ZKG international

Cement Technologies

Expert system for optimization of cement mills

Reprintfrom ZKG international 3/2011Author: Gerhard Hefter, Tilo Kopetzky

Expert system for optimization of cement mills

Expertensystem zur Optimierung von Zementmühlen

Système expert pour l’optimisation des broyeurs à ciment

Sistema experto para la optimización de molinos de cemento

Das Rohrdorf Zementwerk

Gerhard Hefter1, Tilo Kopetzky21 Production Manager, Südbayerisches Portland-Zementwerk Gebr. Wiesböck & Co. GmbH, Rohrdorf/Germany,2 Project Manager, Siemens Industry Solutions, Munich/Germany

Zusammenfassung: Der Mahlvorgang in Zementwerken ist sehr energieintensiv und macht mit fast 45 % einen wesent-lichen Teil des gesamten elektrischen Energiebedarfs aus. Siemens hat ein Expertensystem konzipiert, das unter Verwendung von aktuellen Anlagen-daten genaue Aussagen über die Quali-tätsgrößen der Produktionsanlage trifft und ohne zusätzliche Hardware in das vorhandene PCS-7-Leitsystem integriert werden kann. Auf Basis der Vorhersage der Qualitätsgröße kann die Mühlenre-gelung optimiert werden, was den Ener-gieverbrauch senkt und sich positiv auf die Wirtschaftlichkeit und Verfügbarkeit der Anlage sowie die Produktqualität auswirkt. Als erstes Pilotprojekt diente das Südbayerische Portland-Zement-werk in Rohrdorf.

Résumé: L’opération de broyage dans les cimenteries absorbe beaucoup d’énergie et constitue, à raison de presque 45 %, une part essentielle de la consommation électrique totale. Siemens a donc conçu un système expert qui, basé sur des ca-ractéristiques actuelles de l’installation, fournit des données précises sur les paramètres de qualité de l’installation de production et peut être intégré sans matériel supplé mentaire dans le système de conduite PCS-7 existant. La régulati-on du broyeur peut ainsi être optimisée compte tenu du paramètre prévisionnel de qualité, ce qui réduit la consomma-tion d’énergie et exerce un effet positif sur la rentabilité et la disponibilité de l’installation ainsi que la productivité. Le premier projet pilote a été réalisé dans la cimenterie Südbayerische Portland-Zementwerk à Rohrdorf.

Resumen: El proceso de molienda en las plantas de cemento consume mucha en-ergía, requiriendo casi el 45 % del con-sumo de energía eléctrica total. Siemens ha diseñado un sistema experto que emplea datos de la planta actuales para hacer predicciones precisas a cerca de parámetros de calidad. Puede ser inte-grado en el sistema de control existente PCS-7 sin hardware adicional. El control de los molinos puede ser optimizado mediante parámetros de calidad predi-chos, lo que reduce el consumo de ener-gía y tiene una infl uencia positiva en la economía y la disponibilidad de la plan-ta, así como en la calidad del producto. El primer proyecto piloto se ejecutó en la planta Südbayerische Portland-Zement-werk Rohrdorf.

Rohrdorf cement plant

Summary: The milling process in cement plants is extremely energy-intensive, accounting for nearly 45 % of the overall electrical energy requirements. Siemens has designed an expert system which uses actual plant data to make precise predictions about quality parameters for a production plant, and which can be integrated into the existing PCS-7 control system with no additional hardware. Mill control can be optimized on the basis of predicted quality parameters, which in turn reduces energy consumption and has a positive infl uence on the plant’s cost-effectiveness and availability, as well as on product quality. The fi rst pilot project was conducted at the Südbayerische Portland-Zementwerk in Rohrdorf.

1 Portland cement production in RohdorfAt the Südbayerische Portland-Zementwerk in Rohrdorf, the raw materials extracted from the neighboring quarries that are necessary for producing Portland cement clinker are stored in a blending bed hall and then ground into raw meal in a raw mill. In the rotary kiln the raw meal is then burnt to cement clinker, which is the basic material for all types of cement. The plant has four ball mills for a total output of around 270 t/h. Grinding is performed in a ball mill with steel balls of differ-ent sizes. Depending on the type of cement, materials such as blastfurnace slag can also be added to the milling process. The grinding media moves differently, depending on the mill’s speed. At low speeds, a cascading movement is produced in which the balls simply roll off. As speed increases, the balls are lifted and fall onto the grinding material (cataracting movement). Above a “critical” speed, the balls are held fast to the drum walls by centrifugal force and almost no grinding occurs. The best operating point is above the point where the cataracting movement begins and below the critical speed. 2 Requirements facing an optimized ball mill control systemSiemens has developed a new mill control system to optimize mill energy consumption. The fi rst pilot project involved one of four ball mills from 1965 belonging to the Rohrdorf Ze-mentwerk. This mill has two chambers: the fi rst chamber is fi lled with large steel balls and the second with smaller balls. The ball mill is 11.57 m long, with a diameter of 3.80 m and a rotational speed of 15.4 rpm. The drive power is 2400 kW and the mill output is 60 t/h (Fig. 1). One of the most important quality parameters in cement milling is product fi neness, which is analyzed in laborato-ries. Samples are taken on an hourly basis and the results are used for process correction. Sensors (acoustic ears) register the mill’s fi lling level (Fig. 2). The new control system was to record and adapt the quality parameters automatically. A fur-ther challenge was the removal of the old optimization sys-tem and integration of the new system in the existing PCS 7 environment at minimal cost. This required software that could assess quality parameters for the production plant us-ing a knowledge-based approach dependent on current plant data (defi ned measured variables). This expert system was to regulate the control variables automatically and thus reduce the workload for operating personnel. An additional goal was to achieve maximum throughput at the desired fi neness of grind. 3 System architecture and implementation of the new ball mill control systemTo meet these requirements, Sicement IT MCO (Mill Control Optimization) uses components from the APC (Advanced Process Control) library of Simatic PCS 7, by means of which even com-plex relationships between process parameters and variables can be mathematically described and used for automatic, fl exible plant opera-tion. A neuronal soft sensor collects the process input variables and predicts fi neness. To reduce process fl uctuations and stabilize the grinding process, a model-based predictive control (MPC) is used that has a complete model of process dy-namics with all the connections. The combina-

1 Portlandzementproduktion in RohdorfFür die Herstellung des Portlandzementklinkers im Südbay-erische Portland-Zementwerk in Rohrdorf wird das erfor-derliche Rohmaterial aus den angrenzenden Steinbrüchen in einer Mischbetthalle gelagert und anschließend auf einer Rohmühle zu Rohmehl gemahlen. Im Drehrohrofen wird das Rohmehl zu Zementklinker gebrannt, dieser Zementklinker ist der Ausgangsstoff für alle Zementsorten. Das Werk verfügt über insgesamt vier Kugelmühlen mit einer Gesamtmahl-leistung von etwa 270 t/h. Die Vermahlung erfolgt in einer Kugelmühle mit unterschiedlich großen Stahlkugeln. Je nach Zementsorte können dem Mahlprozess Zusatzstoffe wie zum Beispiel Hüttensand beigemengt werden. Abhängig von der Drehzahl treten verschiedene Mahlkörperbewegungsformen auf. Bei niedrigen Drehzahlen fi ndet eine Kaskadenbewegung statt, bei der die Kugeln nur abrollen. Mit steigender Dreh-zahl werden die Kugeln angehoben und fallen auf das Mahl-gut (Kataraktbewegung). Oberhalb der so genannten kri-tischen Drehzahl werden die Kugeln von der Fliehkraft an der Trommelwand festgehalten, wobei kaum noch Vermahlung stattfi ndet. Der optimale Betriebspunkt ist oberhalb der ein-setzenden Kataraktbewegung und unterhalb der kritischen Drehzahl. 2 Anforderungen an eine optimierte KugelmühlenregelungUm den Energieverbrauch der Mühle zu optimieren, hat Sie-mens eine neue Mühlenregelung entwickelt. Der erste Pi-lot war eine von insgesamt vier Kugelmühlen des Rohrdor-fer Zementwerks aus dem Jahr 1965. Sie besteht aus zwei Kammern: Die erste Kammer ist mit großen Stahlkugeln; die zweite mit kleineren Kugeln gefüllt. Die Kugelmühle hat bei einer Länge von 11,57 m einen Durchmesser von 3,80 m und verfügt über eine Drehgeschwindigkeit von 15,4 U/min. Die Antriebsleistung beträgt 2400 kW, die Mahlleistung liegt bei 60 t/h (Bild 1). Einer der wichtigsten Qualitätsparameter bei der Zement-mahlung ist die Produktfeinheit, die im Labor analysiert wird. Dafür werden stündlich Proben entnommen und die Ergeb-nisse zur Prozesskorrektur verwendet. Sensoren (akustische

Als Pilot diente eine von insgesamt vier Kugelmühlen mit einer Mahlleistung von 60 t/h.1 The pilot project involved a total of four ball mills with a mill output of 60 t/h.

tion of the neuronal soft sensor and the MPC system is spe-cially suited to the complex nature of the milling process. The MCO system was implemented in three phases: Firstly, the cement mill’s system status was analyzed. This involved identifying the existing input and output variables and as-sessing the quality of existing control solutions. In the second phase, system tests were performed to determine the step responses and re-cord the production data. After the data had been evaluated, p r o d u c t - s p e c i f i c identifi cation tools were used to de-velop a model of the neuronal soft sen-sor and MPC system. The third phase in-volved the software engineering for inte-grating Sicement IT MCO into the existing Siemens PCS-7 con-trol system (Fig. 3). This could be done while the plant was in operation because the new control sys-tem initially ran only in the background, without directly af-fecting current oper-ation. Once the new control system was ready to take over all the functions, the old system was deactivated. To permit optimal use of the new system, it was then reworked based on the previously defi ned production data from up to eight recipe types. 4 Operating principle of the optimized ball mill control systemThe new mill control system works in three stages: First, the neuronal soft sensor registers a total of nine process input variables from which it generates a prediction of fi neness. These process variables include separator speed, quantity of fresh material, position of the swirl control valve, and repre-sentations of the mill’s fi lling level (circulating bucket elevator power, mill drive output, electric ear chambers 1 and 2) as

Ohren) erfassten den Füllgrad der Mühle. (Bild 2) Mit dem neuen Regelungssystem sollten die Qualitätsparameter auto-matisch erfasst und angepasst werden. Eine weitere Anfor-derung bestand darin, das alte Optimierungssystem abzu-lösen und ohne großen Aufwand das neue in die vorhandene Leittechnik zu integrieren. Gefragt war eine Software, die mit einem wissensbasierten Ansatz unter Verwendung von

aktuellen Anlagendaten (defi nierte Mess-größen) eine Aussage über Qualitätsgrößen der Produktionsanlage trifft. Mit diesem Ex-pertensystem sollten die Regelgrößen auto-matisch geregelt und so der Anlagenfahrer entlastet werden. Ein weiteres Ziel war die maximale Durchsatzmenge bei gewünsch-ter Mahlfeinheit zu erreichen. 3 Systemarchitektur und Implementie-rung der neuen KugelmühlenregelungUm diese Anforderungen zu erfüllen, ba-siert Sicement IT MCO (Mill Control Op-timization) auf Komponenten der APC (Advanced Process Control)-Bibliothek von Simatic PCS 7, womit selbst komplexe Zusammenhänge von Prozessparametern bzw. -variablen mathematisch beschrie-ben und für einen automatischen und fl exiblen Anlagenbetrieb genutzt werden können. Ein neuronaler Softsensor erfasst die Prozesseingangsgrößen und trifft eine Feinheitsvorhersage. Um Prozessschwan-kungen zu reduzieren und den Mahlprozess zu stabilisieren, wird ein modellbasierter Messgrößenregler (Modelbased Predictive Control; MPC) eingesetzt. Er verfügt über ein vollständiges Modell der Prozessdyna-mik mit allen Verkopplungen. Die Kombina-

tion aus neuronalem Softsensor und dem MPC-System trägt in besonderer Weise dem komplexen Charakter des Mahlpro-zesses Rechnung. Die Implementierung des MCO-Systems fand in drei Phasen statt: Zuerst wurde der Anlagenzustand der Zementmühle analysiert, indem die vorhandenen Ein- und Ausgangsgrößen identifi ziert wurden, und die Qualität der vorhandenen Rege-lungslösungen betrachtet. In der zweiten Phase erfolgten An-lagentests zur Ermittlung der Sprungantworten und zur Auf-nahme der Produktionsdaten. Nach Auswertung der Daten wurde mithilfe produktspezifi scher Identifi kationswerkzeuge das Modell des neuronalen Softsensors und des MPC-Systems entwickelt. Die dritte Phase beinhaltete das Software-Enginee-

Sensoren (akustische Ohren) erfassten den Füllgrad der Mühle.2 Sensors (acoustic ears) recorded the mill’s fi lling level.

Further Information • Weitere Informationen

Rohrdorf Zementwerk was established in 1930 by entrepreneur Georg Wiesböck and his brothers Ludwig and Andreas. It is located in Southern Bavaria, about 50 km southeast of Munich. From very humble begin-nings, it has developed into a modern cement plant that currently uses alternative fuels for over 80 % of its total thermal output. In addition to cement, it also manufactures ready-mix concrete, concrete goods and pre-fabricated concrete components, as well as extracting sand and gra-vel and has an annual production capacity of 750 000 tons of cement. The cement plant serves Southern Bavaria and neighboring regions of Austria. It is part of Rohrdorfer Baustoffgruppe, which has a total of 40 production sites in Germany and Austria.

Das Rohrdorf-Zementwerk wurde 1930 von dem Unternehmer Ge-org Wiesböck und seinen Brüdern Ludwig und Andreas gegründet. Es liegt im Süden von Bayern, etwa 50 km südöstlich von München. Aus kleinsten Anfängen heraus hat es sich zu einem modernen Zementwerk entwickelt, das derzeit einen Sekundärbrennstoffanteil von über 80 % der Gesamtfeuerungswärmeleistung hat. Neben Zement werden auch Transportbeton, Betonwaren und Betonfertigteile hergestellt, sowie Sand und Kies gewonnen. Die Produktionskapazität beträgt 750 000 t/a Zement. Das Zementwerk bedient Südbayern und angrenzende Gebiete Österreichs. Es gehört zur Rohrdorfer Baustoffgruppe, die insgesamt 40 Produktionsstandorte in Deutschland und Österreich besitzt.

well as the mill temperature and selected recipe type. The pre-dicted fi neness is then compared to the laboratory values as a position parameter. The aligned values for fi neness (quality) and the measured grit (return material) are the MPC’s control values. By modifying the quantity of fresh material and sepa-rator speed, these values are optimized. This is accomplished through the predictive calculation of corresponding control processes based on a complete process model, in order to align the control variables as closely as possible with the de-sired set point values. In other words, external set points are determined for the individual subordinate controllers in order to optimize future plant performance over a certain period of time (Fig. 4).

5 Results of the optimized ball mill control systemBecause the MCO system determines the set point values for the individual controllers, it is possible to ensure optimal pro-duction and quality results and to guarantee stable production conditions that are at all times aligned with current mill condi-tions. This makes it possible to signifi cantly reduce the length of time formerly taken for a change made at the system input to evoke a corresponding response at the system output within the controlled system. The more uniform milling process thus achieved serves to optimize the mill’s throughput while main-taining the desired quality and reducing the workload of the operating personnel. It is possible to reduce energy consump-tion per ton of cement and extend the life of the plant’s me-chanical systems. Compared to operation without an expert system, Sicement IT MCO improved plant performance by 5 to 8 % (Fig. 5).

In contrast to the old control system that relied only on the Blaine value as a measured variable, Sicement IT MCO con-

ring zur Integration von Sicement IT MCO in das bestehende Siemens-PCS-7-Leitsystem (Bild 3) Diese konnte im laufenden Betrieb stattfi nden, indem die neue Regelung erst einmal nur im Hintergrund lief, ohne einen direkten Einfl uss auf den lau-fenden Betrieb zu haben. Nachdem alle Funktionen auch vom neuen Regelungssystem übernommen werden konnten, wur-de das Altsystem abgeschaltet. Um das System optimal ein-setzen zu können, wurde es anschließend auf Basis der zuvor defi nierten Produktionsdaten von bis zu acht Rezeptsorten überarbeitet.

4 Das Funktionsprinzip der optimierten Kugelmühlenregelung Die neue Mühlenregelung arbeitet in drei Schritten: Zuerst erfasst der neuronale Softsensor die insgesamt neun Prozes-seingangsgrößen und generiert daraus eine Feinheitsvorher-sage. Diese Prozessgrößen umfassen die Sichterdrehzahl, die Frischgutmenge, die Drallklappenposition und die Repräsen-tanten für den Füllstand der Mühle (Umlaufbecherwerkstrom, Leistung des Mühlenantriebs, Elektrisches Ohr Kammer 1 und 2) sowie die Mühlentemperatur und die ausgewählte Rezepts-orte. Die Feinheitsvorhersage wird dann als Lageparameter mit den Laborwerten verglichen. Der abgeglichene Wert für die Feinheit (Qualität) und der Messwert Griese (Rückgut) sind die Regelgrößen des MPC. Durch Veränderung der Gemen-geaufgabe und der Sichterdrehzahl werden die Werte opti-miert. Dies geschieht durch die vorausschauende Berechnung entsprechender Regelvorgänge auf Basis eines vollständigen Prozessmodells, um die Regelgrößen so nahe wie möglich an die gewünschten Sollwerte heranzubringen. Es werden also externe Sollwertvorgaben für die unterlagerten Einzelregler ermittelt, um das zukünftige Verhalten der Anlage über einen bestimmten Zeitraum zu optimieren (Bild 4).

3 MCO integration into das PCS-7 control system • MCO-Integration in das PCS-7-Leitsystem

trols plant operation also on the basis of the quality param-eter (measured as so called “Lageparameter”) and permits ex-ternal access to quality and production data. This renders data comparable and makes further optimizations easy to imple-

ment. Unlike other new systems, Sicement IT MCO can also be fully integrated into the plant or the existing PCS-7 control system without incurring additional maintenance costs for plant operators. After the mill control system had been successfully optimized for the fi rst ball mill, Siemens began optimizing the second mill. The other two mills will follow suit. www.siemens.comwww.rohrdorfer.eu

5 Ergebnisse der optimierten KugelmühlenregelungDa das MCO-System die Sollwerte der Einzelregler bestimmt, können optimale Produktions- und Qualitätsergebnisse si-chergestellt und zu jedem Zeitpunkt der aktuellen Müh-

lensituation angepasste, stabile Pro-duktionsbedingungen gewährleistet werden. Dadurch kann die bisherige Zeitspanne, die zwischen einer Än-derung am Systemeingang und der entsprechenden Antwort am System-ausgang der Regelstrecke liegt, deut-lich reduziert werden. Das so erreichte gleichmäßigere Mahlverfahren opti-miert die Durchsatzmenge der Mühle, bei gleichbleibender und gewünsch-ter Qualität, und entlastet den Anla-genfahrer. Der Energieverbrauch pro Tonne Zement kann gesenkt und die Lebensdauer der Anlagenmechanik erhöht werden. Gegenüber der Fahr-weise ohne ein Expertensystem wur-de durch den Einsatz von Sicement IT MCO eine Leistungssteigerung von 5 bis 8 % erreicht (Bild 5). Im Gegensatz zum alten Regelungssy-stem, das sich nur auf dem Blaine-Wert als Messgröße stützte, regelt Sicement IT MCO die Anlagenfahrweise zusätz-lich auch auf Grundlage von Lagepara-metern und ermöglicht den externen Zugriff auf die Qualitäts- und Produk-tionsdaten. Somit sind die Daten ver-

gleichbar und weitere Optimierungen sind problemlos mög-lich. Im Gegensatz zu anderen Neusystemen kann Sicement IT MCO zudem komplett in die Anlage bzw. in das vorhandene PCS-7-Leitsystem integriert werden. Damit kommen keine zusätzlichen Instandhaltungs- und Wartungskosten auf den Anlagenbetreiber zu. Nachdem die Optimierung der Mühlenreglung der ersten Ku-gelmühle erfolgreich verlaufen ist, hat Siemens nun auch mit der Optimierung der zweiten Mühle begonnen. Die beiden anderen Mühlen sollen ebenfalls folgen.

Neural softsensor (N) for prediction of grain size basedon measured values of theproduction process

Model predictive controller (MPC) for adjustment control of grain size and rejects (return material)by changing mixed raw materialsand separator fan speed

MCONeuro-

soft sensor

MCOMPC

2x2 System

Grain size (quality)

Rejects[t/h]

Mixed raw materials

[t/h]

Separator fan speed

[rpm]

.

.

.

mea

sure

men

ts

MCOLaboratory

valueacceptance

Forecast of grain size

Check and comparison of current laboratory value and forecast value withpossibility of adoption

4 Process sequence of the optimized ball mill control system • Prozessablauf der optimierten Kugelmühlenregelung

Future(predicted values)

Controller detects future deviation (e.g. violation of max. tolerable quality value)

SP

Controller already responds before deviation has occurred!

Past(measured values)

CV

MV

actual point kin time

k+nc k+np

Time t

Das MPC-System berechnet entsprechende Regelvorgänge, um die Leistungsdaten so nahe wie möglich an den Zielwert heranzubringen

5 The MPC system calculates appropriate control processes in order to align performance data as closely as possible with the target value.

©Siemens AG 2011All rights reservedOrder No.: E10001-T480-A227-V1-7600Printed in GermanyDispo No.: 21637 K No.: 37500Subject to change without prior notice

The information in this document contains generaldescriptions of the technical options available, which do not always have to be present in individual cases. The required features should therefore be specified in each individual case at the time of closing the contract.

Siemens AGIndustry SectorIndustry Solutions DivisionIndustrial TechnologiesWerner-von-Siemens-Str. 6591052 ErlangenGermany

E-Mail: cement@siemens.com

ZKG international

www.siemens.com/cement