In der Atacama-Wüste betreibt SQM einen der größten Tagebaubetriebe der Welt. Jede Bewässerungsleitung, jeder Sprinkler und jede noch so geringe Temperaturschwankung kann die Abbauleistung beeinflussen. Bis vor Kurzem erfolgten diese Kontrollen jedoch manuell: Feldtechniker legten täglich kilometerlange Strecken zu Fuß oder mit dem Auto zurück, um nach Lecks und nicht angeschlossenen Sprinklern zu suchen.
Das Innovationsteam wollte schneller vorankommen. Sie benötigten Inspektionen, die nicht von menschlicher Ausdauer oder Verfügbarkeit abhingen. Sie wollten Daten, die ihnen jeden Morgen genau zeigten, wo sie handeln mussten. Dieser Bedarf führte sie zu Adentu, einem chilenischen Integrator, der sich auf Drohnenautonomie spezialisiert hat, und FlytBase, der Unternehmensautonomieplattform für unbeaufsichtigte, datengesteuerte Drohneneinsätze. Gemeinsam machten sie sich daran, eine Frage zu beantworten, die die meisten Industrieunternehmen noch immer beschäftigt: Wie lässt sich Autonomie vom Machbarkeitsnachweis in den alltäglichen Arbeitsablauf überführen?
Die Herausforderung
Jahrelang war der Inspektionsprozess von SQM durch den begrenzten Umfang eingeschränkt. Begehungen bedeuteten stundenlange Arbeit in der Wüstensonne, während Fahrten wenig Präzision und keine thermischen Informationen boten. Probleme blieben oft tagelang unentdeckt.
„Jede Stunde, die unsere Ingenieure mit Laufen verbrachten, war eine Stunde, in der wir das Problem nicht lösen konnten“, erinnerte sich Rodrigo Toler, stellvertretender Leiter der Abteilung für digitale Innovation bei SQM.
Drei Punkte stachen sofort ins Auge:
1. Inspektionslücken - Aufgrund der schieren Größe der Mine war es unmöglich, Lecks oder trockene Zonen schnell genug zu erkennen, um Effizienzverluste zu verhindern.
2. Verzögerte Rückkopplung - Bis ein nicht angeschlossener Sprinkler gefunden wurde, waren Teile des Haufens möglicherweise schon tagelang nicht bewässert worden.
3. Widerstand gegen Veränderungen - Die Einsatzteams vor Ort waren erfahren, pragmatisch und skeptisch gegenüber neuen Technologien, die zwar Effizienz versprachen, aber die Komplexität erhöhten.
Zur Bewältigung dieser Herausforderungen waren mehr als Drohnen erforderlich. Es galt, eine Autonomie zu entwickeln, die sich nahtlos in den Rhythmus des täglichen Betriebs von SQM integrieren ließ.
Die Lösung
Die Ingenieure von Adentu begannen klein: eine DJI-Dockingstation, eine Zone, ein Anwendungsfall. Ziel war nicht Skalierbarkeit, sondern Vertrauen. Wenn sie eine gleichbleibende Datenqualität und Betriebssicherheit nachweisen konnten, würde das System organisch wachsen.
FlytBase wurde zum zentralen Steuerungsorgan der Mission und plante die täglichen Flüge, verwaltete die Telemetrie, wickelte automatische Bildübertragungen ab und führte Fernüberwachungen durch. Die Drohnen erfassten RGB- und Wärmebildaufnahmen und sendeten diese an FlytBase, das sie anschließend zur maschinellen Lernanalyse an die Azure-Umgebung von SQM weiterleitete.
Adentu entwickelte eine Middleware, die einen nahtlosen Datenaustausch zwischen FlytBase und Azure ermöglichte. Das Ergebnis waren keine Rohdaten, sondern wertvolle Erkenntnisse: Bewässerungskarten und Temperaturmuster wurden in übersichtliche Dashboards umgewandelt, die den Außendienstmitarbeitern genau zeigten, wo sie ansetzen und welche Probleme zuerst behoben werden mussten.
„Mit der FlytBase Plattform konnten wir tägliche Aufgaben, Gesundheitschecks und Datentransfers automatisieren und so einen wirklich freihändigen Arbeitsablauf schaffen“, sagte José Pablo Mujica, Commercial Manager bei Adentu.
Es war das erste Mal, dass das Inspektionsteam von SQM seinen Tag mit einer Rangliste von Prioritäten beginnen konnte, die vollständig von autonomen Systemen generiert wurde.
So funktioniert es
Jeder Tag beginnt vor Sonnenaufgang. FlytBase plant zwei vollautomatische Missionen vom DJI Dock aus: eine im Morgengrauen und eine weitere am späten Nachmittag, wenn der thermische Kontrast am stärksten ist. Die Drohne erfasst visuelle und thermische Daten in den zugewiesenen Auslaugungszonen und kehrt automatisch zum Aufladen zurück.
FlytBase überträgt die Bilder anschließend über eine sichere API in den Azure Data Lake. Maschinelle Lernmodelle, die mit den eigenen Bilddaten von SQM trainiert wurden, klassifizieren die Zonen als optimal, nass oder trocken. Innerhalb von 90 Minuten nach Abschluss des Fluges steht den SQM-Operatoren ein aktualisiertes Dashboard mit farbcodierten Karten zur Verfügung, das Anomalien hervorhebt und deren Koordinaten genau angibt.
Um 8:30 Uhr wissen die Einsatzteams bereits, wo sie hingehen, was sie inspizieren und was sie reparieren müssen, noch bevor sich der größte Teil der Baustelle überhaupt bewegt hat.
Durchführung
Der Weg von der Idee zur Produktion folgte einem klaren Schema:
Schritt 1 - Realitätscheck vor Ort
Adentu und SQM kartierten das Einsatzgebiet, ermittelten die optimale Dockplatzierung und berücksichtigten dabei Hitze, Staub und Geländebeschaffenheit. Die Konnektivität wurde über Starlink realisiert, das aufgrund seiner Stabilität an abgelegenen Standorten gewählt wurde.
Schritt 2 - Integration und Validierung
Die APIs von FlytBase wurden so konfiguriert, dass sie Daten direkt in Azure übertragen, während die Ingenieure von SQM nach jedem Flug die Synchronisierung und Datenintegrität überprüften.
Schritt 3 - KI-Training mit menschlichem Feedback
Das Team kennzeichnete Hunderte von frühen Missionsbildern und brachte dem Modell so bei, zwischen thermischen Reflexionen und tatsächlichen Bewässerungsproblemen zu unterscheiden. Dieser menschliche Feedback-Prozess verbesserte die Genauigkeit innerhalb des ersten Monats um mehr als 30 Prozent.
Schritt 4 - Feldabnahme
Der kulturelle Meilenstein war erreicht, als die Bediener begannen, vor dem Einsatz die Drohnendaten anzufordern. „Sie weigerten sich, ohne das morgendliche Dashboard mit der Arbeit zu beginnen“, erinnerte sich Rodrigo. Das war der Wendepunkt, an dem Technologie nicht länger ein Projekt, sondern eine Gewohnheit wurde.
Schritt 5 - Skalierung und Optimierung
Sobald die Zuverlässigkeit sich auf über 95 Prozent stabilisiert hatte, standardisierte SQM den Arbeitsablauf und behandelte das System wie jedes andere Betriebsmittel.
Die Ergebnisse
In weniger als zehn Monaten erzielte SQM messbare Veränderungen.
Die Inspektionsfrequenz verdoppelte sich von zweiwöchentlich auf zweimal täglich. Die Zuverlässigkeit der Mission lag selbst unter extremen Wüstenbedingungen bei über 95 Prozent. Die Detektionszeit sank von mehreren Tagen auf unter 90 Minuten. Die Bergungseffizienz verbesserte sich um zwei Prozent. Die Gesamtinvestition für das System belief sich auf 70.000 bis 80.000 US-Dollar, der ROI wurde in weniger als einem Jahr erreicht.
Die Auswirkungen auf den Betrieb gingen weit über die Kennzahlen hinaus. Manuelle Begehungsrouten wurden drastisch reduziert, sodass sich die Ingenieure auf die Lösungsentwicklung anstatt auf die Fehlererkennung konzentrieren konnten. Und da die Drohnen die wiederkehrenden Aufgaben autonom übernahmen, begannen die Außendienstmitarbeiter, Drohnen als Partner und nicht als Konkurrenten zu sehen.
„Eine Steigerung der Jodextraktion von 0,5 auf 2 Prozent ist für einen Prozess dieser Größenordnung enorm“, sagte Rodrigo. „Der größere Wandel bestand jedoch darin, dass unsere Teams begannen, eigenverantwortlich zu arbeiten.“
Der Weg nach vorn
Nachdem SQM das Modell bei der Inspektion von Bewässerungsanlagen erfolgreich eingesetzt hat, weitet das Unternehmen es nun auf weitere Anwendungsbereiche aus. SQM hat zusätzliche DJI Docks für seine Sicherheitsabteilung bestellt und plant, rund um die Uhr Überwachungsmissionen durchzuführen. Adentu testet die Wärmebildanalyse entlang von HDPE-Leitungen, um frühzeitig Anzeichen von Leckagen oder strukturellen Belastungen zu erkennen.
Die nächste Entwicklungsstufe umfasst FlytBase AI-R, das Edge-KI-Analysen direkt ans Dock bringt und so die Datenverarbeitung in Echtzeit ermöglicht, selbst bei Verbindungsabbrüchen. Auch BVLOS-Einsätze (Beyond Visual Line of Sight) sind geplant, um Drohnen die autonome Abdeckung größerer Gebiete zu ermöglichen.
„Wir erforschen jetzt, wie weit uns Edge-KI bringen kann, indem wir Erkenntnisse lokal, sogar offline, verarbeiten“, fügte Rodrigo hinzu.
Was als einzelner Anwendungsfall begann, ist mittlerweile zu einer Blaupause dafür geworden, wie SQM die Autonomie in seinem gesamten Mining-Ökosystem ausweiten will.
Abschluss
Die Partnerschaft von SQM mit Adentu und FlytBase automatisierte nicht nur eine Aufgabe, sondern revolutionierte den gesamten Betriebsablauf. Innerhalb von weniger als einem Jahr gelang es ihnen, von Begehungen zu einem selbstüberwachenden Bergwerk zu wechseln, das alle 90 Minuten Erkenntnisse liefert. FlytBase bildete die Grundlage für die Autonomie, Adentu machte sie einsatzbereit, und SQM nutzte sie zu einem strategischen Vorteil.
„ FlytBase kümmerte sich um die Autonomie; Adentu sorgte für den Betrieb in der Wüste. Gemeinsam haben wir eine selbstüberwachende Mine gebaut“, sagte Rodrigo Toler, stellvertretender Leiter der Abteilung für digitale Innovation bei SQM.
Dieser Fall beweist, dass Autonomie den Menschen nicht ersetzt, sondern ihn ergänzt. Die Zukunft des Bergbaus ist nicht nur automatisiert, sondern intelligent vernetzt, kontinuierlich und messbar.
Häufig gestellte Fragen
Wie hat SQM FlytBase in dieser Implementierung eingesetzt?
FlytBase ermöglichte die Einsatzplanung, das Telemetriemanagement und die sichere Datenübertragung zu Azure und erlaubte SQM so die Durchführung vollautomatischer thermischer und visueller Inspektionen.
Welche Rolle spielte Adentu?
Adentu integrierte FlytBase in die Azure-Umgebung von SQM, stellte die physische Infrastruktur bereit und passte die Arbeitsabläufe an die betrieblichen Anforderungen an.
Welcher messbare ROI wurde erzielt?
95 Prozent Einsatzsicherheit, Verdopplung der Inspektionshäufigkeit, zwei Prozent höhere Extraktionsausbeute und ein ROI-Zyklus von 10 Monaten.
Lässt sich diese Lösung auf andere Geschäftsbereiche übertragen?
Ja. Der Workflow ist modular und hardwareunabhängig und so konzipiert, dass er sich auf Anwendungsfälle in den Bereichen Sicherheit, Bewässerung und Umweltüberwachung an Standorten weltweit ausweiten lässt.
