Demnächst verfügbar. Dieser Use Case ist in Vorbereitung — Schritt-für-Schritt-Anleitung, Zeitaufwand und Werkzeugempfehlung folgen in Kürze.
Brennofen-Temperaturprofil: Keramikausschuss durch ML-Steuerung senken
Ungleichmäßige Hitzeverteilung in Tunnelöfen lässt Keramikfliesen verziehen oder reißen. ML-Modelle lernen das optimale Temperaturprofil je Produktmix und steuern Brennzonen automatisch nach.
- Zeit
- Manuelle Zonenkorrektur entfällt (~1–2 Std./Schicht Brennmeister)
- Kosten
- Ausschuss + Energie: 80.000–300.000 €/Jahr je Ofenlinie einsparbar
- Einstieg
- 8–15 Monate: Datenschnittstellen, Modelltraining, SPS-Integration, Validation
- ROI
- ROI klar messbar ab Monat 10–18 — Kausalität zwischen Profil und Ausschuss direkt
- Wachstum
- Modell auf weitere Ofenlinien mit gleichem Produkttyp übertragbar
Das Problem
Temperaturschwankungen von ±15–25 °C zwischen Ofenzonen führen bei Feinsteinzeug und Porzellanfliesen zu Verformungen, die erst nach dem Abkühlen sichtbar werden. Ausschussraten von 3–8% je Brand sind branchenüblich. Brennmeister justieren Zonen manuell nach Erfahrung — Wissen, das beim Ausscheiden verloren geht.
Die Lösung
Temperatur-, Feuchte- und Durchlaufsensoren liefern Zeitreihendaten je Ofenzone. Ein ML-Modell (Gradient Boosting oder LSTM) lernt den Zusammenhang zwischen Brennprofil, Rohstoffcharge und Ausschussrate. Optimale Zonentemperaturen werden automatisch vorgeschlagen oder direkt an die SPS übergeben.
Der Nutzen
Ausschussreduktion um 30–50% realistisch. Energieverbrauch pro Brand sinkt um 8–15% durch gleichmäßigere Auslastung. Brennmeister-Wissen wird reproduzierbar und auditierbar.
Produktansatz
SCADA/SPS-Datenanbindung + Zeitreihen-ML (Azure ML, DataRobot oder Python/sklearn) + OPC-UA-Schnittstelle
Diesen Inhalt teilen:
Interesse an diesem Use Case?
Schreib uns, wenn du mehr erfahren oder diesen Use Case für dein Unternehmen umsetzen möchtest. Wir melden uns zeitnah bei dir.
Weitere Use Cases
Floatglas-Blasenerkennung: Mikrodefekte inline erkennen
Winzige Gasblasen im Floatglas-Band entstehen unvorhersehbar im Zinnbad und machen großformatige Architektur- und Solarscheiben unverkäuflich. KI-Bildverarbeitung erkennt Defekte in Echtzeit direkt am Band.
Mehr erfahrenML-gestützte Brennprozess-Optimierung in der Keramikindustrie
Temperaturschwankungen im Tunnelofen erzeugen Ausschuss, den niemand vorhersagt. ML-Modelle lernen das optimale Temperaturprofil für jeden Produktmix — und reduzieren gleichzeitig Ausschuss und Energieverbrauch.
Mehr erfahrenGlasfaser-Fadenriss: ML-Prognose aus Schmelzviskositätsdaten
Hochgeschwindigkeitsspinnen von Glasfasern bricht unerwartet ab, wenn unsichtbare Siliziumdioxid-Verunreinigungen in der Schmelze die Viskosität lokal verschieben. ML-Modelle erkennen kritische Viskositätsmuster bevor der Faden reißt.
Mehr erfahren