FOR 5359:  KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten

• Fachliche Zuordnung: Informatik, System- und Elektrotechnik ; Wärmetechnik/Verfahrenstechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459419731

Ziel dieser Forschungsgruppe ist es, Deep-Learning-Methoden in der chemischen Verfahrenstechnik zu etablieren. Die zentrale Hypothese unserer Forschung ist, dass Deep Learning bisher unerforschte Wege in Bereichen eröffnet, die für die chemische Verfahrenstechnik von entscheidender Bedeutung sind, wie die Erkennung von Anomalien, die Vorhersage von Zuständen, die Entscheidungsfindung und autonome Prozesse. Bisher wurde die Entwicklung solcher Methoden dadurch behindert, dass Daten aus Chemieanlagen im Allgemeinen nur spärlich vorhanden sind und zu allem Überfluss in der freien Literatur nicht verfügbar sind. Diese Forschungsgruppe wird daher spezielle Experimente (sowohl zu kontinuierlichen als auch zu diskontinuierlichen chemischen Prozessen) durchführen, um die erforderlichen großen Datensätze zu erzeugen. Da diese Experimente zeit- und kostenaufwändig sind, ist eine Datenaugmentierung unerlässlich, die wir durch eine Kombination aus lern- und wissensbasierten Methoden (einschließlich Prozesssimulation) erreichen werden. Die neuen Algorithmen und Daten werden unter Nutzung des von der Forschungsgruppe geschaffenen Wissens öffentlich zugänglich gemacht. In der ersten Förderperiode wird sich die Forschungsgruppe auf die Anwendung von Deep Learning zur Erkennung von Anomalien in chemischen Prozessen konzentrieren, ein Bereich, in dem die Erkennung von Anomalien von größter Bedeutung ist, z. B. für die Gefahrenabwehr und den Umweltschutz. Neben der Erkennung betrachten wir auch die Erforschung und Erklärung von Anomalien sowie die Verifizierung von Detektoren. Die von der Forschungsgruppe entwickelten neuartigen Methoden zur Erkennung tiefer Anomalien in Zeitreihen werden nicht nur in der chemischen Verfahrenstechnik, sondern auch in vielen anderen Bereichen von Nutzen sein. Die Forschungsgruppe baut auf einer einzigartigen Struktur auf, die vor kurzem an der TU Kaiserslautern durch die Berufung eines Tandems von Juniorprofessoren, einer aus der Informatik und einer aus dem Chemieingenieurwesen, geschaffen wurde, eine Zusammenarbeit, die wir langfristig etablieren wollen.

• DFG-Verfahren: Forschungsgruppen
• Internationaler Bezug: USA

Projekte

• Datengenerierung und wissensbasierte Augmentation: Batch-Destillation (Antragsteller Bortz, Michael ;  Hasse, Hans ;  Jirasek, Fabian )
• Datengenerierung und wissensbasierte Augmentation: Kontinuierliche OME Herstellung (Antragsteller Burger, Jakob )
• Exploration und Erklärung von Anomalien in multivariaten Zeitreihen (Antragstellerin Leitte, Heike )
• Generierung von Zeitreihen mit tiefen neuronalen Netzwerken unter Berücksichtigung von Expertenwissen (Antragstellerin Fellenz, Sophie )
• Koordinationsfonds (Antragsteller Kloft, Marius )
• Tiefe Anomalieerkennung auf Zeitreihen (Antragsteller Kloft, Marius )
• Verifikation von Anomaliedetektoren (Antragsteller Neider, Daniel )

• Sprecher: Professor Dr. Marius Kloft