind und die Anlagenlebenszyklen über 40 Jahre betragen. Sie probieren auch alternative Brennstoffe aus, die ihre eigenen Herausforderungen hinsichtlich der Verfügbarkeit alternativer Brennstoffe und der Fähigkeit, Prozesse mit Brennstoffmischungen zu verwalten, mit sich bringen. Das Pariser Abkommen über den Klimawandel schreibt außerdem vor, dass diese Branchen ihre jährlichen Emissionen bis 2030 um 12 bis 16 % reduzieren müssen. Wenn sie auf industrielle Prozesse angewendet wird, kann generative KI den Produktionsertrag verbessern, Qualitätsschwankungen reduzieren und den spezifischen Energieverbrauch senken (wodurch Betriebskosten und Emissionen reduziert werden).

Eine höhere Variabilität bei Prozessen und Abläufen hat Ergebnisse in einem höheren spezifischen Energieverbrauch (SEC) und höheren Emissionen. Diese Variabilität ist auf Materialinkonsistenzen (Rohmaterial kommt aus der Erde), unterschiedliche Wetterbedingungen, Maschinenbedingungen und die Unfähigkeit des Menschen zurückzuführen, die Prozesse 24 Stunden am Tag, an jedem Tag der Woche mit höchster Effizienz zu betreiben. Die Technologie der künstlichen Intelligenz kann zukünftige Variabilitäten der Prozesse und die daraus resultierenden Auswirkungen auf Ertrag, Qualität und Energieverbrauch vorhersagen. Sagen wir zum Beispiel die Qualität des Klinkers im Voraus voraus, dann können wir die Wärmeenergie und die Verbrennung im Zementofen so optimieren, dass hochwertiger Klinker mit minimalem Energiebedarf hergestellt wird. Eine solche Optimierung der Prozesse senkt den Energieverbrauch und reduziert wiederum sowohl die Energieemissionen als auch die Prozessemissionen.

Foundation Models ermöglichen eine höhere Skalierbarkeit der KI, indem sie die Kosten und den Aufwand für die Modellschulung um bis zu 70 % reduzieren. Am häufigsten werden Basismodelle in Anwendungen zur Verarbeitung natürlicher Sprache (NLP) eingesetzt. Bei entsprechender Anpassung ermöglichen Foundation Models Unternehmen jedoch, komplexe industrielle Prozesse erfolgreich und genau zu modellieren und einen digitalen Zwilling des Prozesses zu erstellen. Diese digitalen Zwillinge erfassen multivariate Beziehungen zwischen Prozessvariablen, Materialeigenschaften, Energiebedarf, Wetterbedingungen, Bedieneraktionen und Produktqualität. Mit diesen digitalen Zwillingen können wir komplexe Betriebsbedingungen simulieren, um genaue Betriebssollwerte für Prozess-„Sweet Spots“ zu erhalten. Der digitale Zwilling des Zementofens würde zum Beispiel den optimalen Brennstoff, die Luft, die Ofengeschwindigkeit und die Zuführung empfehlen, um den Wärmeenergieverbrauch zu minimieren und dennoch die richtige Klinkerqualität zu produzieren. Wenn diese optimierten Sollwerte auf den Prozess angewendet werden, sehen wir Effizienzsteigerungen und Energieeinsparungen, die bisher nicht gesehen oder realisiert wurden. Die verbesserte Effizienz und der SEC schlagen sich nicht nur im EBITDA-Wert nieder, sondern reduzieren auch die Energie- und Prozessemissionen.

Die Schwerindustrie optimiert bereits seit einigen Jahren Prozesse mit KI-Modellen. Typischerweise werden Regressionmodelle verwendet, um das Prozessverhalten zu erfassen; jedes Regressionmodell erfasst das Verhalten eines Teils des Prozesses. Wenn diese Gruppe von Modellen mit einem Optimierer zusammengefügt wird, stellt sie das Gesamtverhalten des Prozesses dar. Diese Gruppen von 10 bis 20 Modellen werden von einem Optimierer wie ein Orchester Orchestrate, um optimierte Betriebspunktempfehlungen für Anlagen zu generieren. Dieser Ansatz konnte jedoch die Prozessdynamik, wie z. B. Ramp-ups, Ramp-downs, insbesondere bei Störungen, nicht erfassen. Und es ist nicht einfach, Dutzende von Regressionsmodellen zu trainieren und zu pflegen, was sie zu einem Engpass für eine beschleunigte Skalierung macht.

Heute werden Foundation Models hauptsächlich in der Verarbeitung natürlicher Sprache verwendet. Sie nutzen die Transformer-Architektur, um längerfristige Beziehungen zwischen Wörtern (Token in der Terminologie der generativen KI) in einem Textkörper zu erfassen. Diese Beziehungen werden als Vektoren kodiert. Diese Beziehungsvektoren werden dann verwendet, um Inhalte für einen bestimmten Kontext (z. B. einen Mietvertrag) zu generieren. Die Genauigkeit der resultierenden Inhalte, die aus diesen kartierten Vektoren generiert werden, ist beeindruckend, wie ChatGPT zeigt. Was wäre, wenn wir Zeitreihendaten als eine Sequenz von Token darstellen könnten? Was wäre, wenn wir die parallelisierte Transformer-Architektur verwenden könnten, um multivariate Zeitreihendaten zu kodieren, um lang- und kurzfristige Beziehungen zwischen Variablen zu erfassen?

IBM Forschung, in Zusammenarbeit mit IBM Consulting, hat die Transformer-Architektur für Zeitreihendaten angepasst und vielversprechende Ergebnisse festgestellt. Mit dieser Technologie können wir einen gesamten industriellen Prozess, z. B. einen Zementofen, mit nur einem Foundation Model modellieren. Die Foundation Model werden für einen Prozessbereich trainiert und können das Verhalten der gesamten Asset und Prozessklasse erfassen. Ein Modell für eine Foundation Model für eine Zementmühle kann beispielsweise das Verhalten mehrerer Kapazitäten von Zementmühlen erfassen. Daher muss jede weitere Fabrik, in der wir sie bereitstellen, nur die Feinabstimmung des „Cement Mill Foundation Model“ und keinen Top-Down-Trainingsprozess durchlaufen. Dadurch wird die Zeit für die Schulung und Bereitstellung des Modells um die Hälfte verkürzt, was es zu einer praktikablen Technologie für groß angelegte Rollouts macht. Wir haben beobachtet, dass diese Foundation Models 7-mal so genau sind wie Regression. Und um das Ganze noch abzurunden, können wir die Prozessdynamik erfassen, da diese Modelle Multivariate Forecasting mit hoher Genauigkeit betreiben.

Die generative KI-Technologie wird die industrielle Produktion auf ein unvorhergesehenes Niveau heben. Dies ist die Lösung, um Industrieemissionen einzudämmen und die Produktivität bei minimalen CAPEX-Auswirkungen und positiven EBITDA-Auswirkungen zu steigern. IBM arbeitet mit mehreren Kunden zusammen, die diese Technologie in die Produktion bringen wollen und dabei eine Steigerung der Produktivität um bis zu 5 % und eine Senkung des spezifischen Energieverbrauchs und der Emissionen um bis zu 4 % verzeichnen. Wir bilden zusammen mit den Kundenteams ein gemeinsames Innovations-Team. Gemeinsam trainieren und bereitstellen wir diese Modelle für verschiedene Anwendungsfälle, die von der Optimierung der Lieferkette, der Produktionsoptimierung, der Asset-Optimierung, der Qualitätsoptimierung bis hin zur Planungsoptimierung reichen. Wir haben mit der Bereitstellung dieser Technologie in einem großen Stahlwerk in Indien, einem Zementwerk in Lateinamerika und der CPG-Produktion in Nordamerika begonnen.

Letztendlich geht es um die Menschen: Die Bediener im Werk müssen sie annehmen, die Prozessingenieure sollten sie lieben und die Anlagenleitung muss sie wertschätzen. Das kann nur durch eine effektive Zusammenarbeit und ein Change Management erreicht werden, worauf wir uns während des gesamten Projekts konzentrieren. Lassen Sie uns gemeinsam eine Zeit fördern, in der wir unsere Produktionskapazitäten erweitern können, ohne Kompromisse bei der Nachhaltigkeit einzugehen, und eine bessere, gesündere Welt für die kommenden Generationen schaffen können.