EN | DE

Fallstudie – Linde

17. März 2021

FALLSTUDIE

Effizienzsteigerung mit Künstlicher Intelligenz bei Linde

Dieses Projekt ist ein großartiges Beispiel dafür, wie Zusammenarbeit die Wertschöpfung beschleunigt. Wir erhalten Unterstützung zum maschinellen Lernen von appliedAI, das technische Prozesswissen aus verschiedenen Abteilungen von Linde Engineering und das operative Wissen von Linde Gas. Jede Partei bringt ihr bestes Know-how ein.“ – Dr. Dexin Luo, Head of Artificial Intelligence Solutions & Technologies bei Linde

.

Linde, Weltmarktführer im Bereich Industriegase, trat im Jahr 2017 der appliedAI Initiative als Partner bei, um den Einsatz von KI zu beschleunigen. Linde arbeitet derzeit daran, KI-Lösungen in allen Geschäftsbereichen zu implementieren. Damit will das Unternehmen die Produktivität und Wettbewerbsfähigkeit über die gesamte Wertschöpfungskette hinweg steigern und die Reise zur KI-Reife meistern. Linde und appliedAI haben an verschiedenen Kooperationsprojekten gearbeitet, seit Linde ein Partner von appliedAI wurde. Einige dieser Projekte bezogen sich auf das übergreifende Ökosystem. Zum Beispiel reiste die KI-Delegation nach China und Kanada, und Mitarbeitende wurden in Workshops weitergebildet. Darüber hinaus nutzte Linde auch die technische Expertise von appliedAI in Projekten, in denen KI-Anwendungen implementiert wurden.

Wie setzt Linde also KI ein, um seine Industrieanlagen effizienter zu machen? Und wie unterstützt appliedAI die Optimierung des Anlagenbetriebs? Die folgende Fallstudie gibt einen Einblick in die Zusammenarbeit von Linde und appliedAI auf dem Gebiet der Künstlichen Intelligenz für den Anlagenbetrieb.



Zeitleiste – Partnerschaft zwischen Linde und appliedAI

Timeline: Linde and appliedAI partnership
Quelle: appliedAI


1) Ausgangssituation und Problemstellung

Seit dem ersten KI-Versuchsprojekt im Jahr 2016 entwickelt und implementiert Linde aktiv KI-Lösungen in seiner gesamten Wertschöpfungskette: vom Vertrieb über die Lieferkette bis hin zum Betrieb. Linde beschäftigt sich auch mit längerfristigen KI-Forschungsthemen, wie zum Beispiel der Effizienzoptimierung von über tausend Produktionsanlagen rund um den Globus.

Linde hat bereits eine Vielzahl von KI-Projekten in seine Prozesse eingebunden. Dabei konzentrierte es sich auf die Professionalisierung der KI-Produktstrategie und das Produktmanagement. Das Unternehmen verfügt über ein zentrales KI-Team, das innovative KI-Lösungen entwickelt und KI-Schulungen für das Unternehmen anbietet. Digitale Teams sind zudem in Geschäftseinheiten mit KI-Entwicklungsfähigkeiten eingebettet. Linde nutzt KI, um sich durch die gesteigerte Effizienz einen Wettbewerbsvorteil zu verschaffen.

Um seinen KI-Reifegrad zu verbessern, hat Linde folgende Maßnahmen identifiziert. Dazu gehört, dass die Beschäftigten geschult und befähigt werden sowie der Anlagenbetrieb optimiert wird.
.

1. KI Schulungen für Beschäftigte

Die erste Herausforderung von Linde war, die Experten in den Domänen und die operativen Mitarbeitenden zum Thema Künstliche Intelligenz zu schulen. Zuvor fehlten Experten, die sich mit KI-Technologie und dem Anlagenbetrieb auskennen. Deshalb bestand ein Bedarf an Domänenexperten, die konkret planen, wo KI eingesetzt werden könnte, um die Anlageneffizienz zu verbessern. Die Sensibilisierung für die KI-Aktivitäten innerhalb des Unternehmens war wichtig, um ein Verständnis für KI aufzubauen und die Implementierung von KI zu beschleunigen.

.

2. Anlagenbetrieb optimieren und Steuerungssysteme automatisieren

Linde setzte bereits fortschrittliche Technologien für den Anlagenbetrieb ein, sodass ein Großteil seiner Produktionsanlagen durch Remote Operating Center (ROC) ferngesteuert wird. Ein gemeinsames Team aus Fachexperten von Linde und Ingenieuren von appliedAI identifizierte weitere Verbesserungsmöglichkeiten in der Anlagensteuerung, um die Anlagen effizienter zu machen. Als Reaktion auf Anfragen aus der Wirtschaft beschloss Linde, mithilfe von Künstlicher Intelligenz die Grenzen der optimierten Anlagen noch weiter zu verschieben.

Die Anlagensteuerung besteht aus Low-Level- und High-Level-Steuerungen. Die Aufgabe der ersteren ist es, die richtigen Einstellungen für einzelne Ventile sowie Aktoren zu gewährleisten. Dies wird von einem Distributed Control System (DCS) verwaltet. Die Mechanismen der High-Level-Steuerung haben hingegen die Aufgabe, die Anlage als Ganzes zu steuern. Die Regler müssen regelmäßig getunt werden, und von Zeit zu Zeit muss die Anlagenlast geändert werden. Das ist eine Aufgabe, die immer noch manuell durchgeführt werden musste.

Neuer Anlagenteile manuell einzurichten sowie die Steuerungsalgorithmen der Anlagen regelmäßig zu warten und einzustellen, war besonders zeitintensiv. Obwohl die Aufgaben der High-Level-Steuerungen noch manuell von Mitarbeitenden durchgeführt werden müssen, um sicherzustellen, dass die Anlagen im Einklang und optimal arbeiten, könnten diese Aufgaben von KI übernommen werden. Sie würde effizienter und präziser arbeiten.

Da die Steuerungsalgorithmen in den ROCs nicht selbstlernend sind, benötigen sie eine Vielzahl von Daten, um das Verhalten einer Anlage vorherzusagen. Diese Daten sind auch entscheidend, um eine spezifische Strategie zur Steuerung der Ventile anzuwenden. Nur so wird sichergestellt, dass die Prozesswerte nahe an den Zielwerten liegen und optimale Ergebnisse erzielen. Obwohl dieses Verfahren gut funktioniert, kann es weiter verbessert werden, damit es effizienter und nachhaltiger wird. KI hat das Potenzial, ein adaptives System bereitzustellen, welches das Verhalten der Anlage lernt und in dynamischen Situationen noch besser reagiert. Durch eine KI-Anlagensteuerung kann das reale Verhalten der Anlagen vorhergesagt und direkt darauf reagiert werden. Damit könnte Linde erhebliche Mengen an Energie einsparen und hätte einen geringeren Arbeitsaufwand. Gleichzeitig würde man bessere und energieeffizientere Ergebnisse erzielen.

2) Herangehensweise und Methodik

Nachdem die Probleme und verbesserungsbedürftigen Bereiche identifiziert wurden, begannen appliedAI und Linde mit mehreren wichtigen Maßnahmen. Eine der ersten von appliedAI ergriffenen Maßnahmen bestand darin, die Mitarbeitenden von Linde im Bereich KI durch diverse Workshops und Trainings zu schulen. Darüber hinaus arbeitete das Team von appliedAI mit seinen sehr erfahrenen Ingenieuren und Spezialisten eng mit Linde zusammen, um eine KI-gesteuerte Anlage mithilfe von Reinforcement Learning zu entwickeln. Um das Momentum dieser Initiativen aufrechtzuerhalten, haben appliedAI und Linde ein KI-basiertes „Lego-KI-Wunderland“ geschaffen. Dieses kommuniziert die KI-Vision und steigert das Bewusstsein für die KI-Aktivitäten entlang der Geschäftsbereiche von Linde in der Öffentlichkeit und bei den Mitarbeitenden. Die folgenden Abschnitte geben einen Einblick in die genannten Kooperationsprojekte, die Linde beim Erreichen seiner Ziele unterstützen.

2.1 Workshops und KI-Tools für Linde

Um die Mitarbeitenden von Linde in die Lage zu versetzen, KI-Anwendungsfälle zu identifizieren und zu initiieren, nahmen sie an mehreren KI-Workshops sowie an Meetups von appliedAI teil. Grundsätzlich sollen die Kurse von appliedAI Unternehmen dabei unterstützen, ihre Mitarbeitenden weiterzubilden, und Organisationen in die Lage versetzen, die Reise zur KI-Reife zu meistern und schneller KI einzuführen. Mitarbeitende von Linde nahmen an KI-Einführungskursen, KI-Strategiekursen und Workshops zum Projektmanagement teil.

.

.

Teilnehmer während eines Workshops von appliedAI

aAI people working in workshop
Quelle: appliedAI


Bislang haben die Mitarbeitenden von Linde an KI-Einführungskursen teilgenommen, die im Rahmen der Partnerschaft mit appliedAI stattfanden. Der KI-Einführungskurs bot eine intensive und praxisnahe Einführung in das Gebiet der Künstlichen Intelligenz aus verschiedenen Perspektiven. Ziel dieses Workshops war es, bei den Mitarbeitenden ein gemeinsames Verständnis dafür zu schaffen, worum es bei KI geht. Außerdem wurden sie mit grundlegendem Wissen zu KI ausgestattet, anhand dessen sie bestimmen können, wo KI-Technologie in ihrer täglichen Arbeit eingesetzt werden kann. Beim Workshop betrachteten die Mitarbeitenden KI aus einer technischen Perspektive. Somit wurden sie besser gerüstet, um sinnvolle Gespräche über den Einsatz von KI bei Linde zu führen.

Darüber hinaus nahmen Linde-Mitarbeitende an KI-Strategiekursen teil, die Unternehmen bei der Entwicklung ihrer KI-Strategie unterstützen. Die Strategiekurse zeigten die Chancen und Herausforderungen von KI-Technologien auf. Die Mitarbeitenden von Linde lernten die Elemente umfassender KI-Strategien kennen und halfen Linde so, seine KI-Vision zu konkretisieren und weiter auszubauen. Außerdem wurden sie mit relevanten Voraussetzungen für den erfolgreichen Einsatz von KI in ihrem Unternehmen ausgestattet und lernten, wie sie den aktuellen KI-Reifegrad von Unternehmen bewerten können.

Die Teilnahme an Workshops zum KI-Projektmanagement half den Mitarbeitenden, ein tieferes Verständnis zu erlangen, wie man KI-Projekte managt. In den Workshops erhielten die Teilnehmenden einen umfassenden Überblick über den kompletten Lebenszyklus von KI-Projekten und die häufigsten Hindernisse in den einzelnen Projektphasen. Die Workshops befähigten die Mitarbeitenden, Best-Practice-Methoden und Prozessmodelle anzuwenden, um KI-Projekte zu steuern. Sie erfuhren, wie sie:

  • Profile von Schlüsselrollen für verschiedene Projektphasen identifizieren,

  • Typische Fallstricke beim Implementieren von KI-Projekten vermeiden,

  • Unterschiedliche Anforderungen von Soft- und Hardware für verschiedene KI-Projekttypen erkennen.

Linde nahm auch an der KI-Delegationsreise von appliedAI nach China im Jahr 2018 sowie an den Delegationsreisen nach Kanada und Singapur im Jahr 2019 teil. Deren Ziel war es, Verbindungen zu KI-Unternehmen und Start-ups im kanadischen KI-Ökosystem aufzubauen und das KI-Ökosystem aus deutscher Sicht zu vertreten.

Mithilfe der in den Workshops gewonnenen Erkenntnisse und ihrer internen Expertise konnten die Mitarbeitenden hochwertige KI-Anwendungsfälle für Linde identifizieren und erstellen. Dabei nutzte Linde die „Spielkarten für KI-Anwendungsfälle“, die das Strategy-Team von appliedAI entwickelt hat. Die Karten sollen Partnern von appliedAI helfen, Workshops durchzuführen und selbst KI-Anwendungsfälle zu erstellen. Sie halfen Linde beim ideieren eigener KI-Anwendungsfälle.

.

.

Spielkarten für Anwendungsfälle von appliedAI

use case cards
Quelle: appliedAI


.
2.2 KI-Wunderland für Linde

Darüber hinaus baute appliedAI eine Miniaturversion der komplexen KI-Aktivitäten bei Linde mit Lego®, um die KI-Vision und -Aktivitäten im Unternehmen und in der Öffentlichkeit bekannter zu machen. Dieses Modell veranschaulicht die Wertschöpfungskette von Linde und die KI-Aktivitäten entlang der Prozesse. Damit macht es Lindes digitale Vision greifbar. Das Modell ist in der Münchner Niederlassung von Linde öffentlich ausgestellt. Diese Miniaturversion einer Anlage von Linde und der Logistik zu wichtigen Kunden wurde mit einem einfachen IoT-Set-up (mit Raspberry Pi und Arduino) gebaut und zeigt einige KI-Anwendungsfälle „in der Produktion“ bei Linde. Dazu gehört z. B. ein Kamerasystem, die Überwachung von Gasflaschen und ein System, das den Bedarf und das benötigte Produktionsniveau der Anlage zu jedem Zeitpunkt vorhersagt.

.

Linde's 'Connected Wonderland'

Linde Connected AI Wonderland by appliedAI
Quelle: appliedAI


2.3 AIPlantControl

Um die Reise zur KI-Transformation zu meistern, ist Linde auch eine Partnerschaft mit appliedAI eingegangen. Gemeinsam hat das Team den Anlagenbetrieb optimiert, indem wir KI in die Steuerungssysteme von Industrieanlagen implementiert haben.

Während des gesamten Projekts hat das unternehmensweite Digitalteam von Linde, „Linde.Digital“, keine Mühen gescheut, um sein Ziel zu erreichen. Heute setzt es KI in Zusammenarbeit mit einem Team erfahrener KI-Ingenieure von appliedAI ein. Das Besondere an diesem Proof of Concept ist, dass das Team das Steuerungssystem direkt in einer realen Umgebung erstellt hat. Es arbeitete mit einer echten Produktionsanlage anstatt mit einem Simulator, um den potenziellen Wert der Technologie zu beweisen.

.

.

Linde und appliedAI entwickeln gemeinsam AIPlantControl

AIPlantControl Employees working
Quelle: appliedAI/Linde (Christian Oehse [vorn] and Nicolas Blum [hinten])

Während des Projekts entwickelte das Team einen Reinforcement-Learning-Algorithmus, um das AIPlantControl-System aufzubauen. Es soll die operative Seite des Linde-Geschäfts unterstützen, indem es den Anlagenbetrieb optimiert und durch intelligente KI-Steuerungen effizienter gestaltet.

Um den Prototyp von AIPlantControl zu realisieren, wendete das Team Reinforcement Learning auf die bestehenden Steuerungsalgorithmen an. Somit nutzte es KI, um die Betriebsparameter für Ventile und Verdichterleistungsstufen einzustellen und einen effizienten Betrieb durch automatische intelligente Steuerungen zu erreichen. Dadurch lernt das System das Verhalten der Prozessanlagen von Linde und erkennt, wie die Regler einzustellen sind, um die höchstmögliche Effizienz zu erreichen und gleichzeitig den Wartungsaufwand zu senken.

Neben dieser Maßnahme, um die Arbeitseffizienz zu steigern, trainierte das Team die Steuerung auch, das physikalische Verhalten der Linde-Anlagen zu imitieren und anzupassen. Damit erreichten wir eine höhere Steuerungsgenauigkeit. Da das Unternehmen zunehmend erneuerbare Energien einsetzt, ist somit eine maximale Energieeffizienz möglich. Dies hat den Effekt, dass der Energieverbrauch der Anlagen im stabilen Betrieb sinkt, da die automatische Feinabstimmung durch die KI-Steuerung die Anlagen optimal einstellt.

Um ein genaueres Beispiel zu nennen: Im Projekt AIPlantControl hat das Team die rein datengetriebene, selbstlernende Prozesssteuerung auf die erste Luftzerlegungsanlage (LZA) von Linde angewendet. Die beigefügte Grafik zeigt den enormen Einfluss, den Reinforcement Learning auf die Steuerungsqualität und Effizienz von Prozessanlagen haben kann. Sie demonstriert, wie der Anlagenbetrieb bei Linde optimiert und die Steuerungsgenauigkeit durch das AIPlantControl-System erhöht wurde. Sie zeigt, wie sich die Steuerungsqualität beim Einsatz von optimierender KI (rechte Seite) von einer Luftzerlegungsanlage ohne KI unterscheidet. (vgl. Blum, B./Zapp, G./Oehse, C./Dr. Rehfeldt, S./Prof. Dr. Klein, H.: Untersuchung eines rein datengetriebenen, selbstlernenden Prozessreglers im Produktivbetrieb am Beispiel einer Luftzerlegungsanlage. ed. appliedAI / Linde GmbH / Technische Universität München, 2020)

.

Vergleich der Steuerungsqualität während eines Lastwechsels

Linde optimization 1
Linde optimization 2
Quelle: appliedAI/Linde GmbH/Technische Universität München (2020)


3) Ergebnis und nächste Schritte

Rückblickend können wir feststellen, dass die gemeinsamen Projekte von appliedAI und Linde bereits Früchte tragen. Die im Bereich KI geschulten Mitarbeitenden und die Ausstattung mit KI-Tools hat Linde dabei unterstützt, sein KI-Team zu erweitern und es zu befähigen, KI in seinen Geschäftsbereichen weiter zu implementieren.

Dank KI und Reinforcement Learning entwickelte das Team das AIPlantControl-Systems von Linde, das den Anlagenbetrieb optimiert.

Die implementierte KI-basierte Steuerung verringerte den Tuning-Aufwand und verbesserte die Steuerungsgenauigkeit des Systems. Dies konnte nur durch die selbstlernenden Fähigkeiten der KI erreicht werden. Die verbesserte Steuerung führt zu einem optimierten Anlagenverhalten und damit zu Einsparungen bei den Betriebs- und Energiekosten der Anlage.

Angesichts dieser hervorragenden Ergebnisse der ersten selbstlernenden Verarbeitungsanlage und des hohen effizienzsteigernden Potenzials plant Linde, drei weitere KI-basierte, selbstlernende Anlagen in Mitteleuropa auszurollen. Darüber hinaus ist geplant, den KI-Einsatz im Unternehmen noch weiter auszubauen, um im Bereich KI noch reifer zu werden und noch mehr vom Potenzial der KI zu profitieren. Durch den optimierten Anlagenbetrieb will Linde in Zukunft wettbewerbsfähig bleiben.

Darüber hinaus plant das Team, der KI-Steuerung mittels Reinforcement Learning beizubringen, die Produktionsprozesse der Verarbeitungsanlagen von Linde anzupassen und sich auf das natürlich schwankende Angebot auf den Energiemärkten einzustellen. AIPlantControl fungiert in diesem Fall als KI-basierte, lernende Steuerung, die Schwankungen im Netz ausgleicht. Sie soll mehr Strom verbrauchen, wenn dieser günstig und im Überfluss vorhanden ist, und weniger, wenn Nachfrage und Kosten steigen. Dadurch wird Linde noch effizienter und beschleunigt seine Reise zur KI-Reife weiter.


Weitere Informationen zu allen allgemeinen KI-Aktivitäten von Linde entlang der Wertschöpfungskette finden Sie hier.

Artikel, die für Sie interessant sein könnten

2021 Deutsche KI Startup Landschaft

Artikel, die für Sie interessant sein könnten

Fallstudie: Village Data Analytics mit TFE Energy