Wie Künstliche Intelligenz und die Analyse von Betriebsdaten das Umweltmonitoring und die Effizienz in Stahlwerken transformieren
Von Ana Rocha – Expertin für Energieeffizienz bei Vetta
NOx ist ein Begriff für eine Gruppe von Gasen, die aus Stickstoff und Sauerstoff bestehen. Die häufigsten darunter sind Stickstoffmonoxid (NO), Stickstoffdioxid ($NO_2$) und Distickstoffmonoxid ($N_2O$). Diese Gase entstehen als Nebenprodukt von Verbrennungsprozessen, wenn Brennstoff unter günstigen Bedingungen – vor allem bei hohen Temperaturen – mit Luft reagiert. Die Bildung von NOx ist kein einfacher Vorgang; sie wird von verschiedenen Betriebsvariablen wie der Temperatur und den genutzten thermischen Energiequellen beeinflusst.
In einem Stahlwerk ist der Elektrolichtbogenofen (EAF) eine der Hauptquellen für NOx-Emissionen. Die Umweltauswirkungen von NOx sind erheblich: Sie tragen zum sauren Regen bei, fördern photochemischen Smog (eine Luftverschmutzung durch komplexe chemische Reaktionen zwischen Schadstoffen und Sonnenlicht, die als bräunlich-orangefarbener Nebel über Städten erscheint) und haben starke Auswirkungen auf den Treibhauseffekt.
Umfang der Studie
Diese Studie konzentriert sich auf das NOx, das in einem spezifischen Werk erzeugt wird, das aus einem Elektrolichtbogenofen (EAF) und einem Pfannenofen (LF) besteht, die an eine gemeinsame Abgasleitung angeschlossen sind. Normalerweise teilen sich diese beiden Einheiten dasselbe Abgasreinigungssystem und verfügen über einen einzigen Schornstein. Die Gesamtmenge an NOx, die in die Atmosphäre emittiert wird, ist die Summe der Beiträge von EAF und LF.
Entwicklung und Methodik
Um die mangelnde Vorhersehbarkeit in Anlagen ohne dedizierte Analysegeräte im Schornstein zu beheben, hat Vetta ein Prognosemodell entwickelt, das auf realen Betriebsdaten basiert. Die Methodik integrierte:
Wichtigste Variablen und Ergebnisse
Das Modell arbeitet mit alltäglichen Betriebsvariablen, um die NOx-Konzentration zu schätzen. Dazu gehören die Leistung der Öfen (EAF und LF), die Abgastemperatur, die Sauerstoff- und Kohleinjektion, der Schaumschlacke-Index und die Position der Elektroden.
Die Validierung zeigte eine konsistente Leistung: Das Modell erreichte ein $R^2$ von 0,71 und einen bereinigten MAPE von 14,3%, was die Zuverlässigkeit der Ergebnisse belegt.
Doch was bedeuten diese Kennzahlen?
Das $R^2$ (Bestimmtheitsmaß) gibt an, wie viel der Variation der NOx-Emissionen das Modell erklären kann. Dieser Wert reicht von 0 bis 1. Ein Wert von 0,71 bedeutet, dass 71% des Emissionsverhaltens durch die Eingangsvariablen wie Ofenleistung und Temperatur erklärt werden. In einer Umgebung wie einem Stahlwerk – geprägt von Störfaktoren und schwer kontrollierbaren Variablen – gilt dieses Erklärungsniveau als solide. Es zeigt, dass das Modell die Hauptlogik des Prozesses erfasst hat, anstatt sich auf generische Durchschnittswerte zu beschränken.
Der MAPE (Mean Absolute Percentage Error – mittlerer absoluter prozentualer Fehler) misst die Größe des Prognosefehlers in Prozent. Der Wert von 14,3% gibt an, dass das Modell im Durchschnitt um diesen Prozentsatz vom tatsächlich gemessenen Wert abweicht. Der Begriff „bereinigt“ weist darauf hin, dass die Berechnung angepasst wurde, um Verzerrungen zu vermeiden, die auftreten, wenn die Realwerte sehr niedrig sind (häufig bei intermittierenden Emissionen). In der Praxis ist ein solcher Fehlerwert für ein softwarebasiertes Monitoring ohne physischen Sensor im Schornstein gering. Dies erlaubt es, die Daten vertrauensvoll für Umweltberichte und operative Entscheidungen zu nutzen.
Letztlich ergänzen sich beide Indikatoren: $R^2$ zeigt, dass das Modell das Prozessverhalten versteht, und der MAPE zeigt, dass die Vorhersagen nah an der Realität liegen. Zusammen beweisen sie, dass das Tool zuverlässig teure physische Sensoren ersetzen oder ergänzen kann.
Fazit
Diese Studie unterstreicht die Fähigkeit von Vetta, dedizierte Modelle zu entwickeln, die den Zusammenhang zwischen Prozessvariablen und Schadstoffbildung erklären. Die Lösung wird zu einem wertvollen Werkzeug für das Umweltmonitoring, die Trendanalyse und die operative Optimierung, was unseren Kunden mehr Nachhaltigkeit und Intelligenz garantiert.