Key Takeaways:

  • Mit dem Forschungsprojekt EDGE-AI 4 APC entwickelt die CONENGA Group ihre APC-Module gezielt weiter und kombiniert Edge-Computing mit KI-Technologien für industrielle Anwendungen.
  • Die Edge-Integration ermöglicht die Datenverarbeitung direkt am Anlagenstandort und schafft die Grundlage für Echtzeitfähigkeit, hohe Datensicherheit, Offline-Betrieb und einfache Skalierbarkeit.
  • KI-Methoden wie Anomalieerkennung, Prognosemodelle und Computer Vision helfen dabei, Anlagen effizienter, sicherer und zuverlässiger zu betreiben.
  • Die CONENGA Group verbindet Edge-Computing und KI zu leistungsfähigen Edge-AI-Lösungen, die moderne Analyse- und Optimierungsverfahren direkt in der Industrie verfügbar machen.
  • Alle Entwicklungen werden unter realen Betriebsbedingungen validiert und zu marktreifen Produkten weiterentwickelt, um Kraftwerks- und Industriebetreibern einen nachhaltigen Mehrwert zu bieten.

EDGE-AI 4 APC

Forschung und Entwicklung hat für uns als CONENGA Group ein klares Ziel: wir wollen durch konsequente Weiterentwicklung bestehender Produkte und Forschung an neuen Ansätzen und Produkten echten, bleibenden Mehrwert für uns und unsere Kunden schaffen.

Im Rahmen des von der Wirtschaftsagentur Wien geförderten Forschungsprojekts EDGE_AI_4_APC können wir diese Überlegungen ganz gezielt für unsere APC-Module vorantreiben. Hierbei geht es im Projekt vor Allem um Innovation in zwei Richtungen:

  1. Teil X: Edge-Integration, durch die Weiterentwicklung von APC-Produkten zu lauffähigen, containerisierten Anwendungen auf Edge-Devices
  2. Teil Y: Hybrider AI-Einsatz, durch Integration von AI-Methoden (neuronale Netze, maschinelles Lernen, etc) in APC-Produkte

Diese beiden Teile werden in einem dritten Schritt vereinigt:

  1. Teil X+Y: Edge-AI-Services, durch Zusammenführung beider Entwicklungen für die jeweiligen APC-Produkte und neue Module

Aber was bedeutet Edge-Integration genau, und welche Ansätze für hybriden AI-Einsatz verfolgen wir hier?

Edge-Computing, -Devices und Containerisierung

Unter Edge-Computing versteht man das Ausführen von Berechnungen, Datenauswertungen und Datenspeicherung nahe der Datenquellen, zum Beispiel direkt an einem Industriestandort. Während die Anfänge der Industrie 4.0-Entwicklungen eindeutig von Cloud-Computing, also Auslagern der Datenverarbeitung ins Internet und an zentrale Server, dominiert wurden, ist mittlerweile ein klarer Trend hin zur Verarbeitung am lokalen Standort (Network-Edge) erkennbar. Das bietet unter anderen folgende Vorteile:

  • Echtzeitfähigkeit: Durch die Verarbeitung direkt an der Datenquelle werden Latenzzeiten reduziert, was das Durchführen zeitkritischer Aufgaben ermöglicht.
  • Skalierbarkeit: Edge-Container können auf einzelnen Geräten oder bis zu tausenden Edge-Knoten aufgespielt werden
  • Sicherheit: Lokale Verarbeitung der Daten erlaubt leichtere Einhaltung von IT-Security Anforderungen (z.B. NIS-2)
  • Offline-Fähigkeit: Anwendungen werden auch bei temporären Netzwerkausfällen durchgeführt, besonders wichtig für die kritische Infrastruktur (Energieversorger)

Besonders die steigende Leistungsfähigkeit von Edge-Devices, in der Regel kleine Industrie-PCs, ermöglicht den zunehmenden Einsatz von Edge-Computing anstelle von (oder auch in Verbindung mit) Cloud-Computing.

Abgesehen von der Hardware ist es zusätzlich notwendig, die Anwendungssoftware als eigenständigen Container zu verpacken. Ein Software-Container ist eine standardisierte, in sich geschlossene Softwareeinheit, die neben dem Anwendungscode auch alle notwendigen Abhängigkeiten (Bibliotheken, Systemwerkzeuge, etc) enthält. Dadurch kann die containerisierte Anwendung zuverlässig auf verschiedenen Computerumgebungen, eben auch Edge-Devices, ausgeführt werden. Vorteile davon sind:

  • Portabilität: die Anwendung läuft überall gleich, unabhängig von der zugrundeliegenden Hardwarekonfiguration
  • Effizienz: Ressourcenschonender und schneller als virtuelle Maschinen
  • Konsistente Handhabung: Da Container auf allen Maschinen gleich laufen, ist ihre Handhabung (Deployment, Starten, Stoppen) von der Anwendung unabhängig und leicht automatisierbar.

Durch eine vollständige Edge-Integration kann ein Softwaremodul also als Container verpackt ohne Mehraufwand direkt auf einem (oder mehreren) gewünschten Edge-Device hochgefahren werden, von dem aus es dann die Berechnungen und Auswertungen durchführt.

AI-Services

Auch AI-Ansätze finden in der Industrie vermehrt Einsatz, zum Beispiel für Modellierungen, Optimierungen und Regelungen, zur Diagnose oder für Monitoring, und Methoden des maschinellen Lernens gewinnen weiter an Bedeutung. Leistungsfähigere Hardware, effizientere Algorithmen, mehr und leichter verfügbare Daten und steigendes Vertrauen in die Tools bedeuten auch in Zukunft wachsende Nachfrage für AI-Services.

Wir als CONENGA Group sehen vor allem in den folgenden Anwendungsbereichen Potenziale für Kraftwerks- und Energieanlagenbetreiber:

  • Datenmodellierung und Prognose,
  • Bilderkennung oder Computer Vision
  • Pattern Recognition und Anomalieerkennung

Mithilfe von Tools wie neuronalen Netzen, Regressionsmodellen oder hybriden Modellen kann bei Anlagen die Leistung erhöht, die Effizient gesteigert und ein besserer Umgang mit komplexen Anlagenzuständen oder Nichtlinearitäten erzielt werden. Bilderkennungstools hingegen ermöglichen neue Möglichkeiten zur Erfassung des Prozesszustands oder auch zur Fehlerdiagnose. Modelle der Anomalieerkennung oder Predictive Maintenance werten laufend Prozessdaten aus, erkennen potenzielle Probleme frühzeitig und helfen bei der Anlagenregelung bzw. -wartung.

Die Verknüpfung von Edge-Computing mit AI-Services (auch als Edge AI bezeichnet) ermöglicht es, die Vorteile beider Methoden zu kombinieren, um fortschrittliche State-of-the-Art AI-Modelle zuverlässig direkt am Industriestandort einzusetzen.

Vorgehen: Von der Entwicklung zum Produkt

Bei Entwicklungen im Rahmen von Forschungsprojekten haben wir als CONENGA Group einen klaren Anspruch: Die Entwicklung soll kein Selbstzweck sein, sondern einen Mehrwert für unsere Produkte liefern. Oder anders gesagt: Am Beginn der Entwicklung stehen die Kundenanforderungen.

Die Entwicklungsarbeit im Projekt folgt diesem Prinzip:

In iterativem Vorgehen werden die einzelnen Produkte (weiter-) entwickelt, um AI-Ansätzen erweitert und containerisiert. Diese Container der ersten Prototypen werden dann auf unterschiedlicher Edge-Hardware erprobt und hinsichtlich Performance ausgewertet.

Die neuen Entwicklungen sollen möglichst schnell in echten Industrieanlagen getestet werden. Deswegen ist ein großer Teil des Projekts der Betrieb bei Pilotkunden, die laufende Betreuung und Verbesserung und, nach erfolgreicher Industrieerprobung, Produktisierung des Moduls, die einen Einsatz bei zukünftigen Kunden als vollwertiges Produkt ermöglicht.

Produkte

Im Rahmen des Projekts werden unterschiedliche Module und Produkte aus dem Portfolio der CONENGA Group weiterentwickelt, etwa die Feuerlageerkennung, und auch neue erstellt, zum Beispiel das Industrial Diagnostics-Modul zur Anomalieerkennung.

Industrial Diagnostics / Anomalieerkennung

Das Ziel des Industrial Diagnostics-Moduls ist die Erkennung von Anomalien und Abweichungen im Anlagenbetrieb von Verbrennungskraftwerken. Hierfür überwacht ein mit datengetriebenen Methoden erstelltes AI-Modell der Anlage den laufenden Betrieb in Echtzeit, um potenzielle Probleme wie Signalfehler, Sensordrifts, oder Prozessanomalien frühzeitig zu erkennen. Das ermöglicht es, die Effizienz, Zuverlässigkeit und Sicherheit des Kraftwerks zu erhöhen.

Das Industrial Diagnostics-Modul wird als Edge-Modul an das Leitsystem des Kraftwerks angebunden, um Echtzeitdaten aus Sensoren und Steuerungssystemen zu erfassen. Diese werden dem Anlagenmodell laufend zu Verfügung gestellt und ausgewertet. Das Modul beinhaltet folgende wesentlichen Komponenten:

  • Datenintegration und -vorverarbeitung: Erfassung und Verarbeitung der Echtzeit-Daten
  • Anomalieerkennung: Identifikation von Abweichungen und anomalen Mustern
  • Diagnose, Fehleranalyse und Visualisierung: Unterstützung der Betriebsführung
  • Integration in bestehende Systeme: nahtlose Anbindung an SCADA- und Leitsysteme

Feuerlageerkennung

Die Feuerlageerkennung ist ein bildbasiertes System zur automatisierten Erkennung der Feuerlage sowie der Ausbrandzone in Rostfeuerungen von Verbrennungsanlagen. Die Feuerlage im Brennraum ist ein zentraler Indikator für Verbrennungsqualität, Effizienz und Emissionsverhalten. Die Feuerlage wird heute überwiegend manuell oder über indirekte Messgrößen (Temperaturen, O₂-Werte) beurteilt. Eine direkte, kamerabasierte Erfassung und Auswertung ermöglicht:

  • Echtzeit-Erkennung der Feuerlageposition und -verteilung
  • Frühwarnung bei Fehlverteilungen (einseitige Verbrennung, Schlackebildung)
  • Direkte Rückkopplung in die Anlagenregelung (Rost-/Brennstoffzufuhr)

Über die Echtzeitanalyse von Kamerabildern wird die manuelle Überwachung durch das Betriebspersonal abgelöst, was eine präzise und objektive Bestimmung der Verbrennungssituation ermöglicht.

Das System nutzt handelsübliche Netzwerkkameras mit RTSP-Unterstützung, die den Feuerraum kontinuierlich erfassen. Die in-house erstellte Feuerlageerkennung analysiert den Bild-Stream in Echtzeit und bestimmt die exakte Position des Feuers bzw. der Ausbrandkante.

  • Datenverarbeitung: Die ermittelten Werte werden in eine Datenbank und/oder das Prozessleitsystem übertragen und stehen für Analysen bereit.
  • Visualisierung: Optional kann im Bild-Stream die erkannte Feuerlage visualisiert werden
  • Regelungsintegration: Bei Kombination mit einer Feuerleistungsregelung wie EPOC® Boiler fließen die Daten direkt in den Regelkreis ein, um den Verbrennungsprozess dynamisch zu optimieren.