CIP-Tankreinigung produktadaptiv statt am Worst-Case auslegen


In Fortführung unseres Projekts Adaptive Tankreinigung beschäftigen wir uns in einem neuen Forschungsansatz damit, wie sich die Überdimensionierung von Reinigungsprozessen in der Getränke- und Lebensmittelindustrie weiter signifikant reduzieren lässt. Unsere Forschungsanalysen hatten gezeigt, dass zwischen 60 % bis 90 % der Reinigungszeit bei der Behälterreinigung nicht bedarfsgerecht genutzt werden. Denn, um die geforderten Hygiene- und Qualitätsstandards zu garantieren, wird für die Auslegung des Reinigungsprozesses üblicherweise von einer Worst-Case-Verschmutzung ausgegangen. Dadurch erfolgt die Reinigung mit einem deutlich höheren Ressourceneinsatz, als es die tatsächliche Verschmutzungssituation erfordert.
Mittels eines intelligenten, selbstlernenden Reinigungssystems mit optischer Inline-Verschmutzungssensorik konnten wir im Vorgängerprojekt Adaptive-CIP Behälterreinigung bereits einen am tatsächlichen Reinigungsbedarf angenäherten Tankreinigungsprozess realisieren. Wir haben dabei eine Ersparnis von bis zu 35 % Wasserverbrauch und über 50 % Energieverbrauch erreichen können.
Diese Einsparungsmöglichkeiten wollen wir nun weiter optimieren. Ziel ist eine Reduktion von bis zu 75 % beim Energie- und 50 % beim Zeitbedarf der Reinigung gegenüber State-of-the-Art-Referenzsystemen. Dafür haben wir einen agentenbasierten Internet-of-Things (IoT)-Ansatz entwickelt.
IoT-Agenten handeln die optimale Reinigungsstrategie aus
Zunächst wird ein neuartiges, komplexes Smart-Sensor-System entwickelt, dass verschiedene Sensoren, wie UV-, NIR-, Ultraschall-Sensor und Abflusssensorik kombiniert. Dieses System wird in am Reinigungsprozess beteiligte „Reinigungsagenten“, wie den Adaptive Jet Cleaner, die Pumpe, den Heizer und Tank implementiert.
Diese nun smarten Agenten sollen nicht nur Daten der Reinigungsparameter übermitteln, sondern aktiv miteinander kommunizieren, um eine an die konkrete Verschmutzungssituation angepasste Reinigungsstrategie auszuhandeln. Dafür wird im Folgeschritt ein openDDS IoT-System entwickelt, dass die Agenten kabellos miteinander vernetzt.
Zusätzlich erweitern wir den Prozess durch ein Bahnplanungs- und ein Inline-Optimierungs-Modul um zwei Agenten, die es ermöglichen, den Reinigungsprozess noch spezifischer an die Anwenderbedürfnisse anzupassen.
Reinigen Sie noch oder produzieren Sie schon?
Ein produktadaptiver Reinigungsprozess ermöglicht die Verkürzung der Reinigungszeit. Kürzere Reinigungsprozesse wiederum steigern die Anlagenverfügbarkeit und damit die Anlageneffizienz. Zusätzlich ist die Herstellung neuer Produkte ohne Investments in neue Anlagen möglich.
Einen weiteren Vorteil bietet das Inline-Optimierungstool. Es ermöglicht eine individuelle Anpassung des Prozesses an wechselnde Anwenderbedürfnisse. Muss die Reinigung beispielsweise besonders schnell durchgeführt werden, weil ein Auftrag zeitsensibel ist, können die Agenten dies ebenso umsetzen, wie einen besonders ressourcenminimierten Reinigungsprozess bei weniger Zeitdruck. Auch eine spezielle Gewichtung der einzelnen Zielgrößen ist möglich.
Die Anwendung produktadaptiver Reinigungsprozesse erhöht ebenso die Prozesseffizienz, da Energie, Wasser und der Einsatz von Reinigungsmitteln spürbar reduziert werden können. Das hat positive Auswirkungen auf das Betriebsergebnis, schont die Ressourcen und damit unsere Umwelt.
Weitere Projektinformationen
Projektlaufzeit: | 1.11.2020 bis 30.04.2023 |
Kooperationspartner: |
Universität Erlangen-Nürnberg, Department Chemie- und Bioingenieurwesen, Lehrstuhl für Strömungsmechanik |
Projektträger/Zuwendungsgeber: | Arbeitsgemeinschaft industrieller Forschung AiF (über Forschungskreis der Ernährungsindustrie e. V. - FEI) / Bundesministerium für Wirtschaft und Klimaschutz BMWK |