KI-Aufbereitungstechnik: Sieben und Brechen

TL;DR

KI-gestützte Aufbereitungstechnik steigert den Durchsatz von Sieb- und Brechanlagen um 10–18 % und senkt den Energieverbrauch um bis zu 20 %. Durch Echtzeitanalyse von Vibrationsdaten, Korngrößenverteilung und Antriebsleistung erkennt die KI Überlastungen, optimiert Brechereinstellungen und prognostiziert Verschleiß. Der Einstieg kostet ab 30.000 € pro Anlage.

340 Tonnen pro Stunde — oder doch nur 280?

Ein Schotterwerk in Rheinland-Pfalz betreibt einen Kegelbrecher mit einer Nennleistung von 340 t/h. In der Realität schwankt der Durchsatz zwischen 240 und 310 t/h — abhängig von der Gesteinsfeuchte, der Korngröße des Aufgabematerials und dem Verschleißzustand der Brechbacken. Die Anlage läuft im Durchschnitt bei 78 % ihrer Kapazität. Bei einem Verkaufspreis von 8,50 €/t und 2.400 Betriebsstunden pro Jahr bedeutet jedes Prozent ungenutzter Kapazität: 69.360 € entgangener Umsatz.

Die Herausforderung: Brecher und Siebanlagen sind robuste Maschinen, aber ihre Effizienz hängt von Parametern ab, die sich laufend ändern. Härteres Gestein erfordert einen engeren Brechspalt — aber ein zu enger Spalt verstopft den Brecher. Feuchtes Material verklebt Siebdecks und reduziert die Klassierleistung. Verschlissene Brechbacken erzeugen mehr Feinkorn als gewünscht und verschieben die Korngrößenverteilung.

Bisher reagieren Anlagenbediener auf diese Schwankungen mit Erfahrungswerten und manuellen Eingriffen. Ein erfahrener Brecherfahrer justiert den Brechspalt zwei- bis dreimal pro Schicht nach Gehör und Augenschein. Die Bundesanstalt für Geowissenschaften und Rohstoffe (BGR) hat in einer Studie festgestellt, dass manuelle Brechersteuerung im Durchschnitt 12 % hinter dem technisch möglichen Durchsatz zurückbleibt.

KI-Aufbereitungstechnik ersetzt das Reagieren durch Voraussehen: Sensoren erfassen den Anlagenzustand in Echtzeit, und ein Optimierungsmodell passt die Stellgrößen kontinuierlich an.

Sensorik: Was die KI an der Anlage misst

Die Datengrundlage für KI-Aufbereitungstechnik kommt aus vier Quellen: Antrieb, Schwingung, Material und Umgebung.

# Sensorik-Setup KI-Brechanlage
Brecher (Kegelbrecher / Backenbrecher):
  Antrieb:
    - Motorleistung: kW (±0.5 %)
    - Drehzahl: rpm (Encoder)
    - Öltemperatur: °C (±0.5)
    - Öldruck: bar (±0.1)
  Schwingung:
    - Lager_horizontal: mm/s (ICP-Beschleunigungssensor)
    - Lager_vertikal: mm/s
    - Gehäuse_axial: mm/s
    - Abtastrate: 10 kHz (für Envelope-Analyse)
  Material:
    - Aufgabe_Tonnage: Bandwaage (±1 %)
    - Korngrößenverteilung_Aufgabe: Kamera-System (VisioRock o.ä.)
    - Feuchte: Mikrowellen-Sensor (±0.5 %)

Siebanlage:
  - Siebdeck_Vibration: mm/s pro Deck
  - Durchsatz_pro_Fraktion: Bandwaage je Austrag
  - Korngrößenverteilung_Produkt: Online-Siebanalyse
  - Siebbelag_Verschleiß: kapazitiv oder optisch

Umgebung:
  - Außentemperatur: °C
  - Niederschlag: mm/h
  - Relative_Feuchte: %

Entscheidend ist die Kamera-basierte Korngrößenanalyse am Aufgabematerial. Systeme wie VisioRock (Metso), WipFrag oder Split-Online analysieren Bilder des Materialstroms und berechnen die Korngrößenverteilung in Echtzeit. Diese Information allein ist ein Gamechanger: Wenn der Brecher weiß, dass die nächsten 50 Tonnen gröberes Material enthalten, kann er den Brechspalt rechtzeitig anpassen — statt erst zu reagieren, wenn die Motorleistung steigt.

Brecheroptimierung: Dynamischer Brechspalt

Der Brechspalt (CSS — Closed Side Setting) ist der wichtigste Stellparameter eines Kegelbrechers. Er bestimmt die maximale Produktkorngröße und beeinflusst Durchsatz, Energieverbrauch und Verschleiß.

Konventionell wird der CSS morgens eingestellt und über den Tag beibehalten — mit manueller Korrektur bei offensichtlichen Problemen. Die KI-Optimierung passt den CSS alle 5–15 Minuten an, basierend auf:

• Aufgabekorngröße: Gröberes Material erfordert einen weiteren CSS, um Verstopfungen zu vermeiden.
• Zielkörnung: Wenn Fraktion 8/16 mm stärker nachgefragt ist als 16/32 mm, wird der CSS enger gestellt.
• Verschleißzustand: Abgenutzte Brechbacken erzeugen bei gleichem CSS eine gröbere Körnung. Die KI kompensiert automatisch.
• Motorlast: Wenn die Antriebsleistung 85 % der Nennleistung überschreitet, wird der CSS geweitet, um Überlastung zu vermeiden.

Ein Natursteinwerk in Niedersachsen hat mit dynamischer CSS-Regelung seinen Durchsatz um 14 % gesteigert — bei 8 % weniger Energieverbrauch pro Tonne. Der Grund: Statt konservativ mit weitem Spalt zu fahren, nutzt die KI den optimalen Arbeitspunkt, der nahe an der Leistungsgrenze liegt, aber nie darüber.

Einen umfassenden Überblick über KI für Unternehmen bietet unser Komplettleitfaden.

Siebklassierung: Blindstellen vermeiden

Siebanlagen sind der Engpass vieler Aufbereitungslinien. Wenn ein Siebdeck verstopft oder verblendet, sinkt der Durchsatz der gesamten Anlage. Die häufigsten Probleme:

Verblendung durch Feuchte: Lehm- und tonhaltiges Gestein verklebt die Siebmaschen. Konventionelle Lösung: Siebwechsel oder Besprühung — beides kostet Durchsatz oder Wasser.

Nahtkornproblematik: Partikel, deren Größe nahe an der Maschengröße liegt, blockieren Siebfelder. Bei Kalkstein mit hohem Nahtkornanteil kann das bis zu 15 % der Siebfläche betreffen.

Überladung: Zu hoher Aufgabestrom überfordert das Sieb, und Unterkorn gelangt in die Überkornfraktion — ein Qualitätsproblem, das erst bei der Verladung auffällt.

Die KI-Klassierung überwacht die Siebeffizienz über Vibrationsmuster und Durchsatzbilanzen. Wenn das Verhältnis von Aufgabemenge zu Unterkornmenge sinkt, erkennt das System eine beginnende Verblendung — 20–30 Minuten bevor der Bediener es merkt. Die Gegenmaßnahme: automatische Erhöhung der Vibrationsamplitude, Aktivierung der Siebheizung oder Drosselung des Aufgabestroms.

Predictive Maintenance: Verschleiß vorhersagen

Brechbacken, Siebbeläge und Lager sind die teuersten Verschleißteile in der Aufbereitungstechnik. Ein Satz Brechbacken für einen Kegelbrecher kostet 15.000–40.000 €, ein kompletter Siebbelagwechsel 3.000–8.000 €. Ungeplante Stillstände für den Wechsel kosten zusätzlich 2.000–5.000 € pro Stunde an entgangenem Durchsatz.

KI-basierte Verschleißprognose nutzt drei Indikatoren:

1. Vibrationssignaturen: Verschlissene Lager erzeugen charakteristische Frequenzmuster (Envelope-Analyse). Ein KI-Modell lernt den normalen Frequenzverlauf und erkennt Anomalien Wochen vor dem Ausfall.

2. Leistungstrend: Wenn die Motorleistung bei konstantem Durchsatz steigt, deuten abgenutzte Brechbacken auf höheren Energiebedarf hin. Die KI berechnet aus dem Trend die Restlebensdauer.

3. Produktqualität: Eine Verschiebung der Korngrößenverteilung bei konstantem CSS zeigt Brechbackenverschleiß an. Die KI korreliert diese Drift mit historischen Verschleißdaten und prognostiziert den optimalen Wechselzeitpunkt.

Mit dieser Vorlaufzeit können Ersatzteile rechtzeitig bestellt und Wartungsfenster geplant werden — statt ungeplanter Stillstände. Die ROI-Berechnung dazu erstellen Sie mit unserer Excel-Vorlage.

Wirtschaftlichkeit: Was die Optimierung bringt

Für ein Schotterwerk mit 600.000 t Jahresproduktion und einem Verkaufspreis von 8,50 €/t sieht die Rechnung so aus:

• Durchsatzsteigerung 12 %: 72.000 t × 8,50 € = 612.000 € Mehrumsatz (bei vorhandener Nachfrage)
• Energieeinsparung 15 %: Bei 1,2 kWh/t und 0,28 €/kWh = 30.240 €/Jahr
• Verschleißoptimierung: 10 % längere Standzeit der Brechbacken = 6.000 €/Jahr
• Vermiedene ungeplante Stillstände: 3 × 4 h × 4.000 €/h = 48.000 €/Jahr

Gesamtpotential: bis zu 696.000 €/Jahr — bei einer Investition von 30.000–60.000 € für Sensorik, Edge-Computing und Software. Die Amortisation liegt unter zwei Monaten, sofern der Mehrdurchsatz absetzbar ist.

Für kleinere Anlagen (200.000 t/Jahr) skaliert das Potential linear, bleibt aber auch bei konservativer Rechnung über 100.000 €/Jahr. Details zu KI-Budgets finden Sie in unserem Kostenplanungsleitfaden.

Einstieg: Pilotprojekt in drei Phasen

Phase 1: Monitoring (Wochen 1–4) Sensoren nachrüsten, Daten sammeln, Ist-Zustand dokumentieren. Noch keine Regelung — nur Transparenz schaffen. Ergebnis: Dashboard mit Echtzeit-KPIs (Durchsatz, Energie/Tonne, Korngrößenverteilung).

Phase 2: Empfehlungen (Wochen 5–12) Das KI-Modell wird trainiert und gibt dem Anlagenbediener Empfehlungen: „CSS um 3 mm verkleinern" oder „Siebamplitude um 10 % erhöhen". Der Bediener entscheidet, ob er folgt. In dieser Phase validiert das System seine Vorschläge.

Phase 3: Automatisierung (ab Woche 13) Bewährte Empfehlungen werden automatisiert. Der Brechspalt wird ferngesteuert nachgeregelt, die Aufgabegeschwindigkeit dynamisch angepasst. Der Bediener überwacht und greift nur bei Ausnahmen ein.

Einen strukturierten Fahrplan für die KI-Implementierung beschreiben wir in unserem Praxisleitfaden.

Häufige Fragen

Funktioniert die KI-Optimierung bei jedem Brechertyp?

Grundsätzlich ja — Backenbrecher, Kegelbrecher, Prallbrecher und Walzenbrecher sind alle optimierbar. Die Stellgrößen unterscheiden sich: Beim Backenbrecher ist es primär die Aufgabemenge, beim Kegelbrecher der CSS, beim Prallbrecher die Rotordrehzahl und Prallplattenposition. Für jeden Typ wird ein separates Modell trainiert, aber die Sensorinfrastruktur ist weitgehend identisch.

Wie genau ist die Kamera-basierte Korngrößenanalyse?

Moderne Systeme (VisioRock, Split-Online) erreichen eine Genauigkeit von ±5 % bei der d50-Bestimmung und ±10 % bei d80. Das ist für die Brechersteuerung ausreichend — die Materialvariabilität innerhalb einer Stunde ist typischerweise größer als der Messfehler. Bei feuchtem oder staubigem Material sinkt die Genauigkeit — hier helfen regelmäßige Kameraspülung und adaptive Bildverarbeitung.

Was kostet die Nachrüstung einer bestehenden Anlage?

Für einen Kegelbrecher mit Siebanlage rechnen Sie mit 30.000–60.000 € für die Erstausstattung: 10.000–15.000 € Sensorik, 5.000–10.000 € Edge-Computing, 15.000–25.000 € Software und Integration, 5.000–10.000 € Inbetriebnahme und Training. Laufende Kosten: 5.000–8.000 €/Jahr für Wartung und Modellpflege.

Kann die KI auch die Sprengplanung im Steinbruch optimieren?

Das ist ein angrenzender Anwendungsfall: Wenn die KI weiß, welche Korngrößenverteilung der Brecher optimal verarbeitet, kann diese Information an die Sprengplanung zurückfließen. Feineres Haufwerk im Steinbruch reduziert die Brecherbelastung und spart Energie. Einige Sprengmittelhersteller (Orica, Austin Powder) bieten bereits KI-gestützte Sprengplanung an, die mit der Brecheroptimierung verzahnt werden kann.

Welche Datenmengen fallen an und wo werden sie gespeichert?

Bei 10 kHz Vibrationsdaten und 1 Hz Prozessdaten fallen pro Brecher etwa 5 GB pro Tag an. Die Rohdaten werden lokal auf dem Edge-PC für 30 Tage gespeichert, extrahierte Features und Ergebnisse dauerhaft in einer Cloud-Datenbank oder On-Premise-Server. Für den reinen Betrieb des Optimierungsmodells genügen die Features — die Hochfrequenz-Vibrationsdaten werden nur für die Lagerdiagnose benötigt und können nach der Feature-Extraktion komprimiert archiviert werden.