Ein LiDAR und eine Kamera am Band klassifizieren und vermessen kontinuierlich das Schüttgut, das über den Förderer läuft — Erzqualität, Kontamination, Mischungs-Verhältnis. Speist das Mischmodell, verhindert Off-Spec-Chargen und gibt der Leitwarte eine echte Materialbilanz statt einer geschätzten. Nach Maß gebaut auf OWL EYE® Volume Flow.
Materialfluss-Optimierung KI ist eine Wahrnehmungs-Pipeline, die auf einem Förderband-Scanner (LiDAR + Kamera) läuft, das Schüttgut am Band kontinuierlich klassifiziert und vermisst — Erzqualität, Kontaminations-Typ, Mischungs-Verhältnis — und das Ergebnis direkt in Mischmodell, Leitwarte und Materialbilanz speist.
Der Schmerz ist einfach. Eine Bandwaage liefert Masse pro Zeit. Ein Volumen-Scanner — wie unser OWL EYE® Volume Flow — liefert Volumen und Schüttdichte. Keiner sagt Ihnen, was auf dem Band liegt. Und in Zement, Zucker, Düngemittel, Recycling, Erzaufbereitung und Getreide ist genau das die Frage, die Verblendung, Off-Spec-Vermeidung und Vertrags-Abrechnung treibt. Die Leitwarte schätzt die Zusammensetzung am Ende aus Aufgeber-Sollwerten und Laborproben, die Stunden nach Schichtende eintreffen.
Unser Ansatz beginnt am Band-Querschnitt. Ein 2D-LiDAR profiliert die Geometrie des Materialflusses, eine Farbkamera erfasst die Oberflächen-Signatur, und die Reflektivität am Band liefert einen dritten Kanal. Ein eigener Klassifikator pro Querschnitt — trainiert auf Ihren Material-Kategorien (Erzqualitäten, Kontaminations-Typen, Mischungs-Komponenten, Off-Spec-Muster) — labelt jeden Scan. Die Ergebnisse aggregieren zu Minuten-, Schicht- und Tages-Flussberichten, und derselbe Strom triggert Echtzeit-Alarme, wenn die Kontamination steigt oder die Mischung vom Ziel abweicht.
Das ist kein SaaS von der Stange. Jede Anlage hat eigene Aufgabe-Quellen, eigene Mischungs-Rezeptur und eigenen Leitwarten-Stack. Wir behandeln jedes Projekt als Discovery + Festscope-Build, abgeleitet aus unserem Hub-Service Industrielle Objekterkennung. Häufig als Software-Layer auf einer bestehenden OWL EYE® Volume Flow oder Stockpile-Installation — selber Sensor, zusätzliche Software.
Gebaut auf demselben Wahrnehmungs-Stack, der OWL EYE® Volume Flow und Stockpile heute in industriellen Anlagen produktiv betreibt.
Ein 2D-LiDAR für die Geometrie plus eine Farbkamera für die Material-Signatur, montiert über dem Band oder am Übergabepunkt. Häufig dasselbe Sensor-Paar, das bereits für OWL EYE® Volume Flow installiert ist — eine mechanische Montage, zwei Pipelines. IP65+-Gehäuse, staubtolerante Optik, läuft die ganze Schicht in Mühle, Bergwerk und Recyclinganlage.
Der Klassifikator labelt jeden Band-Querschnitt gegen Ihre Material-Kategorien — Erzqualitäten, Kontaminations-Typen, Mischungs-Komponenten, Off-Spec-Muster. Modelle trainiert auf Ihren gelabelten Daten — nicht auf einem öffentlichen Benchmark. Aggregiert zu Sekunden-, Minuten-, Schicht- und Tages-Datensätzen, fertig für Leitwarte und Historian.
Klassifikations-Ergebnisse schreiben in die Misch-SPS, den Historian und die ERP-Materialbilanz — OPC UA, MQTT, REST. Der Mischer sieht echte Zusammensetzung statt Aufgeber-Sollwerten. Kontaminations-Spitzen und Off-Spec-Mischungen lösen Leitwarten-Alarme aus, bevor die schlechte Charge ins Silo oder zum Kunden geht.
Wir halten die Architektur absichtlich langweilig. Drei lose gekoppelte Stufen, jede einzeln testbar, jede einzeln tauschbar, wenn sich der Sensor-Stack oder die Rezeptur ändert. Gebaut auf demselben Stack, den wir für unsere gesamte Wahrnehmungs-Arbeit nutzen: PCL, Open3D, OpenCV, PyTorch.
Der 2D-LiDAR profiliert das Band mit 10–50 Hz und erzeugt überlappende Querschnitte des Materialflusses. Die Kamera ergänzt ein synchronisiertes, objektiv-kalibriertes Bild derselben Band-Stelle. Die Bandgeschwindigkeit aus dem vorhandenen Encoder verknüpft Geometrie und Masse und richtet die Frames zu einer durchgehenden Längs-Aufzeichnung aus. Rohdaten schreiben auf lokalen Speicher mit pro-Querschnitt-UUID für Audit-Trail und Re-Labelling.
Der Punkt-Querschnitt läuft durch Boden-Entfernung, Voxel-Downsampling und einen PointNet-artigen Klassifikator, trainiert auf Ihren Material-Kategorien. Das Farbbild läuft durch ein CNN, trainiert auf denselben Labels. Beide Köpfe werden zu einer Vorhersage pro Querschnitt fusioniert — typisch 85–95 % Klassifikations-Genauigkeit auf Produktionsdaten, abhängig davon, wie sauber Ihre Material-Kategorien tatsächlich abgegrenzt sind — und aggregieren dann zu Sekunden-, Minuten-, Schicht- und Tages-Rollups.
Pro Sekunde: Klassen-Label und Konfidenz, Masse je Kategorie, Kontaminations-Flags. Schreibt in die Misch-SPS, das DCS, den Historian und die ERP-Materialbilanz per OPC UA, MQTT oder REST — was die Anlage eben hat. Das Mischmodell liest jetzt echte Zusammensetzung statt sie aus Aufgeber-Sollwerten und verspäteten Laborproben zu schätzen.
Alle drei Stufen laufen auf einem Industrie-PC im Band-Schaltschrank. Keine Cloud-Abhängigkeit, keine externe API, kein Lizenz-Heimruf. Der Code gehört Ihnen bei der Übergabe.
Jeder Band-Scan erhält einen strukturierten Datensatz: Klassen-Label, Konfidenz, geschätzte Masse je Kategorie, Kontaminations-Flags, Audit-Bild. Wird laufend per OPC UA oder MQTT veröffentlicht, im Historian archiviert und ist bereit für die Verknüpfung mit Bandwaage- und Aufgeber-Daten.
Material-Zusammensetzung pro Minute, pro Schicht und pro Tag — vergleichbar über Aufgeber, Bänder und Produktlinien hinweg. Dasselbe zeitliche Modell, das wir auf Halden-Monitoring einsetzen — übertragen auf den Band-Fluss. Geht direkt ins Produktions-Qualitäts-Dashboard und in die Vertrags-Abrechnung.
Wenn Kontamination steigt oder die Mischung vom Ziel abdriftet, löst das System einen Leitwarten-Alarm aus, bevor die schlechte Charge ins Silo, in den Bahnwaggon oder zum Kunden geht. Eingespeist in die bestehende DCS-Alarm-Liste — kein neuer Bediener-Screen zum Lernen, kein paralleles Dashboard zum Ignorieren.
Jede Anlage hat eigene Aufgabe-Quellen, eine eigene Mischungs-Rezeptur und einen eigenen Leitwarten-Stack. Ein generischer Klassifikator löst den generischen Fall; Ihr Fall ist nicht der generische Fall.
Ihre Mischung, Ihre Kontaminations-Definitionen, Ihre Off-Spec-Muster. Wir kalibrieren den Klassifikator auf Ihrem Material unter Ihrem Licht und Staub — und wir re-kalibrieren, wenn sich Aufgabe-Quelle oder Rezeptur ändert. Ein Zement-Rohmehl-Klassifikator und ein Kupfererz-Qualitäts-Klassifikator teilen die Architektur und nichts weiter.
Wenn auf dem Band bereits OWL EYE® Volume Flow läuft, nutzt der KI-Layer denselben Sensor — eine mechanische Montage, zwei Pipelines. Volumen und Masse fließen weiter in Bandwaage und Bestands-Aufzeichnung; die Klassifikation fließt in den Mischer und in den Kontaminations-Alarm. Kein zweites Portal, kein zweiter Schaltschrank.
Wir binden an Ihre Misch-SPS, Ihren Historian, Ihre ERP-Materialbilanz an — OPC UA, MQTT, REST und Analog-Ausgänge alle unterstützt. Kein generisches „wir schicken Ihnen stündlich eine CSV". Der Mischer liest Klassifikation in Regelkreis-Takt; das ERP liest aggregierte Zusammensetzung pro Schicht; der Historian hält den Querschnitt-Datensatz fürs Audit.
Sie besitzen Quellcode, Modell-Gewichte und gelabelten Datensatz nach der Übergabe. Wir dokumentieren das System, schulen Ihr Team und gehen sauber raus. Keine Black Box, keine monatliche Pro-Tonnen-Lizenz, kein Servicevertrag, aus dem Sie nicht rauskommen. Standard-Bedingungen siehe unsere FAQs zu IP und Zusammenarbeits-Modell.
Die Fragen zum Zusammenarbeits-Modell, die wir von jedem Anlagen-Kunden hören, der einen Custom-Perception-Build auf OWL EYE® Volume Flow erwägt. Brauchen Sie etwas Spezifischeres zu Ihrem Band? Sprechen Sie uns an.
Sensor-Setup, Beispiel-Punktwolken, Ihre Material-Kategorien, Ihre Mischer-Schnittstelle — alles, was Sie haben. Wir kommen innerhalb von zwei Werktagen mit einer ehrlichen ersten Einschätzung und einem Festpreis-Angebot für den Discovery-Workshop zurück.