Unser Ansatz auf einen Blick

In diesem Beitrag stellen wir unseren Ansatz für typische Herausforderungen in der Polymerextrusion und anderen kontinuierlichen Produktionsprozessen vor. Außerdem erläutern wir unsere Plattform und ihre Anwendungsfälle sowie die zu erwartenden Prozessverbesserungen.

Herausforderungen in der Polymerextrusion und darüber hinaus

Kontinuierliche Produktionslinien, etwa für Rohre, Profile und Folien, sind komplex. Zahlreiche Einflussfaktoren führen zu erhöhter Prozessvarianz, Qualitätsabweichungen und ungeplanten Stillständen. Anlagenbediener müssen häufig mehrere Einstellungen manuell anpassen, auf neue Muster und Probleme reagieren und die Produkte innerhalb enger Toleranzen halten.

Um wettbewerbsfähig zu bleiben, müssen kontinuierliche Prozesse zudem mit immer geringerem Material- und Energieverbrauch betrieben werden. Wie Abbildung 1 zeigt, stößt die manuelle Anpassung von Extrusionslinien angesichts zahlreicher Sollwerte, Hunderter Prozessmessungen und verzögerter Laborprüfungen an Grenzen. Daraus ergeben sich häufig folgende Herausforderungen:

• Ein reaktives, belastendes Arbeitsumfeld mit schwer überschaubarer Komplexität
• Prozessvarianz und Qualitätsabweichungen, die zu instabilen Prozessen, Ausschuss und Stillständen führen
• Erhöhter Material- und Energieverbrauch und damit Wettbewerbsnachteile

Mit steigenden Anforderungen an die Kreislaufwirtschaft wird voraussichtlich auch der Rezyklatanteil in Extrusionsprozessen zunehmen. Verunreinigungen im Eingangsmaterial bringen zusätzliche Herausforderungen mit sich.

Abbildung 1: Typischer Aufbau einer Extrusionslinie mit zahlreichen Sollwerten sowie Hunderten Prozess- und Labormessungen.

Bisherige Ansätze stützen sich häufig auf Daten, Physik oder Prozesswissen. Das Potenzial hybrider Ansätze bleibt dabei vielfach ungenutzt:

• Rein datenbasierte Ansätze liefern durch Visualisierungen, Anomalieerkennung und Blackbox-Modelle Einblicke in den Prozess. Vernachlässigen sie jedoch Prozessstruktur, kausale Abhängigkeiten und physikalisches Wissen, können anfällige Systeme mit vielen Fehlalarmen entstehen.
• Rein physikalische Ansätze eignen sich gut für die Auslegung neuer Komponenten und Anlagen sowie für Offline-Simulation und -Optimierung. Rechenaufwand und vereinfachende Annahmen erschweren jedoch häufig ihren Einsatz für Online-Optimierung und Prozessregelung.
• Das Prozesswissen erfahrener Anlagenbediener ist besonders wertvoll, um Anomalien zu untersuchen und kreative Lösungen für systematische Verbesserungen zu finden. Experimentelles Ausprobieren lässt sich jedoch schwer skalieren und eignet sich nur begrenzt für eine kontinuierliche Prozessoptimierung.

Unser Ansatz: Daten + Physik + Prozesswissen

Bei jora.tech verbinden wir Daten, Physik und Prozesswissen zu einer ganzheitlichen Methode, um das dynamische Verhalten kompletter Extrusionslinien zu modellieren, vorherzusagen und zu optimieren. Bekannte oder identifizierte kausale Abhängigkeiten und eine physikalisch fundierte Weitergabe von Zuständen zwischen Prozessstufen (gestrichelte Linien in Abbildung 2) erhöhen Robustheit und Erklärbarkeit. Zugleich reduzieren sie den Einfluss irreführender Korrelationen.

Dazu identifizieren wir die wesentlichen Prozessstufen, Sollwerte und Zustände, erstellen gezielte Zustandsmodelle und verbinden diese durch Zustandsweitergabe zu einem durchgängigen Prozessmodell (siehe Abbildung 2). Wo möglich, integrieren wir physikalisches Wissen direkt über analytische Gleichungen oder über Leitplanken beim Training der KI-Modelle.

Die daraus entstehenden hybriden KI-Modelle können das Verhalten ganzer Extrusionslinien bis zu zwei Stunden im Voraus prognostizieren. So lassen sich erwartbare Probleme frühzeitig abmildern und unerwartete Störungen mithilfe unserer Plattform zur Echtzeitregelung schnell behandeln.

Abbildung 2: Strukturierter Modellierungsansatz, der Daten, Physik und Prozesswissen integriert.

Ein wesentlicher Unterschied zu anderen Lösungen ist unsere durchgängige Betrachtung des Prozesses – von der Materialzufuhr bis zu Qualitätsmessungen am Ende der Linie und darüber hinaus. Damit ermöglichen wir eine ganzheitliche, gleichzeitige und kontinuierliche Optimierung aller relevanten Einflussgrößen.

Echtzeitoptimierung mit der Plattform von jora.tech

Auf Basis dieses Modellierungsansatzes ermöglicht die Plattform von jora.tech Echtzeitoptimierung in mehreren zentralen Anwendungsfällen. Diese reichen von der Einbindung des Bedienpersonals (Abbildung 3) bis zur vollständig automatisierten prädiktiven Regelung (Abbildung 4):

• What-If Analysis: Anlagenszenarien werden durch virtuelle Sollwertänderungen getestet. Das ermöglicht fundierte Entscheidungen ohne Eingriff in die laufende Produktion. Beispiel: „Wie verändert sich die Wanddicke, wenn ich die Temperatur in Heizzone 2 um 5 °C erhöhe?“
• Sollwertempfehlung: Sie definieren das gewünschte Ergebnis, das System empfiehlt die dafür geeigneten Sollwerte. Beispiel: „Wie muss ich die Anlagenparameter einstellen, um eine Wanddicke von 5 mm zu erreichen?“

Abbildung 3: Anwendungsfälle mit Einbindung des Bedienpersonals für What-If Analysis und gezielte Empfehlungen.

• Anomaly Detection: Prozesse werden kontinuierlich auf Abweichungen überwacht, um eine effiziente Fehlersuche und gezielte Wartung zu unterstützen. Beispiel: „Welche Komponente verhält sich ungewöhnlich und könnte bald eine Störung verursachen?“
• Vollautomatische Prozessregelung: Optimale Sollwerte werden kontinuierlich berechnet und automatisch angewendet, um den Prozess innerhalb der Spezifikation zu halten, Qualität zu sichern und Ressourcen zu sparen. Dieser Ansatz ermöglicht dem Bedienpersonal, sich auf kreative und systematische Prozessverbesserungen zu konzentrieren.

Abbildung 4: Vollautomatischer geschlossener Regelkreis mit der jora.tech Plattform und den zugrunde liegenden Prozessmodellen.

Mit diesen Anwendungsfällen ermöglicht jora.tech den Übergang von reaktiver zu vorausschauender Optimierung. Die Plattform ist modular aufgebaut und lässt sich in vorhandene Infrastruktur integrieren. Damit berücksichtigt sie die unterschiedlichen OT- und IT-Umgebungen moderner Produktionsbetriebe.

Wissenschaftlich fundiert, in der Praxis bewährt

Die Methoden zur Modellierung und Regelung kontinuierlicher Produktionsprozesse, insbesondere von Extrusionslinien, sind das Ergebnis mehrjähriger Zusammenarbeit zwischen Wissenschaft und Industrie. Die umfassende Validierung an realen Extrusionslinien zeigte folgende Vorteile:

• Prozessverhalten bis zu 2 Stunden im Voraus prognostizieren
• Prozessvarianz um 60 % reduzieren
• Qualitätsabweichungen um 80 % reduzieren
• Ausstoß und Prozessstabilität erhöhen
• Anomalien schneller erkennen, um Stillstände und Schäden zu reduzieren

Je nach Komplexität der Extrusionslinie sind erhebliche Einsparungen möglich, wenn Daten, Physik und Prozesswissen für eine KI-gestützte Regelung zusammengeführt werden. Die Beispiele beziehen sich auf die Polymerextrusion; die zugrunde liegenden Modellierungs- und Optimierungsmethoden sind jedoch grundsätzlich auf kontinuierliche Produktionsprozesse übertragbar.

Sie möchten mehr über unseren Ansatz erfahren? Kontaktieren Sie uns und besprechen Sie mit uns, wie jora.tech Ihre Produktion weiterentwickeln kann.

Weiterführende Literatur

• C. Abeykoon, “Single screw extrusion control: A comprehensive review and directions for improvements,” Control Engineering Practice, vol. 51, pp. 69–80, June 2016, doi: 10.1016/j.conengprac.2016.03.008.
• C. Rauwendaal. Understanding Extrusion. 3rd ed. Hanser Publications, Nov. 2018.
• M. del Pilar Noriega E. and C. Rauwendaal. Troubleshooting the extrusion process. 3rd ed. Hanser Publications, Oct. 2019.
• V. García, J. S. Sánchez, L. A. Rodríguez-Picón, L. C. Méndez-González, and H. de J. Ochoa-Domínguez, “Using regression models for predicting the product quality in a tubing extrusion process,” J Intell Manuf, vol. 30, no. 6, pp. 2535–2544, Mar. 2018, doi: 10.1007/s10845-018-1418-7.
• J. Grimard, L. Dewasme, and A. V. Wouwer, “Dynamic Model Reduction and Predictive Control of Hot-Melt Extrusion Applied to Drug Manufacturing,” IEEE Trans. Contr. Syst. Technol., vol. 29, no. 6, pp. 2366–2378, Nov. 2021, doi: 10.1109/tcst.2020.3038028.
• R. Hartner and V. Mezhuyev, “Time Series Based Forecasting Methods in Production Systems: A Systematic Literature Review,” Int J Ind Eng Manag, vol. 13, no. 2, pp. 119–134, June 2022, doi: 10.24867/ijiem-2022-2-306.
• R. Hartner, M. Kozek, and S. Jakubek, “Multi-task learning with state propagation for quality forecasts in polymer extrusion lines,” J Intell Manuf, May 2025, doi: 10.1007/s10845-025-02616-2.
• R. Hartner, M. Kozek, and S. Jakubek, “End-to-End Process Optimization in Polymer Extrusion Lines Using Model Predictive Control and Multi-Task Learning,” IEEE Access, vol. 13, pp. 168344–168360, 2025, doi: 10.1109/access.2025.3614061.