Forschungsinstitute erproben gemeinsam mit Glashütten in Innovationsprojekten, wie sich die Qualität der Glasmasse mit künstlicher Intelligenz verbessern lässt. Dabei werden Datenerfassungssysteme und automatische Bildanalysen von Glasproben im laufenden Betrieb eingeführt.
Optimieren Sie Ihre Glasmasse durch automatisierte Datenanalyse und Bildauswertung. So senken Sie Ausschuss und Energiekosten messbar an jedem Ofen.
In öffentlich geförderten Forschungsprojekten bauen Institute und Glashütten einen geschlossenen Regelkreis aus Datenerfassung, Analyse und Rückkopplung auf, um die Qualität der Glasmasse vorherzusagen. Zur praktischen Erprobung werden Prototypen an mehreren Produktionsstandorten installiert. Ein Algorithmus wertet dabei sogenannte Glaspucks automatisch aus. Zudem wird Ultraschalltechnik getestet, um Bläschen in heißer Glasmasse früh zu erkennen. Die gewonnenen Modelle bilden eine technologische Basis, um Ausschuss und Energieverbrauch bei unterschiedlichen Ofentypen zu senken.
Klassische Schwellenwert-Software scheitert an den komplexen, optisch variierenden Strukturen und Trübungen von Heißglas. Maschinelles Lernen hingegen kann komplexe Muster in Bilddaten und Ultraschallsignalen auch bei wechselnden Rohstoffzusammensetzungen präzise interpretieren. Ein starres Regelwerk aus Wenn-Dann-Bedingungen ist für die nichtlinearen Prozesse einer Glasschmelze zu unflexibel.
Hütten mit automatisierten Analysesystemen können anspruchsvolle Glasqualitäten flexibler und mit niedrigerem Ausschuss produzieren. Wer rein manuell steuert, riskiert höhere Stückkosten und Margenverluste durch teure Schmelzfehler.
Fehlerhafte Schmelzchargen verursachen erhebliche Material- und Energiekosten, da Ausschussglas energieintensiv erneut aufgeschmolzen werden muss. Die KI-gestützte Frühwarnung stabilisiert den Gutanteil und schützt Betriebe vor kostspieligen Fehlproduktionen.
Die Prüfung wird von zeitverzögerten Laboranalysen auf echtzeitnahe, automatisierte Probenprüfungen umgestellt. Dadurch verkürzen sich die Reaktionszeiten bei Fehlentwicklungen in der Schmelzwanne deutlich.
Das Hantieren mit manuellen Inspektionswerkzeugen und die subjektive Sichtprüfung von Glaspucks treten in den Hintergrund. Mitarbeiter erhalten stattdessen datengestützte Analysen auf Monitoren und können gezielt eingreifen.
Die Tätigkeit wandelt sich vom rein erfahrungsbasierten Schmelzer hin zum datengestützten Prozessmanager. Diese Veränderung bedeutet eine langfristige technologische Aufwertung des handwerklichen Berufsbilds.
Bediener müssen lernen, Auswertungsdaten der Bilderkennung und Ultraschallmessungen richtig zu deuten. Grundlegende Kompetenzen im Umgang mit digitalen Feedback-Systemen werden am Ofen unerlässlich.
Endkunden erhalten Kunst- und Gebrauchsglas mit minimierten Einschlüssen und optischen Mängeln. Der Kaufprozess bleibt unberührt, jedoch steigt die Verlässlichkeit der Produktgüte.
Die Einführung ressourcensparender Fertigungstechnologien sichert den Erhalt traditioneller Glasmanufakturen als regionale Kulturgüter.
Verbreitung: Dokumentiert bei 1 Organisation – 1 Pilot/Erprobung · Stand 09/2024
Praxisbeispiel für Unternehmen · RISE Research Institutes of Sweden AB · Pilot (Stand 09/2024) · Beleglage mittel
RISE implementierte gemeinsam mit Partnern ein System zur automatisierten Analyse von Glaspucks und Blasenerkennung.
Im Rahmen des schwedischen PiiA-Innovationsprogramms entwickelten RISE Glas und das Partnerunternehmen Zenta ein Datenerfassungs- und Auswertungssystem. Getestet wurde der Prototyp in den Glashütten OKB, Reijmyre und Målerås. Parallel dazu erprobte das Unternehmen Acoustic Agree seine NAW-Ultraschalltechnologie zur Früherkennung von Blasen im flüssigen Glas. Trotz Herausforderungen während der Pandemie konnte eine verlässliche Basis für den Praxiseinsatz an unterschiedlichen Ofentypen geschaffen werden.
Glasmacher und Laborpersonal arbeiten mit automatischer Bildanalyse von Proben statt rein manueller Prüfung. Ein staatlicher Innovationsförderer listet das Projekt zur Prozessoptimierung mit KI in der Glasindustrie.
„Process optimization using Artificial Intelligence in glass industry“
Gestützt auf einen dokumentierten Praxisfall.
Bessere Glasqualität kann Ausschuss und Energie senken; belastbare Zahlen liegen nicht vor.
Gestützt auf einen dokumentierten Praxisfall.
Eine Wirkung auf die Gesellschaft ist nicht dokumentiert.
Gestützt auf einen dokumentierten Praxisfall.
Weniger Ausschuss spart Rohstoffe und Energie in der energieintensiven Glasherstellung; belegt ist das nicht. Übergreifend erwarten Energieanalysen, dass sich der Strombedarf von Rechenzentren bis 2030 mehr als verdoppelt.
„It projects that electricity demand from data centres worldwide is set to more than double by 2030 to around 945 terawatt-hours (TWh)“
Gestützt auf einen dokumentierten Praxisfall.
Falsche Analyseergebnisse können zu Fehleinstellungen im Schmelzprozess führen. Das System ist voraussichtlich kein Hochrisiko-System nach dem EU AI Act; Betreiber müssen voraussichtlich nach Artikel 4 für KI-Kompetenz sorgen.
„Die Anbieter und Betreiber von KI-Systemen ergreifen Maßnahmen, um nach besten Kräften sicherzustellen, dass ihr Personal und andere Personen“
Belegt: eine abgerufene Quelle oder ein freigegebener Praxisfall trägt die Aussage. Eingeordnet: redaktionelle Einschätzung. Offen: dazu ist nichts dokumentiert. Keine Rechtsberatung.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.
Die fachliche Passung wurde KI-gestützt anhand der Anwendung und der beruflichen Aufgaben geprüft. Daraus folgt keine gemessene KI-Wirkung auf den gesamten Beruf.