Die Modellierung von Fertigungsprozessen stößt auf Herausforderungen, wenn Messungen auf unterschiedlichen Zeitskalen erfolgen. Ein Unternehmen produziert beispielsweise Glas, das SeO₂ enthält. Aufgrund seiner Flüchtigkeit bei hohen Schmelztemperaturen verdampft SeO₂ stark, was zu erheblicher Verdunstung führt, die von einem Staubfilter aufgefangen wird. Erschwerend kommt hinzu, dass der SeO₂-haltige Staub giftig ist und daher Entsorgungsprobleme mit sich bringt. Die Vorhersage des SeO₂-Gehalts im Staub ermöglicht dessen Rückführung in den Fertigungsprozess und fördert so eine nachhaltige, zirkuläre und abfallfreie Produktion sowie Kostensenkungen.
Der Glasherstellungsprozess läuft kontinuierlich ab, wobei die Eingangsvariablen minütlich von Sensoren gemessen werden. Die Messung des SeO₂-Gehalts im Staub erfolgt jedoch in längeren Intervallen, was eine ausreichende Staubansammlung zur Homogenisierung erfordert. In dieser Präsentation demonstrieren wir die Entwicklung eines Vorhersagemodells für die SeO₂-Staubkonzentration anhand eines begrenzten Datensatzes. Um sicherzustellen, dass die Prozessparameter über die Dauer der Staubprobenahme gemittelt werden, verwenden wir Monte-Carlo-Simulationen, die die Variabilität der Prozessparameter berücksichtigen.
Mit JMP Pro beschreiben wir Methoden zur Datenerfassung und -aufbereitung sowie die anschließende Verwendung simulierter Daten zur Erstellung von Vorhersagemodellen für die SeO₂-Konzentration. Wir untersuchen die potenzielle Anwendbarkeit dieser Methodik auf Branchen mit ähnlichen Herausforderungen, wie beispielsweise die Chemie- oder Biotechnologie, wo die Modellierung von Prozessen mit unterschiedlichen Zeitskalen und Unsicherheiten üblich ist.
Hallo. Mein Name ist Drejc Kopac, und dies ist eine Arbeit, die in Zusammenarbeit mit meinem Kollegen und Mitpräsentator Matej Emin und Professor Philip Ramsey entstanden ist.
Im Vortrag geht es um die Vorhersage von Abwässern aus Glasschmelzprozessen, wobei der Schwerpunkt auf der Modellierung eines kontinuierlichen Prozesses mit spärlicher Probenahme von Filterstaub liegt.
Dieses Projekt wurde in Zusammenarbeit mit dem größten slowenischen Glashersteller durchgeführt. Ziel war es, ein Vorhersagemodell für die Zusammensetzung von Filterstaub zu erstellen, um diesen recyceln zu können.
Zunächst wollen wir uns das Modell genauer ansehen. Hier ist das 3D-Schema eines Glasschmelzofens. Man kann die Größe im Vergleich zu einem Menschen erkennen. Das Rohmaterial wird in den Ofen gegeben und geschmolzen. Das so entstandene Glas fließt dann durch Kanäle zur Produktionslinie. Wir sehen zwei Wärmetauscher, in denen das Rauchgas mit dem Filter ausgetauscht wird.
Wir sehen außerdem zwei Brenner, links und rechts, die periodisch umschalten. Diese Periodizität führt zu kurzfristigen Schwankungen in den Daten. Die Bedingungen in diesem Ofen und die Eigenschaften des Rauchgases sind entscheidend für unsere Arbeit, und darauf werden wir uns konzentrieren.
Um das Ganze etwas besser zu veranschaulichen, folgt hier ein Prozessschema, das nach dem Prinzip der Kreislaufwirtschaft dargestellt ist. Wie bereits erwähnt, durchströmt das Rauchgas den Wärmetauscher. Dort wird es gekühlt und anschließend vom elektrostatischen Filter aufgefangen. Hier wird das Gas erneut gekühlt und mit Calciumhydroxid vermischt, wodurch es gereinigt wird.
Gereinigte Rauchgase verlassen den Filter über den Schornstein, während der Feinstaub in großen Säcken aufgefangen wird. An diesem Punkt setzt unsere Geschichte ein. Können diese 300–400 Kilogramm Staub pro Tag dem Ofen wieder zugeführt statt entsorgt werden? Um ihn zu recyceln, müssen wir die Zusammensetzung des Filterstaubs kennen. Dies war der Kernpunkt dieses Projekts.
Das Hauptproblem bei diesem Staub und seinem Recycling ist das enthaltene Selen. Selen wirkt als Entfärbungsmittel für Glas. Selendioxid ist bei Glasschmelztemperaturen flüchtig, verdampft daher schnell und wird später vom Filter aufgefangen. Dieser Filterstaub gilt als Sondermüll, weshalb seine Entsorgung teuer ist. Die Frage ist nun, ob es eine Möglichkeit gibt, diese 300–400 Kilogramm Staub pro Tag im Ofen zu recyceln. Ich muss erwähnen, dass dies angesichts der täglich produzierten Glasmenge von etwa 150 Tonnen keine große Menge ist.
Das Problem besteht darin, dass die Glasfarbe extrem empfindlich auf die Selenkonzentration reagiert. Daher muss die Selenkonzentration sehr genau bekannt sein. Die Messung und chemische Analyse dieses Staubs ist aufwendig und zeitintensiv. Eine mögliche Lösung wäre die Entwicklung eines Vorhersagemodells. Hierbei gibt es jedoch einige Herausforderungen.
Zunächst einmal läuft der Glasherstellungsprozess kontinuierlich mit minütlicher Sensormessung ab. Über 40 Online-Sensoren erfassen verschiedene Temperaturen, Gasverbrauch, Heizleistung, Glasschmelzrate usw. Die Herausforderung bestand darin, ein Vorhersagemodell für Selendioxid in der Staubprobe zu entwickeln, basierend auf der spärlichen Probenahme von Filterstaub, den unterschiedlichen Zeiträumen dieser Probenahme und natürlich den zahlreichen Prozessparametern.
Üblicherweise beginnen wir Projekte dieser Art, indem wir historische Daten sammeln, uns mit den Experten im Unternehmen, beispielsweise den Anlagenleitern, zusammensetzen und eine erste Datensichtung und ein Brainstorming durchführen. Genau das haben wir getan. Wir haben über ein Jahr lang historische Daten gesammelt und gemeinsam mit Fachexperten die relevanten Einflussfaktoren identifiziert.
Hier rechts, etwas verschwommen, sehen wir ein typisches multivariates Diagramm, das die Parameterkorrelationen darstellt. Dieses Diagramm hilft uns oft, die Anzahl der einflussreichen Parameter im Modell zu reduzieren.
Oftmals ist es sehr zeitaufwendig, an solche Datensätze zu gelangen, die visualisiert und analysiert werden können, insbesondere bei industriellen Datensätzen. Ich zeige Ihnen daher kurz, wie die Rohdaten aus SCADA-Berichten aussehen.
Dies ist beispielsweise ein typischer Bericht des Unternehmens für einen Tag. Sie sehen, dass die Parameter nicht wie üblich in Spalten, sondern in Zeilen angeordnet sind. Wenn Sie in den Daten nach unten scrollen, erkennen Sie, dass sich der Parametername minütlich ändert und der Wert hier eingetragen wird. Weiter unten sehen Sie, dass es über 30 oder sogar 40 Parameter gibt, die in Zeilen statt in Spalten dargestellt sind.
Andererseits gibt es einen zweiten Teil dieses Datensatzes, der bereits spaltenweise sortiert ist. Hier sieht man, dass die Parameter spaltenweise eingegeben wurden. Die Herausforderung bestand darin, diesen Datensatz für die Verwendung in JMP neu zu sortieren bzw. zu formatieren. Wir haben dazu ein einfaches JSL-Skript geschrieben. Ich zeige es Ihnen kurz.
Dieses JSL-Skript (JMP Scripting Language) durchläuft diese Schleife. Alle 24 Stunden werden Daten verarbeitet. Das Skript durchläuft den Datensatz, ordnet die Daten den Spalten zu und fügt anschließend die Spalten des zweiten Teils des Datensatzes hinzu. Dies ist das verwendete Skript. Am Ende erhalten wir diesen übersichtlichen Datensatz, der wie gewohnt sortiert ist. Die Spalten enthalten alle Parameter, die selbstverständlich anonymisiert sind. Die Daten werden im Minutentakt verarbeitet. Dies ist der erste Teil. Wie bereits erwähnt, dauert es oft recht lange, bis man diesen Punkt erreicht.
Zunächst ist es wichtig, die Daten zu visualisieren, um einen Eindruck von ihrer Aussagekraft zu gewinnen. Hier sehen wir eine Reihe von X-Y-Diagrammen. Diese verdeutlichen die kurzfristigen Schwankungen der Daten. Diese kurzfristigen Schwankungen, die 20-minütigen Spitzenwerte, entsprechen dem 20-minütigen Intervall zwischen dem Umschalten der Brennerseite (links oder rechts). Der größte Teil der kurzfristigen Schwankungen tritt in diesem 20-minütigen Intervall auf. Dies war eine wichtige Information für uns bei der Probenahme des Filterstaubs.
Um diesen 20-minütigen Zeitraum im Datensatz zu bestätigen, nutzten wir die Zeitreihenanalyse in JMP. Diese zeigte uns deutlich die Periodizität und die Verzögerung von +/- 20 Minuten, die durch die Zündung des linken oder rechten Brenners verursacht wurde. Zusammen mit anderen Fachkenntnissen, wie der Übergangszeit des Abgases von der Schmelze zum Filter (ca. 15 Sekunden) und der Staubabsaugungszeit vom Filter (ca. eine Minute), wurden später Staubproben, Messwerte und Prozessparameter kombiniert. Diese Schritte waren bereits vor der Staubprobenahme von entscheidender Bedeutung.
Aufgrund all dieser Informationen, der Fachkompetenz und vorangegangener interner Tests dürfte die Durchflussrate des Glasfilters einer der wichtigsten Parameter für den Selendioxidgehalt sein. Daher haben wir den vom Hersteller erstellten Durchflussratenplan, der einen Monat im Voraus erstellt wird, angefordert und die besten bzw. optimalen Termine für die Probenahme des Filterstaubs ausgewählt. Wir haben minimale, maximale und mittlere Durchflussraten angestrebt, um den Parameterbereich bestmöglich abzudecken.
Sobald wir die Termine kannten, an denen die Produktionslinie mit diesen Durchsatzraten laufen würde, fuhren wir zum Werk, sammelten den Staub und homogenisierten ihn. Anschließend wurde dieser Staub an ein externes Institut geschickt, wo eine ICP-OES-Analyse durchgeführt wurde, um die Zusammensetzung des Filterstaubs zu bestimmen. Unser besonderes Interesse galt dem Selendioxidgehalt.
Das sind einige Fotos vom Prozess. Rechts sehen Sie, dass dies kein typischer Arbeitstag im Büro eines Data Scientists ist. Diese Aufgabe haben wir selbst übernommen, da sie ein entscheidender Schritt für die Gewinnung qualitativ hochwertiger Daten war. Wir wollten kein Risiko eingehen, dass Proben verfälscht oder beispielsweise falsch beschriftet werden.
Nachdem wir die Ergebnisse des externen Instituts erhalten hatten, haben wir sie in den Datensatz eingepflegt. Hier sehen Sie den ursprünglichen Datensatz, der nun um eine Spalte mit dem Namen „IGR-Ergebnisse“ erweitert wurde. Diese Spalte enthält Werte, die dem Selendioxidgehalt zum Zeitpunkt der Staubprobenahme entsprechen.
Sobald wir diesen Datensatz haben, können wir mit der Modellierung beginnen. Wir haben mit einem sehr einfachen Modell angefangen. Wir haben neun Datenpunkte verwendet, an denen Selendioxid bestimmt wurde. Diese Datenpunkte sind sehr zuverlässig, da Datum und Uhrzeit genau bekannt sind und der Staub gleichmäßig homogenisiert wurde.
Zusätzlich standen fünf weitere Datenpunkte zur Verfügung, die durch interne Probenahmen mit Big Bags gewonnen wurden. Aufgrund der groben Probenahme des Staubs aus den Big Bags lässt sich die Zeit dieser fünf Datenpunkte jedoch nur annähernd bestimmen. Wir gehen davon aus, dass diese Datenpunkte die Unsicherheit des Modells erhöhen. Ohne diese zusätzlichen Punkte sind die Modelle jedoch statistisch nicht signifikant. Daher müssen wir den Datensatz um diese Punkte erweitern.
Wir konzentrierten uns auf drei Eingangsparameter: Erdgasdurchfluss, Glasziehgeschwindigkeit und Leistung der elektrischen Heizgeräte. Diese Parameter wurden als die einflussreichsten angesehen und zeigten während der Probenahme annähernd konstante Werte. An dieser Stelle sei erwähnt, dass wir die Medianwerte dieser Parameter während des Staubprobenahmezeitraums verwendet haben.
Hier sind auch die Diagramme dieser Parameter zu den Zeitpunkten der Staubprobenahme. Wir verwendeten eine einfache Standardmethode der kleinsten Quadrate zur Modellierung und berücksichtigten die Wechselwirkungen zweiter Ordnung. Das Endergebnis war das folgende Modell. Ich zeige es Ihnen in JMP. Es handelt sich um die neun Punkte aus unserer eigenen Staubprobenahme und fünf zusätzliche Punkte aus der Big-Bag-Probenahme. Dies ist ein einfaches und übersichtliches Modell, das die Wechselwirkungen zweiter Ordnung berücksichtigt.
Natürlich sehen wir, dass unser R² gut ist, so nahe an eins. Der p-Wert ist niedrig. Man könnte sagen, dass dies ein statistisch signifikantes Modell ist. Auch der p-Wert für die Faktoren ist niedrig. Das bedeutet, dass alle diese Faktoren wichtig sind. Das Problem bzw. die Einschränkungen dieses einfachen Modells lassen sich jedoch im Profiler hier unten erkennen. Ich werde nun etwas herauszoomen.
Das Hauptproblem, das auch Experten des Unternehmens erkannten, waren die starken Zusammenhänge zwischen dem Selendioxidgehalt und dem Erdgasdurchfluss sowie der Heizleistung. Bei extremen Werten dieser Parameter wird der Selendioxidgehalt entweder über- oder unterschätzt.
Des Weiteren lässt sich anhand des Parameters der Förderrate erkennen, dass bei Extremwerten wie einer Förderrate von 130 Tonnen pro Tag die Fehlertoleranz bzw. die Unsicherheit der Selendioxid-Vorhersage erheblich zunimmt. Dies sind bereits einige Einschränkungen des Modells, die darauf hindeuten, dass es sich nicht um ein statistisch signifikantes Modell handelt. Das einfache Modell sagte neue Messwerte also nicht gut voraus. Es gab einige physikalisch unrealistische Vorhersagen.
Wir stellten fest, dass möglicherweise auch andere Parameter den Selendioxidgehalt beeinflussen könnten, konnten diese jedoch aufgrund der geringen Datenmenge nicht berücksichtigen. Wie bereits erwähnt, wies das Vorhersageprofil auf große Unsicherheiten bei Extremwerten des Parameterraums hin. Für ein besseres Modell müssten weitere Prozessparameter einbezogen werden.
Natürlich standen uns nur neun Messungen zur Verfügung, und wir wollten keine weiteren Staubproben zur Analyse einsenden, da dies zeitaufwändig und kostspielig gewesen wäre. Wir fragten uns, ob die Informationen zur Prozessstreuung uns zusätzliche Erkenntnisse zu den bestehenden Daten liefern könnten, da weitere Parameter ebenfalls Einfluss haben könnten.
Hier begannen wir, die Variabilität der Daten zu betrachten. Zunächst einmal weist die Selendioxid-Bestimmung des externen Labors eine Messunsicherheit auf. Diese Messabweichung können wir nutzen. Darüber hinaus liegen für jedes dieser 20-minütigen Messintervalle 18 Datenpunkte aus 18-minütigen Sensormessungen vor, wobei die zwei Minuten während des Brennerwechsels natürlich nicht berücksichtigt werden. Diesen 18 Messungen liegen die zugrunde liegenden Verteilungen zugrunde. Ich zeige hier nur fünf davon, um ihre Struktur zu verdeutlichen.
Unsere Idee war, dass wir aufgrund der leichten Schiefe einiger Verteilungen Mediane verwendet haben, da diese Verteilungen Mittelwerte ergeben. Angesichts der Streuung der Verteilungen können wir zufällig Werte aus diesen Grundgesamtheiten auswählen und so mithilfe eines Monte-Carlo-Verfahrens einen synthetischen Datensatz generieren.
Gemeinsam mit Prozessexperten wählten wir 13 Eingangsparameter aus allen Prozessparametern aus. Diese 13 Parameter galten als besonders einflussreich. Sie waren zudem normalverteilt oder zumindest annähernd normalverteilt während der Untersuchungszeiträume. Es gab keine Ausreißer, keine ungewöhnlichen Artefakte und keine kurzfristigen zeitlichen Abweichungen. Dies entsprach unserer ursprünglichen Anforderung, Faktoren mit einer guten Verteilung zu verwenden.
Ein sehr wichtiger Aspekt, auf den wir achten mussten, war der Erhalt der Korrelationen zwischen den Faktoren und die Beibehaltung der bestehenden Beziehungen zwischen den Prozessparametern. Stellen Sie sich vor, Sie haben zwei stark korrelierte Parameter. Wählt man nun zufällig einen sehr hohen Wert für den einen Parameter, so sollte auch der andere Parameter, für den man zufällig einen Wert wählt, tendenziell höhere Werte annehmen. Diese Parameterkorrelationen müssen bei der zufälligen Auswahl, im Monte-Carlo-Verfahren, natürlich erhalten bleiben. Dies haben wir mithilfe von Kovarianzmatrizen erreicht.
Sie kennen wahrscheinlich diese multivariate Methode, die multivariate Analyse in JMP. Ich kann sie Ihnen zeigen. Sobald wir diesen Datensatz bereinigt haben, können wir für jede Staubmessung diese multivariaten Diagramme erstellen, die Sie hier sehen. Es wurden neun multivariate Diagramme bzw. Analysen durchgeführt. Für jede dieser Analysen können wir die Kovarianzmatrix extrahieren. Diese gibt uns Aufschluss darüber, wie die Parameter miteinander korreliert sind.
Für jede Staubprobe wurde die entsprechende Kovarianzmatrix erstellt. Diese Matrizen haben wir exportiert. Wir verwendeten hierfür Python, da NumPy die Methode `multivariate normal` bietet. Damit generierten wir mehrdimensionale Normalverteilungen unter Berücksichtigung der Kovarianzen. Sicherlich wäre dies auch mit einem Skript in JMP möglich gewesen, aber für uns war die Verwendung von Python einfacher, da wir mit diesen Methoden dort vertrauter sind.
Damit können wir im Prinzip einen synthetischen Datensatz erstellen. Das haben wir mithilfe dieser Matrizen getan. Für jede ausgewählte Staubprobe wurden 500 synthetische Werte generiert. Wir verwendeten neun Datenpunkte, sagen wir neun Intervalle, dieser zuverlässigen Proben, die wir selbst gesammelt und homogenisiert hatten.
Wir haben aber auch eine zusätzliche Messung aus der Big-Bag-Probenahme herangezogen, die einen sehr niedrigen Selendioxidgehalt aufwies. Dies war notwendig, um den Parameterbereich auf niedrige Selendioxidwerte auszudehnen. Ich zeige Ihnen, wie das aussieht.
Dies ist der simulierte bzw. synthetische Datensatz. Er umfasst 5.000 Zeilen, also 500 mal 10. Die Korrelationen zwischen den Parametern bleiben dabei natürlich erhalten. Wir haben das überprüft. Dieser Datensatz eignet sich hervorragend für detailliertere Modellierungen, da uns nun genügend Daten zur Verfügung stehen. Wir haben uns daher sofort für die Modellierung mit neuronalen Netzen entschieden. Das Ergebnis war ein vielversprechendes statistisches Modell.
Wir verwenden ein einfaches neuronales Netzwerk mit drei TanH-Funktionen und einer verborgenen Schicht – ein sehr einfacher Ansatz. Die R²-Werte sind sowohl für das Training als auch für die Validierung sehr hoch. Die 5.000 Datenpunkte wurden übrigens in zwei Drittel für das Training und ein Drittel für die Validierung aufgeteilt. Die Vergleichsdiagramme „Ist-Werte vs. Vorhersagewerte“ zeigen zudem ein statistisch signifikantes Modell.
Anschließend haben wir dieses Modell exportiert. Kehren wir zu JMP zurück. Hier können Sie die Vorhersageformeln speichern. Aber viel wichtiger … Ich komme zurück zur Präsentation. Wichtiger noch: Wir wollten die Vorhersage dieses Modells mit anderen Big-Bag-Stichprobendaten testen. Diese Big-Bag-Stichprobendaten verwenden wir als Validierungspunkte.
Hier sehen wir den tatsächlichen Messwert von Selendioxid und hier den vorhergesagten Wert. Die Darstellung dieser beiden Werte im Diagramm „Istwert vs. Vorhersage“ zeigt, dass das Modell die übrigen Messwerte recht gut vorhersagt. Lediglich bei einem großen Beutel (Nr. 1) werden die Werte für zwei Proben leicht überschätzt. Die Linie „Istwert vs. Vorhersage“ weist basierend auf diesen Messungen ein Bestimmtheitsmaß (R²) von 0,86 auf. Wir waren mit diesem Ergebnis sehr zufrieden und präsentierten es im nächsten Schritt den Mitarbeitern des Unternehmens.
Wichtiger noch: Wir präsentieren es mit diesem Profiler. In diesem Profiler haben wir einen Simulator aufgerufen, den Sie unter dem roten Dreieck finden. Anstatt hier nur einen einzigen Wert für den Selendioxidgehalt zu verwenden, der nun auf Basis der 13 Prozessparameter vorhergesagt wird, haben wir versucht, die Verteilung des Selendioxids unter Berücksichtigung der Unsicherheiten dieser Prozessparameter während der Befüllung des Big Bags zu simulieren. Wir haben den Mittelwert und die Standardabweichung dieser Prozessparameter in diesem Zeitraum bestimmt. Basierend auf diesen Werten konnten wir die Vorhersage für Selendioxid simulieren.
Außerdem zeigt dieses Profil, dass die Reaktionen komplexer sind als ein einfaches lineares oder quadratisches Verhalten. Es gibt zahlreiche Wechselwirkungen innerhalb dieser Parameter. Noch wichtiger ist jedoch, dass der Simulator für die Vorhersagestreuung diese Verteilung von Selendioxid in dieser Charge, in diesem Big Bag, lieferte. Tatsächlich zeigte uns die Verteilungsplattform in JMP, dass eine normale Zwei-Mischungs-Verteilung die beste Anpassung für diesen Fall darstellt. Wir waren mit diesem Ergebnis sehr zufrieden, da es zeigte, dass diese Verteilung tatsächlich mit dem später gemessenen Wert übereinstimmt.
Der entscheidende Schritt, den ich bereits erwähnt habe, war die Berücksichtigung der Korrelationen, also der Kovarianz zwischen den Faktoren. Wir haben getestet, was passiert, wenn wir diese Korrelationen in der Monte-Carlo-Simulation nicht einbeziehen. Hier sehen Sie die Darstellung der Ist-Werte im Vergleich zu den vorhergesagten Werten derselben Messungen, jedoch simuliert mit einem synthetischen Datensatz ohne Berücksichtigung dieser Kovarianzen. Man erkennt, dass erstens die Spannweite dieser Selendioxid-Vorhersage unrealistisch groß ist und zweitens die Punkte viel stärker streuen.
Vergleicht man die beiden Modelle – das korrekte (blau) und das fehlerhafte (rot), bei dem die Korrelation nicht berücksichtigt wird –, so zeigt sich, dass das blaue Modell deutlich besser ist. Es liefert natürlich wesentlich realistischere Vorhersagen für Selendioxid.
Zusammenfassend lässt sich sagen, dass wir trotz der geringen Staubprobenahme und des anfänglich kleinen Datensatzes ein nützliches Vorhersagemodell für den Selendioxidgehalt in Filterstaub entwickelt haben. Angesichts der Komplexität des Prozesses und des begrenzten Datensatzes erwies sich der Monte-Carlo-Ansatz als die richtige Wahl. Auch die von uns verwendete neuronale Netzwerkmodellierung war... Wir testeten zwar auch andere Methoden, aber das neuronale Netzwerkmodell erwies sich als überlegen, da die Parameter zwar nicht stark korreliert sind, aber miteinander interagieren. Das neuronale Netzwerk bewahrte diese Wechselwirkungen.
Die Vorhersagekraft des Modells wurde anhand neuer Staubproben getestet und lieferte realistische und praxisrelevante Ergebnisse. Das wichtigste Ergebnis ist, dass dieser Ansatz in einem Pilotversuch zu einer 100%igen Rückgewinnung des Filterabfallstaubs führte. Dadurch konnten 60 % eines teuren Primärrohstoffs für die Glasentfärbung ersetzt und die Kosten für die Filterstaubentsorgung vollständig eliminiert werden.
Das war's. Vielen Dank.
