de.wedoany.com-Bericht: Das US-amerikanische Unternehmen RLCore hat die Echtzeit-Plattform RLTune zur kontinuierlichen Optimierung vorgestellt. Sie fügt bestehenden Steuerungssystemen in Wasser- und Abwasseranlagen eine intelligente Schicht für kontinuierliches Lernen hinzu. Durch bestärkendes Lernen mit Nebenbedingungen wird die Betriebsleistung dynamisch optimiert, wodurch der Chemikalien- und Energieverbrauch um 15–25 % gesenkt, die Reaktionszeit um 95 % verbessert und die Prozesseffizienz auf über 90 % gesteigert werden kann. Das Unternehmen präsentierte das Produkt auf der ACE26-Konferenz der American Water Works Association.
Industrielle Systeme arbeiten in dynamischen Umgebungen mit sich ständig ändernden Bedingungen, darunter Schwankungen der Energiepreise und Chemikalienkosten, Veränderungen des Zulaufs, Geräteverschleiß und personelle Einschränkungen. Herkömmliche Steuerungsmethoden basieren häufig auf festen Verstärkungen oder Modellen, die nicht aus der Umgebung lernen können. Die Bediener müssen die daraus resultierenden Abweichungen manuell ausgleichen, was zu geringer Betriebseffizienz und verpassten Optimierungsmöglichkeiten führt. Schätzungen zufolge belaufen sich die jährlichen Verluste durch vermeidbare Ineffizienzen in allen industriellen Prozessen auf über eine Billion US-Dollar.
RLTune sitzt oberhalb der bestehenden Steuerungsarchitektur der Anlage und wendet bestärkendes Lernen mit Nebenbedingungen an, um die Steuerungsentscheidungen unter realen Betriebsbedingungen kontinuierlich zu verbessern. Die Plattform lernt aus der realen Fabrikumgebung und optimiert laufend industrielle Prozesse, um die vom Bediener definierten KPI auf Anlagenebene zu erreichen. Shelley Terry, Geschäftsführerin der Infrastruktur von Drayton Valley, erklärte, dass nach der Zusammenarbeit die unerwarteten Vorfälle im Kontrollraum der Anlage zurückgingen, der Chemikalienverbrauch sank, die Wassereinsparungen stiegen und die Bediener sich auf wertschöpfendere Aufgaben konzentrieren konnten. Frank Mannarino, Senior Vice President von EPCOR Water Services, ist der Ansicht, dass dieser Ansatz zeige, wie fortschrittliche Steuerung und künstliche Intelligenz auf eine Weise eingeführt werden können, die mit dem Betrieb von Versorgungsunternehmen vereinbar ist.
Zu den wichtigsten Funktionen der Plattform gehören: kontinuierliches Lernen und Anpassung, das sich automatisch an saisonale Veränderungen, Zulaufschwankungen, Geräteverschleiß und Prozessstörungen anpasst, ohne dass ein manuelles Nachjustieren der Zyklen erforderlich ist; kein Bedarf an digitalen Zwillingen oder komplexen physikalischen Modellen, da direkt aus der realen Fabrikumgebung gelernt wird; Optimierung mit Schutzmechanismen, bei der Bediener Schutzvorgaben festlegen und eine schrittweise Autonomie definieren können, wobei die Möglichkeit zum Überschreiben erhalten bleibt; Datenaufzeichnung zur Verbesserung der Betriebstransparenz und Quantifizierung von Variabilität und Betriebsmustern; Anbieterunabhängigkeit durch OPC-UA-Konnektivität mit SCADA, DCS, SPS, Historien-Datenbanken und IoT-Gateways; Unterstützung lokaler Bereitstellung, wobei die Daten vor Ort verbleiben.
RLCore bezeichnet diese Kategorie als Echtzeit-Autonome Optimierung (RTAO). Das Unternehmen wurde im Oktober 2024 gegründet und besteht aus international anerkannten Experten für bestärkendes Lernen sowie Produkt- und Technologieführern mit Erfahrung in der Skalierung. Die RLTune-Plattform wird in kommunalen, Abwasser- und Industrieanlagen eingesetzt und hilft Bedienern, Resilienz aufzubauen, den Chemikalien- und Energieverbrauch zu senken, die Prozessstabilität zu verbessern und sich in Echtzeit an Veränderungen anzupassen.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
