Künstliche Intelligenz in der Nichteisenmetallindustrie und im Recycling
Drei Referenzanwendungen, ausgewählt nach den Kriterien K1–K5 aus den in öffentlichen Quellen der Jahre 2021–2026 beschriebenen Fällen. Das Ranking spiegelt den Stand der Veröffentlichungen wider, nicht das vollständige Bild der Implementierungen: Werke, die keine Ergebnisse veröffentlichen, bleiben in der Übersicht unberücksichtigt.
Al-Elektrolyse · EGA · P2/N22–3 Tage → < 1 SchichtZeit bis zur Erkennung von Anodenstörungen gegenüber der bisherigen Praxis; 2 592 Zellen, 30 % als Referenz für die Nutzenbewertung belassen
Verarbeitung · Übersicht 2021–20260veröffentlichte KI-Ergebnisse mit Kontrollgruppe für eine benannte Walz-, Strangpress-, Walzdraht-, Rohr- oder Folienlinie
Metalle und Metallerzeugnisse · Eurostat · 202514,3 % EU · 7,2 % PLAnteil der Unternehmen (10+ Beschäftigte), die mindestens eine KI-Technologie einsetzen; die Daten umfassen auch Stahl
Erstellt von: Wirtschaftskammer für Nichteisenmetalle und Recycling · Stand: 25.10.2026 · Überprüfung alle 6 Monate, nächste bis 30.04.2027 · unter Einsatz von KI-Werkzeugen erstellt
Zusammenfassung
Fünf Thesen
Der am besten dokumentierte KI-Fall betrifft die Primärmetallurgie. In der Übersicht beschreibt einzig EGA ein auf eine Referenzgruppe von Zellen bezogenes Ergebnis [1], in einem extern bewerteten Programm [2]. Dies belegt keinen geringeren Wert der KI in der Verarbeitung, sondern das Fehlen von Veröffentlichungen aus diesem Bereich.
Im Recycling misst ein Sensor die Legierungszusammensetzung, und Deep Learning entscheidet dort, wo Form und Kontext zählen. Die Sortierung von 5xxx/6xxx-Legierungen mittels LIBS funktioniert im Maßstab von Tausenden Tonnen ohne Deep Learning – auf Basis chemometrischer Klassifikation und Regeln [6]. Den Anteil der KI am Ergebnis von Sensorkaskaden hat bisher niemand gemessen [9][10].
Maschinelles Sehen an der Linie ist die in der Übersicht am häufigsten beschriebene KI-Klasse, jedoch ohne veröffentlichte gemessene Ergebnisse. Die Kontrolle von 100 % der Kohlenstoffanoden meldet EGA laut dem Plattformanbieter [14]; Jiangxi Copper, Ningbo Jintian und Hindalco haben eine kamerabasierte Prüfung von Kathoden und Bändern eingeführt [15][16][41].
Ein belastbares Ergebnis erfordert ein Messdesign, nicht nur ein Modell. Bei EGA: Beratungsmodus, Referenzgruppe von Zellen und Bestätigung des Nutzens durch die Finanzabteilung vor der Ausweitung der Implementierung [1].
Das Jahr 2027 erzwingt Daten, die zugleich Material für KI sind. Batteriepass (18.02.2027), Beschränkung der Abfallausfuhr in Nicht-OECD-Staaten (21.05.2027), erste CBAM-Erklärung (30.09.2027) und Zielvorgaben für die stoffliche Verwertung von Metallen aus Batterien (31.12.2027) erfordern eine Massenbilanz und die Rückverfolgbarkeit von Chargen [24][25][38].
Methodik
Untersuchungsrahmen, Bewertung der Evidenz und Auswahl der TOP 3
Untersuchungsrahmen: vom Konzentrat und Einsatzmaterial bis zum Erzeugnis sowie der Schrottkreislauf – Verhüttung, Raffination, Verarbeitung und Recycling von Nichteisenmetallen. Gewinnung und Aufbereitung von Erz gehören zum Bergbau und bleiben Hintergrund.
Protokoll der Übersicht
Zeitraum: 01.2021–10.2026; letzte Suche 25.10.2026. Quellen: Geschäfts-, Nachhaltigkeits- und Börsenberichte von Unternehmen (darunter SEC und CNINFO), Unternehmensmitteilungen, Materialien von ICSOBA und der International Copper Conference, begutachtete Fachzeitschriften, CORDIS, Verzeichnisse des MIIT, der Bericht des WEF Global Lighthouse Network, EUR-Lex, ISAP, Eurostat, EuroHPC und das Portal Funding & Tenders. Sprachen: Englisch, Chinesisch, Deutsch, Polnisch, Russisch, Spanisch.
Vorgehen: vier thematische Recherchen (Recycling, Primärerzeugung, Verarbeitung, Ausblick 2027), anschließend sechs unabhängige Faktenaudits – jede Aussage wurde im geöffneten Quelldokument überprüft – sowie ein technisches Audit und eine wissenschaftliche Begutachtung. Bewertet wurden 36 Fälle: aufgenommen 21 (Tabellen TOP 1–3 und „Außerhalb der TOP 3“), ausgeschlossen 15 (Tabelle 2); zusätzlich wurden 3 Zahlen verworfen, die ausschließlich aus Sekundärquellen bekannt sind.
Recherche und Audits wurden unter Einsatz von KI-Werkzeugen durchgeführt, ohne Präregistrierung des Protokolls. Volltexte von TMS Light Metals – dem wichtigsten Publikationsort für Arbeiten zu KI in der Aluminiumelektrolyse – waren nicht zugänglich; die Arbeiten von EGA aus dem Jahr 2024 sind nur aus dem Index bekannt.
Bewertung der Evidenz in zwei Dimensionen
Messdesign (P)
P1
Kontrollgruppe mit beschriebener Auswahl
P2
Referenzgruppe angegeben, ohne Beschreibung der Auswahl
P3
Vergleich „vorher – nachher“ oder mit der bisherigen Praxis
P4
keine Zuordnung des Effekts oder keine Zahlen
L
Laborergebnis oder Preprint – erfüllt K1 nicht
Unabhängigkeit der Quelle (N)
N1
begutachtete Veröffentlichung oder Bewertung durch Dritte mit offengelegter Methode
N2
Konferenzbeitrag, Bericht oder Dokument des Unternehmens
N3
Technologieanbieter oder Berater
†
Meldung einer staatlichen Nachrichtenagentur als Ersatzquelle für chinesische Unternehmen
Regeln
Eine Zahl ohne definierte Messgröße oder eine ausschließlich in der Presse genannte Zahl hebt die Bewertung nicht an. Primärquelle ist ein Dokument eines Unternehmens oder einer Behörde, ein Rechtsakt oder eine Veröffentlichung der Autoren der Implementierung; die Fachpresse diente nur zum Auffinden von Quellen.
P2/N2P3/N1P4/N2P4/N3L/N1
Auswahlkriterien
Vorbedingung W0: Die Quelle beschreibt ausdrücklich eine Methode der KI oder des maschinellen Lernens. Jedes Kriterium wurde auf einer Skala von 0–2 mit gleichem Gewicht bewertet; bei Gleichstand entscheidet die höhere Bewertung in K2, danach in K3.
K1Industrieller Maßstab0 – Labor oder einzelner Pilotversuch · 1 – ein Werk · 2 – mehrere Werke oder über 1 000 Einheiten
K2Zuordnung des Effekts0 – P4 · 1 – P2 oder P3 · 2 – P1
K3Quelle0 – nur Presse oder Anbieter · 1 – Unternehmensbericht oder staatliche Agentur · 2 – Veröffentlichung der Autoren der Implementierung oder Bewertung durch Dritte
K4Übertragbarkeit0 – Einzellösung · 1 – beschriebene Methode · 2 – Methode kommerziell verfügbar oder in einem anderen Werk wiederholt
K5Bedeutung für die Wertschöpfungskette0 – marginal · 1 – Qualität oder Kosten eines Kettenglieds · 2 – Energie, Emissionen oder Metallkreislauf im Branchenmaßstab
Tabelle 1. Bewertungsmatrix der Anwendungsklassen
Anwendungsklasse
W0
K1
K2
K3
K4
K5
Summe
Ergebnis
Al-Elektrolyse – Soft-Sensoren und Störungserkennung
ja
2
1
2
2
2
9
TOP 1
Schrottsortierung – Sensorkaskade mit KI
ja
2
0
1
2
2
7
TOP 2
Maschinelles Sehen und Prädiktion an Linien
ja
2
0
1
2
1
6
TOP 3
Kurzschlusserkennung in der Kupferraffinationselektrolyse
nein
2
0
1
1
2
6
nicht qualifiziert – Quellen nennen keine KI
Flotation – Hybridmodell und MPC
ja
2
1
2
1
1
7
außerhalb des Untersuchungsrahmens (Bergbau) – Hintergrund
Branchensprachmodelle und Agenten
ja
1
0
1
1
1
4
Ausblick 2027
TOP 3 weist von den drei hervorgehobenen Klassen das niedrigste Evidenzniveau auf: Die Platzierung ergibt sich aus der Zahl unabhängiger Implementierungen (K1) und der Verfügbarkeit der Technologie (K4), nicht aus der Stärke der Evidenz. Die Kurzschlusserkennung in der Kupferraffinationselektrolyse hat dieselbe Summe (6), erfüllt aber die Vorbedingung W0 nicht – die Quellen nennen keine KI-Methode – und wird daher nicht gereiht.
Abbildung 1. Wertschöpfungskette der Nichteisenmetalle und Einsatzorte der Anwendungen TOP 1–3
Eigene Darstellung, Prinzipschema. Grüne Umrandung: Kettenglieder mit Anwendungen TOP 1–3; grüne Pfeile: Sekundärkreislauf. Die Beschriftungen nennen die Methodenklassen, die in den 21 aufgenommenen Fällen am häufigsten beschrieben sind.
TOP 1
Aluminiumelektrolyse
Soft-Sensor und Störungserkennung in Elektrolysezellen
Ein auf stündlichen Zelldaten trainiertes Modell ergänzt die seltene Messung der Elektrolyttemperatur und zeigt Anoden an, die einen Eingriff erfordern; so verkürzt es die Dauer der Störung, die die Stromausbeute senkt.
Werk
Umfang
Methode
Ergebnis
Bewertung
EGA – Jebel Ali und Al Taweelah (VAE)
1 572 Zellen in Jebel Ali und 1 020 ausgewählte Zellen in Al Taweelah; 30 % als Referenz für die Nutzenbewertung belassen
Random Forest (Klassifikation und Regression), bayessches Tuning; über 30 stündlich aggregierte Parameter; Soft-Sensor für die Elektrolyttemperatur (Messung mit Thermoelement alle 48 h), mittlerer Fehler 4,4 °C
Erkennung von Anodenstörungen in weniger als einer Schicht statt in 2–3 Tagen (gegenüber der bisherigen Praxis); „auditierte“ Zuwächse von 3 050–9 070 t Metall – Spanne abhängig von der Zelltechnologie, ohne Zeitraum und ohne Angabe des Auditors
RBF-Netz auf Basis der Ströme einzelner Anoden zur Erkennung falsch gesetzter Anoden (2018); Modell des Niederspannungs-Anodeneffekts, kalibriert mit CF₄-Messungen (2020)
keine Betriebsergebnisse; Niederspannungs-Anodeneffekte verursachen bei einem Teil der Zellbauarten bis zu 50 % der PFC-Emissionen
Die Werte aus [1] bedürfen der Präzisierung: Recall 75 % und Precision 35 % stammen aus einer retrospektiven Validierung an Daten aus drei Monaten für 57 geschichtet ausgewählte Zellen, nicht aus einer prospektiven Messung; die Veröffentlichung beschreibt die Auswahl der Referenzgruppe nicht. Die Hütte Al Taweelah wurde im März 2026 beschädigt; laut Reuters (26.08.2026) wurden 315 von 1 262 Zellen wieder in Betrieb genommen, die volle Produktion ist für das 1. Quartal 2027 vorgesehen [31] – die Ergebnisse in der Tabelle stammen aus der Zeit vor diesem Ereignis. Der Ausschluss des Falls Chalco Guizhou ist in Tabelle 2 begründet.
Abbildung 2. Elektrolysezelle mit Datenschicht und Beratungsschleife
Eigene Darstellung auf Basis von [1], Prinzipschema, nicht maßstäblich. Elektrolyttemperatur als Richtwert, abhängig von der Zusammensetzung (AlF₃-Überschuss). Der Regelkreis schließt sich über den Bediener – das Modell steuert die Zelle nicht direkt.
Für das Management
Wertmechanismus: Eine Tage früher erkannte Anodenstörung dauert kürzer, und jede Stunde der Störung senkt die Stromausbeute; der Effekt summiert sich über Tausende von Zellen.
Bei einem Energieverbrauch von ca. 13 500 kWh/t (DC) entspricht eine Steigerung der Stromausbeute um 1 Prozentpunkt ca. 140 kWh/t und eine Senkung der Spannung um 10 mV ca. 32 kWh/t.
Das Industrie-4.0-Programm bei EGA erbrachte laut Unternehmen seit 2021 einen Nutzen von ca. 100 Mio. USD; die Zahl betrifft das gesamte Programm, nicht ein einzelnes Modell [7]. Die Quellen legen weder Investitionen noch Amortisationsdauer offen.
Einstiegsvoraussetzung: ein Historian mit stündlichen Daten aus mehreren Jahren und Verfahrensingenieure, die Alarme verifizieren.
Für Ingenieure
Phänomen
Anodenspitze (spike) – eine Auswölbung an der Anodenunterseite, die sich dem Metall nähert oder es berührt: Der Abstand Anode–Kathode sinkt, Anodenstrom und Temperatur steigen, die Stromausbeute fällt. Der Anodeneffekt ist das Absinken der Al₂O₃-Konzentration unter ca. 1,5–2 Gew.-%, ein Spannungssprung (oder ein Niederspannungsverlauf) und die Emission von CF₄ und C₂F₆ – ein anderes Problem und andere Modelle.
Daten
Zellspannung, Anodenströme (Spannungsabfall am Anodenstiel), Dosierung, Bedienereignisse; Labels aus der Störungshistorie; Thermoelement alle 48 h als Zielgröße des Soft-Sensors. Den Fehler von 4,4 °C auf die Überhitzung des Elektrolyten beziehen (meist 5–15 K), die mitunter die eigentlich geeignete Zielgröße ist.
Modell
Baumensemble (Random Forest) – stabil bei geringer Zahl von Ereignissen und leicht erklärbar; bayessches Tuning
Metriken
Recall 75 % bei Precision 35 % (F1 ≈ 0,48) – auf eine tatsächliche Störung kommen im Mittel ca. 2 Fehlalarme; laut den Autoren ist das Sondieren der Anode nach einem Alarm kostengünstig, ein Kostenverhältnis wird nicht angegeben. Zu berichten sind Prüfaufwand pro Schicht, Verteilung der Alarmvorlaufzeit und PR-AUC, nicht die „Genauigkeit“.
Umrechnung
WDC [kWh/t] ≈ 2980 · U [V] / η; Annahme η ≈ 94 %, U ≈ 4,26 V; DC-Energie an den Stromschienen der Zelle, AC um ca. 2–3 % höher durch Gleichrichterverluste
Validierung
zeitliche Aufteilung der Daten (keine zufällige – Informationsleck); Test außerhalb des Trainingszeitraums getrennt für jede Zelltechnologie; Schattenbetrieb vor dem Beratungsmodus; KPI im Voraus festgelegt; Referenzgruppe mit beschriebener Auswahl
Integration
Dashboard im Leitstand, Sprachalarm und SMS, Auftrag an das Bedienpersonal der Ofenlinie oder im CMMS, Verknüpfung mit dem Anodenwechselplan; Schließen des Regelkreises erst nach der Beratungsphase
Latenz
Entscheidung im Bereich von Minuten bis zu einer Stunde – zentrale Inferenz genügt
Zur Reproduktion
Zahl gelabelter Ereignisse und Klassenverhältnis, Zeitraum und Aufteilung der Daten, Häufigkeit des Nachtrainings, Art der Auswahl der Referenzzellen
Einschränkungen. Der Metallzuwachs in [1] ist als Spanne zwischen Zelltechnologien angegeben, ohne Zeitraum – er darf weder auf ein Jahr umgerechnet noch summiert werden. Die Ergebnisse betreffen Zellen mit 230–465 kA; eine Übertragung auf eine andere Technologie erfordert erneutes Training und eine eigene Referenzgruppe.
TOP 2
Recycling
Sensorkaskade mit Deep Learning bei der Sortierung von Aluminiumschrott
Die Röntgentransmission trennt Materialien nach der effektiven Ordnungszahl, ein neuronales Netz sondert anhand des Bildes Gussteile und Verunreinigungen aus, und die Laserspektroskopie ordnet das Stück einer Legierungsserie zu. Erst die Kombination dieser Stufen liefert Einsatzmaterial für Bleche und Profile.
Akteur
Rolle der KI
Maßstab und Ergebnis
Bewertung
Novelis – Berea (USA) mit EverestLabs
KI und Robotik für Sortierung, Rückverfolgung und Analyse von Schrott (RecycleOS); Pilotversuch
seit 09.2024 über 2 Mio. identifizierte und über 1 Mio. entfernte Verunreinigungen – eine Zahl ohne Bezugsgröße (Tonnage, Zeit, Änderung der Reinheit), kein Maß für die Wirksamkeit; Recyclinganteil in Novelis-Flachwalzprodukten 63 % (FY25)
aus einem Einsatz von 100 % Twitch wurden 40 % Knetaluminium in Form der Legierungen 5xxx und 6xxx abgetrennt; Testergebnis, ohne Reinheit und ohne definierte Bezugsbasis
Deep Learning auf RGB-Bildern hinter dem XRT-Separator
bis zu 2 000 Auswürfe pro Minute; entfernt aus der Knetlegierungsfraktion niedriglegierte Gussteile, die XRT nicht von ihr unterscheiden kann; für Getränkedosen (UBC) bis zur 33-fachen Leistung der Handsortierung, Reinheit mindestens 98 %
Keine Quelle misst den Zuwachs an Reinheit oder Ausbringen, den die Deep-Learning-Stufe gegenüber einer Kaskade XRT + LIBS ohne KI beiträgt; der Anteil der KI am Ergebnis der Kaskade bleibt ungeklärt. Die Sensorschicht ohne Deep Learning arbeitet im industriellen Maßstab: Constellium hat in Neuf-Brisach über 6 000 t mittels LIBS in die Familien 5xxx und 6xxx sortierten Schrott bei einer Reinheit über 95 % umgeschmolzen (Stand 4. Quartal 2024) [6]; Hydro sortiert mit der HySort-Technologie u. a. in Dormagen (36 000 t jährlich) und in Nowa Sól [13].
Abbildung 3. Sortierkaskade für Aluminiumschrott: XRT, Deep Learning, LIBS
Eigene Darstellung auf Basis von [9], [10], [12], Prinzipschema. In der Praxis ist jede Station ein eigener Sortierer mit Auswurf im Flug hinter dem Bandende; das gemeinsame Band ist eine Vereinfachung. Reihenfolge der Stationen gemäß dem Test von TOMRA und Novelis; Zusammensetzung der Fraktionen als Richtwert.
Für das Management
Der Wert liegt in der Differenz zwischen dem Preis von Mischschrott und Einsatzmaterial mit bekannter Legierung: Sortierter Schrott kann in dasselbe Erzeugnis zurückkehren statt in Gussteile.
Ein Produkt mit garantiertem Anteil an Altschrott (z. B. Hydro CIRCAL, mindestens 75 %) erfordert die Sortierung nach Legierungen als Voraussetzung für das Angebot [13].
Bei der Beschaffung einer Kaskade mit KI die Messung von Reinheit und Ausbringen je Fraktion verlangen, aufgeschlüsselt nach dem Beitrag jeder Station – Anbieter veröffentlichen dies derzeit nicht.
Die Quellen legen weder Investitionen noch Amortisationsdauer offen.
Für Ingenieure
Vorbereitung
Zerkleinerung, Magnet- und Wirbelstromscheidung, Siebung; Vereinzelung der Stücke – Voraussetzung für die Messung eines Einzelobjekts
Entscheidung
in der Kaskade entscheidet jede Station separat; Fusion auf Objektebene (LIBS + RGB-D an einer Station, [12]) ist ein Laborergebnis
Sensoren
XRT erkennt die Legierungsserie nicht; XRF erfasst Mg und Si schlecht; LIBS misst Mg, Si und Li, aber nur die Oberflächenschicht – Reinigungsimpulse entfernen Beschichtungen
Labels
Goldstandard-Satz von Stücken mit OES-Analyse (Funkenspektrometrie) oder Hand-LIBS; XRF nur für Cu, Zn, Fe, Mn; Übereinstimmung der Annotatoren; erneute Validierung nach Wechsel des Schrottlieferanten; letztlich Analyse des flüssigen Metalls beim Schmelzen
Latenz
Beispiel: Band mit 3 m/s und 0,4 m bis zum Auswerfer ergeben ca. 130 ms für Messung, Inferenz und Auswurf; Inferenz in der Größenordnung von 10–20 ms
KPI
Reinheit der Fraktion, Ausbringen (Metallrückgewinnung in die richtige Fraktion), t/h, Anteil der Stücke ohne Entscheidung
Zur Reproduktion
Zusammensetzung und Herkunft des Einsatzmaterials, Körnung, Bandgeschwindigkeit, LIBS-Frequenz, Methode der Reinheitsmessung
Einschränkungen. Die Zahlen von TOMRA beziehen sich auf Tests und sind eine Anbieterangabe. Das Ergebnis von Novelis betrifft einen Pilotversuch in einem Werk. Keine Quelle legt die Rechenhardware am Netzwerkrand (Edge) offen.
TOP 3
Hütte, Raffination und Verarbeitung
Maschinelles Sehen und Prädiktion an der Linie – von der Anode bis zum Band
Eine Kamera mit Modell an der Linie ersetzt die Stichprobenkontrolle durch die Kontrolle jedes Stücks, und ein prädiktives Modell zeigt den Zustand der Linie vor einer Störung an. Dies ist die in der Übersicht am häufigsten beschriebene KI-Klasse – und die am schwächsten mit Zahlen belegte.
Werk
Stufe
Anwendung
Ergebnis
Bewertung
EGA (VAE)
Kohlenstoffanoden (Al-Elektrolyse)
KI-Bildverarbeitung am Edge, Netz trainiert auf 100 000 Bildern
laut Plattformanbieter: Kontrolle von 100 % der Anoden statt 1,5–2,5 %, 10- bis 13-mal schnellere Reaktion
über 50 KI- und ML-Modelle im Jahr; Zuverlässigkeitsmodelle für über 700 kritische Anlagen; kamerabasierte Oberflächenprüfung von Kathoden bei Birla Copper Dahej
„KI + maschinelles Sehen“ zur automatischen Fehlererkennung in zentralen Prozessstufen; Projekt im MIIT-Verzeichnis der Fabriken der „Exzellenzklasse“ (2024)
Abbildung 4. Bandinspektion an der Linie: Kamera, Edge-Modell, Fehlerkarte, Qualitätsschleifen
Eigene Darstellung – Referenzarchitektur auf Basis der Fälle [14]–[17] und [41], Prinzipschema; bildet kein bestimmtes Werk ab. Auflösung und Latenz werden nach der Liniengeschwindigkeit und dem kleinsten kritischen Fehler in der Kundenspezifikation gewählt.
Für das Management
Die Kontrolle jedes Stücks verändert die Ökonomie der Reklamationen: Der Fehler ist dem Coil und der Position zugeordnet, und die Entscheidung fällt vor dem Versand.
In den Primärquellen fehlt ein Verarbeiter, der einen gemessenen KI-Effekt für eine benannte Linie veröffentlicht hat.
Bei der Beschaffung eines Systems Kennzahlen je Fehlerklasse und eine Abnahme auf den Daten des Werks (FAT und SAT) verlangen, nicht allgemeine Zusicherungen.
Die Quellen legen weder Investitionen noch Amortisationsdauer offen.
Für Ingenieure
Erfassung
Zeilenkameras oben und unten; Pixel nicht größer als 1/3 des kleinsten kritischen Fehlers; für helle Al- und Cu-Oberflächen diffuses oder koaxiales Licht; Emulsion und Öl erzeugen Fehlalarme; am Warmband Schutzgehäuse und Kühlung
Latenz
Zeilenfrequenz der Kamera = Geschwindigkeit / Pixel, z. B. 20 m/s bei 0,2 mm ergibt 100 kHz; Markierung unter 1 s; Sollwertanpassungen im Minuten- bis Stundenbereich
Modell
Erkennung und Klassifizierung von Fehlern; seltene Klassen durch synthetische Bilder und aktives Labeln ergänzen; Bildprüfplatz für den Bediener als Quelle von Labels
KPI
Recall für kritische Fehler bei vorgegebener Zahl von Fehlalarmen pro Kilometer Band; Abdeckung von 100 % der Oberfläche
Integration
Fehlermetadaten (Coil-ID, Position, Klasse, Konfidenz) über OPC UA (Machine Vision, OPC 40100) oder MQTT; Bilder in einem Objektspeicher; Position aus der Level-2-Automatisierung; Genealogie nach ISA-95 (B2MML); bei Modellausfall wird der Abschnitt im MES als „ohne Inspektion“ markiert
Prädiktion
für Walzdrahtlinien und Pressen – Modelle für anomale Zustände auf Basis von Prozessdaten; Sollwertberater wie im Projekt Constellium Valais
Einschränkungen. Die Kennzahlen von EGA für die Anodenkontrolle stammen vom Anbieter der Cloud-Plattform. Die Zahlen von Ningbo Jintian (Ausbringen +2 %) stammen ausschließlich aus einem Presseinterview und wurden nicht berücksichtigt. Das Projekt Constellium Valais ist ein Preprint ohne bestätigten Produktionsstatus.
Ningbo Powerway: fünf digitale KI-Agenten auf Unternehmensebene, auch in der Produktion eingesetzt; Wissensgraph zum Legierungsprozess; Multi-Agenten-Plattform für F&E
regelbasiertes System, Vergleich „vorher – nachher“, physikalisch unmögliche Zahlen – z. B. 2,2 t Al pro Tag aus einer Zelle mit 230 kA, die bei 100 % Stromausbeute ca. 1,85 t liefert [5]
K3
Codelco – Chuquicamata, Ministro Hales
die Quelle beschreibt „fortgeschrittene Analytik und mathematische Algorithmen“, keine KI
W0
Freeport – Laugung (214 Mio. Pfund Cu jährlich)
das Unternehmen schreibt das Ergebnis der „Datenanalytik“ zu, nicht der KI
W0
Tongling Jinguan – Kurzschlüsse in der Kupferraffinationselektrolyse; System ESCD
Thermografie und digitaler Zwilling; die Quellen nennen keine KI [32][33]
W0
Constellium (LIBS), Hydro HySort, Gerhard Lang, STEMIN
sensorgestützte Sortierung ohne Hinweis auf KI – als Kontext in TOP 2 berücksichtigt
W0
Aurubis – Probenahme in Lünen und Hamburg; Sensoren in Olen
Automatisierung, Robotik und vorausschauende Instandhaltung ohne Hinweis auf KI
W0
Boliden Kokkola – Anodenreinigung
maschinelles Sehen ohne Hinweis auf KI
W0
Hindalco – Erkennung des Pressrests an der Presse
Schwingungen und SPS, keine KI
W0
Apple – Linie Cora und Demontageroboter
der Bericht nennt keine KI; Unterhaltungselektronik
W0
Siemens Industrial Copilot
kein benannter Kunde aus der Nichteisenmetallindustrie
China: Im MIIT-Verzeichnis intelligenter Fabriken der „Exzellenzklasse“ (2024) stehen 10 Werke der Nichteisenmetallindustrie, u. a. die Aluminiumelektrolyse Yunnan Wenshan („KI-basierte Steuerung“), die Kupferhütte von Jiangxi Copper und Ningbo Jintian („KI + Big Data“) [16].
Architektur
Gemeinsames Gerüst der drei Anwendungen
Die Fälle der TOP 3 unterscheiden sich in den Sensoren, haben aber denselben Schichtaufbau. In den Veröffentlichungen fehlt am häufigsten die Schicht der Wertmessung.
Abbildung 5. Referenzarchitektur für KI in einem Werk der Nichteisenmetallindustrie
Eigene Darstellung auf Basis der Fälle [1], [8], [14]–[19], [41], Prinzipschema. Schicht 7 ist nur in der Veröffentlichung von EGA [1] explizit beschrieben.
Polen und EU
Wo die Branche steht
Im Jahr 2025 setzten 14,3 % der Unternehmen der Abteilungen C24–C25 in der EU und 7,2 % in Polen KI ein [28]. In den Produktionsprozessen selbst lagen die Anteile bei 2,98 % in der EU und 2,42 % in Polen; Eurostat veröffentlicht dafür keine Konfidenzintervalle, daher sollte der Unterschied ohne diese nicht interpretiert werden.
Abbildung 6. Anteil der Unternehmen (10+ Beschäftigte), die mindestens eine KI-Technologie einsetzen, 2024 und 2025
Quelle: Eurostat, Datensätze isoc_eb_ai (insgesamt) und isoc_eb_ain2 (nach NACE-Abschnitten), Aktualisierung 15.06.2026 [28]. Die Abteilungen C24–C25 umfassen zusammen die Metallerzeugung – einschließlich Eisen und Stahl – sowie die Herstellung von Metallerzeugnissen und sind für Nichteisenmetalle allein nicht repräsentativ; Daten für die Gruppe 24.4 veröffentlicht Eurostat nicht.
Ausblick 2027
Was das Jahr 2027 verändert
Zehn Entwicklungen. Bei jeder ist die Art der Grundlage angegeben: verbindliches Recht, Förderaufruf, staatliches Politikziel, Prognose des Teams oder Ankündigung des Anbieters.
Abbildung 7. Termine 2026–2028 mit Bedeutung für Daten und KI in Werken der Nichteisenmetallindustrie
Quellen [23]–[27], [29], [34], [38]. Termine der KI-Verordnung gemäß Verordnung (EU) 2026/1744; Maschinenverordnung – Datum nach Berichtigung (ABl. L 169 vom 04.07.2023). Die Pflichten zur Meldung von Schwachstellen nach der CRA gelten ab 11.09.2026.
Verbindliches Recht18.02.2027 · 31.12.2027
Batteriepass und Massenbilanz
Die Pflicht zum Batteriepass (Art. 77) trifft den Wirtschaftsakteur, der die Batterie in Verkehr bringt; für Recycler gelten die Zielvorgaben für die stoffliche Verwertung von Co, Cu, Ni und Pb (90 %) sowie Li (50 %) bis 31.12.2027. Ab 2028 (frühestens ab 18.08.2028) dokumentieren Hersteller von Industriebatterien mit einer Kapazität von mehr als 2 kWh, von Elektrofahrzeugbatterien und von Starterbatterien den Anteil an Co, Pb, Li und Ni, der aus Abfällen zurückgewonnen wurde (Art. 8) – die Daten stammen aus dem Recycling. Die Kommission bestätigte am 11.09.2026, dass sie die Zielvorgaben nicht ändert [24].
Vorzubereiten: Chargenkennungen vom Einsatzmaterial bis zum Erzeugnis, Massenbilanzmodell, Schnittstelle Asset Administration Shell (IEC 63278).
Verbindliches Recht01.02.2027 · 30.09.2027
CBAM und Auslaufen der kostenlosen Zuteilung
Die CBAM-Erklärung gibt der zugelassene CBAM-Anmelder für Einfuhren ab; der Mechanismus erfasst u. a. Aluminium, nicht aber Kupfer, Zink oder Blei [25]. Für Hersteller in der EU sind die Emissionsdaten der Lieferanten von Einsatzmaterial aus Ländern außerhalb der EU sowie das Auslaufen der kostenlosen Zuteilung im EU-EHS für CBAM-Sektoren in den Jahren 2026–2034 von Bedeutung [37].
Vorzubereiten: Messung von Energie und Emissionen auf Ebene von Anlage und Prozess, Prüfpfad für emissionsschätzende Modelle.
Verbindliches Recht21.05.2027
Abfallausfuhr in Nicht-OECD-Staaten
Ab 21.05.2027 ist die Ausfuhr nicht gefährlicher Abfälle in Nicht-OECD-Staaten nur in Staaten zulässig, die in der Liste der Kommission aufgeführt sind; der Listenentwurf stand vom 18.09. bis 16.10.2026 zur Konsultation [38]. Mehr Schrott wird in der EU verbleiben – die Bedeutung der Sortierung bis auf Legierungsebene wächst.
Vorzubereiten: Prognose des Schrottaufkommens nach Fraktion und Qualität, Sortierkapazitäten.
Förderaufruf02.02.2027
Hybridmodelle und energetische Flexibilität der Elektrolyse
TRIMET hat in Essen 120 Zellen so umgebaut, dass sich die Leistungsaufnahme der Ofenlinie um ±25 % regeln lässt [35]; kritische Größe ist die Dicke des erstarrten Elektrolyten an den Seitenwänden, die das Modell schätzen muss. Der Förderaufruf MAT-PROD-32 von Horizont Europa finanziert erneuerbare Energie und Energiemanagement in der Prozessindustrie [29].
Vorzubereiten: hochaufgelöste Zeitreihen aus 2–3 Jahren; von Verfahrensingenieuren festgelegte Sicherheitsgrenzen der Zelle.
Prognose des Teams2026–2027
Sortierung mit KI in Industrielinien
Anbieter erweitern Deep-Learning-Plattformen auf weitere Fraktionen, u. a. Kupfer-Stahl-Verbundteile im Stahlschrott [10]. Einen Vorteil gewinnt das Werk, das Reinheit und Ausbringen unabhängig misst.
Vorzubereiten: Referenzproben, Validierung beim Schmelzen, in der Bestellung festgelegte Pflicht zur Berichterstattung über Kennzahlen je Fraktion.
Ankündigung des Anbietersab 2026
KI-Agenten unter Aufsicht
Anbieter von Leitsystemen führen KI-Agenten zur Analyse von Prozessdaten ein [39]; Horizont Europa förderte 2026 KI in der Prozessindustrie, einschließlich Agenten (Förderaufruf geschlossen). Grundsatz: Der Agent schlägt vor, der Mensch genehmigt Maßnahmen, die den Prozess beeinflussen.
Vorzubereiten: kontrollierte APIs zu Historian, MES und CMMS; Register der KI-Anwendungen; ein Verantwortlicher für jeden Agenten.
Verbindliches Recht03.04.2027 · 11.12.2027
OT-Cybersicherheit als Voraussetzung für KI
Die Novelle des polnischen Gesetzes über das nationale Cybersicherheitssystem (KSC) (Dz.U. 2026 poz. 252, in Kraft seit 03.04.2026) gibt wesentlichen und wichtigen Einrichtungen 12 Monate für die Pflichten aus Kapitel 3 [34]; die Cyberresilienz-Verordnung (CRA) gilt für Hersteller von Geräten und Software ab 11.12.2027 vollständig [26].
Vorzubereiten: Segmentierung nach IEC 62443, Inventarisierung von Geräten und Modellen, Update-Klauseln in Beschaffungsverträgen.
Ankündigung des Anbieters20.01.2027 · 02.08.2028
Digitaler Zwilling der Halle – zuerst ein Pilot
Plattformen für Fabrikzwillinge wurden 2025 angekündigt [40], ohne Referenzen in der Nichteisenmetallindustrie. KI als Sicherheitsbauteil einer Maschine wird nach der Maschinenverordnung bewertet (anwendbar ab 20.01.2027); die Pflichten aus der KI-Verordnung gelten für solche Systeme ab 02.08.2028 [23][26].
Vorzubereiten: 3D-Modelle der Hallen, Daten von Kranen; Rechenleistung der KI-Fabriken PIAST-AI (Posen) oder Gaia (Krakau).
Staatliches PolitikzielChina · 2027
China: KI als Element der Industriepolitik
Der Plan „KI + Fertigung“ des MIIT (279号, 12.2025) sieht bis 2027 1 000 industrielle Agenten, 100 Datensätze und 500 typische Szenarien vor, darunter Branchenmodelle für Nichteisenmetalle; der Plan für Aluminium (03.2025) verlangt von neuen Kapazitäten einen Verbrauch von höchstens 13 000 kWh/t (AC, bezogen auf Flüssigaluminium) [36].
Verbindliches Rechtab 02.02.2025 · 02.12.2027
KI-Kompetenz und KI-Verordnung im Werk
Art. 4 der KI-Verordnung verlangt Maßnahmen zur Förderung der KI-Kompetenz des Personals. Typische Anwendungen aus den TOP 3 gehören nicht zu den Hochrisiko-KI-Systemen nach Anhang III; von Bedeutung ist Anhang I, wenn KI ein Sicherheitsbauteil einer Maschine ist (ab 02.08.2028) [23]. Im Jahr 2025 setzten 92,8 % der polnischen Unternehmen der Abteilungen C24–C25 keine KI ein [28].
Vorzubereiten: rollenbezogene Schulungen; eine Richtlinie zur Nutzung von KI-Modellen mit allgemeinem Verwendungszweck ohne Weitergabe von Prozessdaten.
Grenzen der Schlussfolgerungen
Einschränkungen der Übersicht und was die Bewertung ändern würde
Einschränkungen der Übersicht
Publikationsbias: Unternehmen legen erfolgreiche Implementierungen offen, gescheiterte Pilotversuche bleiben unveröffentlicht; das Fehlen negativer Fälle bedeutet nicht, dass es keine gibt.
Von Unternehmen und Anbietern berichtete Ergebnisse wurden – mit Ausnahme der gekennzeichneten – nicht unabhängig verifiziert.
Die Übersicht begünstigt Werke mit ausgebauter Kommunikation; Global Lighthouse des WEF ist ein bewerbungsbasiertes Programm.
Chinesische Quellen sind hauptsächlich über Nachrichtenagenturen und amtliche Verzeichnisse zugänglich, was die Vergleichbarkeit verringert.
Die Bewertung erfolgte ohne Präregistrierung des Protokolls.
Was die Bewertung ändern würde
Ein Verarbeiter veröffentlicht ein Ergebnis von maschinellem Sehen oder Prädiktion mit Kontrollgruppe – TOP 3 steigt auf oder wird ersetzt.
Eine unabhängige Messung der Reinheit einer Kaskade mit KI bestätigt einen Zuwachs gegenüber LIBS allein – stärkt TOP 2.
Die Kurzschlusserkennung in der Kupferraffinationselektrolyse wird als KI-Methode mit Ergebnis beschrieben – sie wird Kandidat für TOP 3.
Es erscheinen Daten über gescheiterte Implementierungen von Soft-Sensoren – schwächt TOP 1.
Glossar
Begriffe
Soft-Sensor
Modell, das eine selten oder aufwendig gemessene Größe (z. B. die Elektrolyttemperatur) aus kontinuierlich gemessenen Größen schätzt.
Anodenspitze und Anodeneffekt
die Spitze ist eine Auswölbung der Anode, die sich dem Metall nähert (Verlust an Stromausbeute); der Anodeneffekt ist die Folge der Verarmung an Al₂O₃ (Spannungssprung, PFC-Emission).
MPC
modellprädiktive Regelung: Optimierung der Sollwerte über einen Zeithorizont unter Prozessbeschränkungen.
Hybridmodell
Verbindung von Gleichungen der Prozessphysik mit maschinellem Lernen; verhält sich außerhalb des Bereichs der Trainingsdaten meist besser, sofern der physikalische Teil korrekt ist.
LIBS
laserinduzierte Emissionsspektroskopie: Elementzusammensetzung der Oberflächenschicht eines Stücks (wenige µm) in Millisekunden – daher die Empfindlichkeit gegenüber Beschichtungen; Dynamic LIBS nutzt Reinigungsimpulse.
XRT
Röntgentransmission bei zwei Energien: unterscheidet Materialien nach der effektiven Ordnungszahl, unabhängig von der Dicke des Stücks.
Recall und Precision
Anteil der erkannten tatsächlichen Ereignisse sowie Anteil zutreffender Alarme an allen Alarmen.
Edge-Inferenz
Ausführung des Modells auf einem Rechner an der Linie – mit kurzer, vorhersehbarer Latenz, ohne Abhängigkeit von Netzverbindung und Cloud.
Referenzgruppe
Einheiten ohne Implementierung, die im selben Zeitraum mit Einheiten mit Implementierung verglichen werden – Grundlage für die Zuordnung des Effekts.
Quellen
Literatur
Format: Autor oder Institution, Jahr, Titel, Verlag bzw. Herausgeber; Adresse; Quellentyp. Zugriff auf die Adressen: 25.10.2026.
[1]Aljabri N. et al. (2022). Advanced Process Control with Smart Smelter Sensors at EGA. Travaux ICSOBA 51, S. 1049–1060. icsoba.org· Konferenz · N2
[2]World Economic Forum (2025). Global Lighthouse Network 2025, S. 44. reports.weforum.org· Bewertung durch Dritte · N1
[3]Côté P., Guérard S. et al. (Rio Tinto) (2018). Travaux ICSOBA, AL02. icsoba.org· Konferenz · N2
[4]Allano B. et al. (Rio Tinto) (2020). Smelter 4.0. Travaux ICSOBA, AL02. icsoba.org· Konferenz · N2
[12]Díaz-Romero D. J. et al. (2023). Resources, Conservation & Recycling 190, 106865. doi:10.1016/j.resconrec.2023.106865 doi.org· Fachzeitschrift · N1
[13]Hydro (25.09.2024). Hydro and PADNOS start advanced aluminium scrap sorting operations in the U.S.; Standortseiten Dormagen und Nowa Sól. hydro.com· Unternehmen · N2
[16]MIIT (2024). Verzeichnis der Projekte intelligenter Fabriken der „Exzellenzklasse“, Tranche I, Pos. 229; Ningbo Jintian, Geschäftsbericht 2025, S. 19–21. miit.gov.cn· Behörde und Unternehmen · N2
[17]Southwire (2025). 2025 Sustainability Report, S. 22, 25, 56. southwire.com· Unternehmen · N2
[18]HES-SO Valais, Idiap, Constellium Valais (2021–2022). Projekt P3 – Press Pressure Prediction; Preprint SSRN (2024), doi:10.2139/ssrn.4741197. idiap.ch· Forschungsinstitut · L
[19]Glibovets et al. (2025). Tsvetnye Metally Nr. 6, doi:10.17580/tsm.2025.06.12. rudmet.ru· Fachzeitschrift · N1
[20]Freeport-McMoRan (2023). 2022 Climate Report, S. 27 und 32. fcx.com· Unternehmen · N2
[21]KGHM Polska Miedź (28.12.2022). Sztuczna inteligencja wspiera wytop miedzi w HM Głogów. media.kghm.com· Unternehmen · N2
[22]Xinhua (27.12.2025). Modell „Kun’an“ 2.0. news.cn· staatliche Agentur · N2†
[23]Verordnung (EU) 2024/1689 (KI-Verordnung) in der Fassung der Verordnung (EU) 2026/1744. eur-lex.europa.eu· Rechtsakt
[30]MIIT (03.2025). Verzeichnis typischer Anwendungsfälle von KI in der neuen Industrialisierung; Keji Ribao, Nachdruck 11.06.2026: Modell „绿铝云慧鉴“. finance.sina.com.cn· Behörde und Staatspresse · N2†
[31]Reuters (26.08.2026). EGA restarts quarter of Al Taweelah smelter (Nachdruck Kitco). kitco.com· Nachrichtenagentur · Kontext
[32]Lindthaler M., Filzwieser A. (2025). Digitalized state-of-the-art short-circuit detection (ESCD). 12th International Copper Conference, Springer. doi:10.1007/978-3-032-00102-3_23 doi.org· Konferenz
[34]Gesetz vom 23.01.2026 zur Änderung des Gesetzes über das nationale Cybersicherheitssystem sowie einiger anderer Gesetze, Dz.U. 2026 poz. 252. api.sejm.gov.pl· Rechtsakt
[35]TRIMET Aluminium SE (2019). Geschäftsbericht 2018/19: „virtuelle Batterie“, Essen. trimet.eu· Unternehmen · Hintergrund vor dem Betrachtungszeitraum
[36]MIIT et al. (12.2025). 《“人工智能+制造”专项行动实施意见》, 工信部联科〔2025〕279号; 《铝产业高质量发展实施方案（2025–2027年）》 (28.03.2025). gov.cn· Regierungsdokument
[37]Richtlinie (EU) 2023/959 zur Änderung der Richtlinie 2003/87/EG (EU-EHS), Art. 10a Abs. 1a. eur-lex.europa.eu· Rechtsakt
[38]Verordnung (EU) 2024/1157 über die Verbringung von Abfällen (Abfallverbringungsverordnung), Art. 39–41; Europäische Kommission, Konsultation „Ihre Meinung zählt“ 14861 (Ares(2026)8858290). eur-lex.europa.eu· Rechtsakt
[39]ABB (17.04.2026). Pressemitteilung: Agentic AI in Genix Datalyzer und My Measurement Assistant+. new.abb.com· Anbieter · N3
[40]NVIDIA (06.01.2025; 28.10.2025). Mega Omniverse Blueprint; Siemens als erster Anbieter von Zwillingssoftware, die dem Blueprint entspricht. nvidianews.nvidia.com· Anbieter · N3
[41]Hindalco Industries (2026). Integrated Annual Report 2025-26, S. 86–87. hindalco.com· Unternehmen · N2
[42]Tongling Jingda Special Magnet Wire (2026). Geschäftsbericht 2025, S. 11–12; MIIT (2023), Verzeichnis der Demonstrationsfabriken, Pos. 52. static.cninfo.com.cn· Unternehmen · N2
[43]Ningbo Powerway Alloy Material (2026). Geschäftsbericht 2025, S. 11–12. static.cninfo.com.cn· Unternehmen · N2
Angaben zur Studie
Version, KI-Einsatz, Interessen, Korrekturen
Version 0.9, Stand: 25.10.2026. Jeder Fall im Register trägt das Datum der letzten Verifizierung; Überprüfung des Gesamtwerks alle 6 Monate, nächste bis 30.04.2027.
Einsatz von KI-Werkzeugen bei der Erstellung
Die Quellenrecherche in sechs Sprachen, Zusammenfassungen von Dokumenten und die erste Textfassung entstanden unter Mitwirkung von KI-Werkzeugen – großen Sprachmodellen, die als Such- und Analyseagenten arbeiten.
Jede Zahl und jedes Datum wurde im geöffneten Quelldokument überprüft. Sechs Faktenaudits, das technische Audit und die wissenschaftliche Begutachtung erfolgten ebenfalls unter Einsatz von KI-Werkzeugen; Abweichungen wurden anhand der Primärquelle entschieden.
Untersuchungsrahmen, Kriterien K1–K5, Evidenzbewertungen P/N und der endgültige Wortlaut wurden nach redaktioneller Prüfung festgelegt.
An KI-Werkzeuge wurden weder Daten von Mitgliedern der Kammer noch nicht öffentliche Daten von Werken übermittelt – die Studie stützt sich ausschließlich auf öffentliche Quellen aus dem Literaturverzeichnis.
Die Abbildungen sind auf Grundlage der Quellen erstellte Prinzipschemata, keine von KI generierten Bilder.
Fehler, einschließlich einer falschen Zuordnung einer Zahl zu einer Quelle, können an die unten angegebene Adresse gemeldet werden; Korrekturen werden mit neuem Verifizierungsdatum in das Register aufgenommen.
Die Kammer vereinigt Unternehmen, von denen einige in der Studie genannt werden oder die beschriebenen Technologien einsetzen. Die Studie wurde nicht von Technologieanbietern finanziert.
Wir verwenden Cookies, die für den Betrieb der Website erforderlich sind. Mit Ihrer Einwilligung können wir außerdem Analyse-Cookies einsetzen, um zu verstehen, wie die Website genutzt wird. Sie können alle Cookies akzeptieren, optionale Cookies ablehnen oder Ihre Einstellungen festlegen. Mehr dazu in unserer Datenschutz- und Cookie-Richtlinie.