Hybrider Ansatz: Modelle und Prozessdaten gehen Hand in Hand
»Für unsere Analyse haben wir zwei Dinge zusammengebracht: Erstens die physikalischen Gesetze, die wir in einem Modell dargestellt haben – sprich das Expertenwissen über die thermodynamischen und chemischen Prozesse. Und zweitens die Daten, die verschiedene Sensoren zum Messprozess ermitteln, beispielsweise zu Temperatur und Druck. Diese verwenden wir dort, wo keine physikalischen Angaben vorliegen«, erläutert Küfer, Bereichsleiter am Fraunhofer ITWM. Bisher werden solche Sensordaten bereits dazu genutzt, die Prozesse zu überwachen und rechtzeitig reagieren zu können, wenn zum Beispiel Druck oder Temperatur abweichen. Das Team rund um die beiden Forscher hebt diesen »Datenschatz« durch Methoden des maschinellen Lernens, dazu gehört beispielsweise das Trainieren künstlicher neuronaler Netze. Modelle und Prozessdaten ergänzen sich dabei auf gewinnbringende Weise.
Die Anwendungsmöglichkeiten sind nicht auf die chemische Industrie beschränkt: Vielmehr sind überall dort Vorteile zu erwarten, wo Prozesse mit einer großen Zahl an Einflussfaktoren gesteuert werden müssen – und sich nicht allein über Messungen oder die Prozessdaten beschreiben lassen. Langfristig, so der Plan der Forscher, soll das System echtzeitfähig werden.