Selbstoptimierende Anlagen

Ziel der Arbeiten ist, durch den Einsatz von KI-Methoden die Effizienz und Wirtschaftlichkeit chemischer und biotechnologischer Produktionsprozesse wesentlich zu steigern. Im Mittelpunkt stehen die Verbesserung der Genauigkeit von Regelungen und die Optimierung von Betriebspunkten und Batch-Trajektorien. Dadurch können erhebliche Energieeinsparungen, Ausbeuteerhöhungen und Verringerungen von Abfallströmen erreicht werden.

Konkret kommen Verfahren der modellbasierten Regelung, modellbasierte Optimierung und Soft-Sensoren zur Ermittlung von nicht oder nur aufwändig messbaren Prozessgrößen aus verfügbaren Messungen zum Einsatz. Hierin werden datenbasierte Modelle und hybride Modelle, die sowohl datenbasierte und physikalisch-chemisch begründete Modellteile enthalten, verwendet. Die datenbasierten Modelle oder Modellteile werden mit Hilfe von Machine Learning Methoden beispielsweise als neuronale Netze auf der Grundlage von gemessenen Prozessdaten ermittelt.

Im Rahmen von KEEN wird ein breites Spektrum von Anwendungen in der Prozessindustrie bearbeitet:

• Regelung und optimaler Betrieb von Destillationskolonnen (Bayer, Merck, Evonik in Kooperation mit TU Berlin und TU Dortmund)
• Einsparung von Heizdampf und Verringerung von Fouling (Covestro in Kooperation mit TU Dortmund)
• Verbesserte Fahrweise von Polymerisationsprozessen (Merck in Kooperation mit TU Dortmund)
• Verbesserte Regelung eines Reformers (Air Liquide in Kooperation mit TU Dortmund)
• Verbesserung der Produktausbeute eines biotechnologischen Produktionsprozesses (Evonik in Kooperation mit TU Dortmund und TU Dresden).

Besondere Aufmerksamkeit wird der Sicherstellung der Verlässlichkeit der Modellvorhersagen geschenkt, da dies eine unabdingbare Voraussetzung für den Einsatz an Produktionsanlagen ist.

Ansprechpartner: Prof. Sebastian Engell, TU Dortmund