Datengenerierung und wissensbasierte Augmentation: Kontinuierliche OME Herstellung

• Antragsteller: Professor Dr.-Ing. Jakob Burger
• Fachliche Zuordnung: Technische Thermodynamik ; Chemische und Thermische Verfahrenstechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459419731

Fortschritte im Bereich des maschinellen Lernens (ML) haben zu neuen Methoden für die Erkennung von Anomalien und Fehlern in chemischen Prozessen geführt. Da es an öffentlich zugänglichen Prozessdaten mangelt, werden diese Methoden in der Regel mit synthetischen Daten aus dynamischen Prozesssimulationen entwickelt und getestet. Dies führt zu erheblichen Einschränkungen, da die Daten stark idealisiert sind und viele Anlagenstörungen in Simulationen ohne Experimente kaum vorhersagbar sind. Ein Hauptziel des Projekts B2 ist, diese Einschränkungen zu überwinden und einen großen Satz experimenteller Prozessdaten einer kontinuierlichen Chemieanlage in Betriebspunkten mit und ohne Anomalien bereitzustellen. Die eingesetzte Anlage ist eine bestehende Mini-Plant zur Herstellung synthetischer Dieselkraftstoffe im Technikum des Antragstellers. Sie besteht aus einem Reaktor, einer Destillationssequenz und Rückführungen. Die Anlage ist mit industrietypischen Sensoren (Temperatur, Druck, Durchfluss, Füllstände, Offline-Analysen) und erweiterten Sensoren (z.B. Kameras zur Erkennung von Ablagerungen) ausgestattet. Die erzeugten experimentellen Daten sind die unverzichtbare Grundlage für die Entwicklung der ML-Methoden zur Erkennung von Anomalien im Projektbereich A der Forschungsgruppe. Die erzeugten experimentellen Daten sind jedoch für das Training der anvisierten Deep-Learning-Methoden noch nicht ausreichend. Daher ist ein weiteres Hauptziel des Projekts B2 die zusätzliche Bereitstellung pseudo-authentischer, synthetischer Daten, die auf experimenteller Daten und physikalischem Wissen in Form mechanistischer Gleichungen beruhen. Die Gleichungen umfassen Material- und Energiebilanzen sowie physiko-chemische Stoffdatenmodelle, welche in einen stationären Prozesssimulator implementiert werden. Ausgesuchte Gleichungen werden für die Projekte A2, A3 und A4 so modifiziert, dass Beziehungen zwischen Prozessvariablen entstehen, die garantiert erfüllt sind. In Zusammenarbeit mit den Projekten A4 und B1 werden Methoden zur Erzeugung synthetischer Prozessdaten entwickelt. Dabei werden die Ergebnisse der mechanistischen Anlagensimulation durch Rauschen, nicht gemessene Prozessvariablen und dynamische Interpolationen ergänzt. Dies geschieht mit ML-Methoden, die durch den Vergleich von synthetischen und tatsächlichen experimentellen Daten trainiert werden. Zur Unterstützung werden zusätzlich dynamische Interpolationen mit mechanistischen Hammerstein-Modellen erzeugt. Die erzeugten experimentellen und synthetischen Daten werden in Zusammenarbeit mit Projekt B1 für die Forschungsgruppe und die Community gesammelt, gespeichert und mit Open-Access verbreitet. Die kombinierten Daten dienen als Trainings- und Evaluierungsdaten für die ML-Methoden zur Erkennung von Anomalien (Projekt A1), Exploration, Erklärung und Visualisierung (Projekt A3). Projekt B2 testet wiederum die entwickelten Methoden der Projekte A1 und A3 im Anlagenbetrieb und erzeugt so wertvolles Feedback.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5359: KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten