Zentrifugen mit Hilfe von Data Analytics und Maschinellem Lernen energieffizienter machen

News / 18. Mai 2021

In vielen Industriezweigen werden Zentrifugen, speziell Tellerseparatoren dazu genutzt feste Bestandteile von flüssigen, oder verschiedene Flüssigkeiten voneinander zu trennen. Beispielsweise kann in der Molkerei die Magermilch und Sahne, in der Brauerei die Hefe vom Bier getrennt oder in der Petrolindustrie Öl raffiniert werden. Das kostet sehr viel Energie. Im Verbundvorhaben InZent (Intelligente Zentrifuge) arbeiten das Fraunhofer IEM, die Bergische Universität Wuppertal und die GEA Group daran die Energiebilanz zu verbessern.

News Smarte Zentrifugen
© Stringer / Adobe Stock
Im Verbundprojekt arbeiten das Fraunhofer IEM, die Bergische Universität Wuppertal und die GEA Group zusammen.

Hin zu weniger Energieverbrauch im verarbeitenden Gewerbe

„Zentrifugen sind oft im Dauerbetrieb. Da können selbst kleine Verbesserungen bei der Drehzahl und dem Durchsatz der Maschinen viel Energie sparen“, erklärt Dr.-Ing. Sebastian von Erzberg, Experte für Produktionsmanagement am Fraunhofer IEM. Außerdem besteht ein großer Optimierungsbedarf bei Reinigungsvorgängen. Diese werden unabhängig vom Verschmutzungsgrad in regelmäßigen Abständen durchgeführt und führen jedes Mal zu hohem Verbrauch von Chemikalien und Energie durch das erneute Anfahren der Maschine. Hier will das Projekt InZent Abhilfe schaffen.

Intelligente Sensorik sollen helfen

Geregelte Zentrifugen, die sich mit Hilfe von Sensoren adaptiv auf veränderliche Produkteigenschaften einstellen, können dabei helfen den Betrieb zu optimieren. Allerdings können wichtige Kenngrößen, wie Fluideigenschaften (Dichte, Viskosität, Anteil der dispersen Phase usw.) und Eigenschaften von Partikeln (Größe, Form, Konzentration, Agglomerationsverhalten usw.) im laufenden Prozess nur eingeschränkt oder mit hohem Aufwand gemessen werden. Für viele Prozesseigenschaften ist eine direkte Messung gar nicht möglich. Hier setzt das Projekt InZent an.

Die Schwingungen der Zentrifuge sollen Informationen liefern

Die Wissenschaftlerinnen und Wissenschaftler planen einfach zu ermittelnde Größen zu erfassen und mit Hilfe von Verfahren des Maschinellen Lernens auszuwerten. Konkret will das Projektteam die Schwingungsverläufe sogenannter Tellerseparatoren an verschiedenen Maschinenpositionen messen und so Rückschlüsse auf die strömungsmechanischen und verfahrenstechnischen Vorgänge in der Zentrifuge ziehen.

Auch Erkenntnisse über die Ablagerung von abgeschiedenem Material können durch das Analysieren von Schwingungsmustern gewonnen werden. So könnte man zum einen Stillstandzeiten reduzieren und den Reinigungsprozess nur dann anstoßen, wenn es auch wirklich nötig wäre. Das senkt die Betriebskosten und reduziert den Einsatz von umweltschädlichen Reinigungsmitteln. Auf Basis der Daten wollen die Forscherinnen und Forscher zudem ein Früherkennungssystem für kritische Betriebsbereiche aufbauen.

Vielfältig anwendbare Methodik

Übergeordnetes Ziel des Projekts ist es, die Prozessführung der Zentrifugen durch verbesserte Regelstrategien intelligenter zu gestalten und so die Energieeffizienz der Systeme und die Prozesssicherheit zu verbessern. Alle Methoden, die im Projekt erarbeitet werden, sind aber prinzipiell auf unterschiedlichste rotierende Systeme (Zentrifugen, Pumpen, usw.) anwendbar. Unabhängig von der Größe der Anlage oder der Branche, in der sie verwendet werden, ist es möglich diese Systeme im Rahmen von Industrie 4.0 einzusetzen.

Zum Projekt

Im Verbundprojekt arbeiten das Fraunhofer IEM, die Bergische Universität Wuppertal und die GEA Group zusammen. Das Vorhaben hat ein Gesamtvolumen von rund 1,4 Mio. Euro und wird vom Bundesministerium für Wirtschaft und Energie anteilig gefördert.