idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Wie sich Fehler und kritische Zustände in chemischen Prozessen mithilfe von KI frühzeitig erkennen lassen, erforscht der Lehrstuhl Maschinelles Lernen von Professor Marius Kloft an der RPTU. Im Rahmen der von der Deutschen Forschungsgemeinschaft (DFG) geförderten Forschungsgruppe „KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten“ haben die Forschenden bereits zuverlässige Methoden zur Anomalie-Erkennung in diesem speziellen Anwendungsfeld entwickelt. Nun hat die DFG auch die zweite Förderphase bewilligt, in der die bestehenden Ansätze mit Fokus auf adaptive KI-Methoden weiterentwickelt werden sollen. Die Fördersumme beläuft sich auf rund 4,5 Millionen Euro.
Ziel dieser DFG-Forschungsgruppe ist es, Methoden der Künstlichen Intelligenz für chemische Prozesse nutzbar zu machen, obwohl in diesem Bereich häufig nur kleine und wenig heterogene Datensätze zur Verfügung stehen. „Unsere zentrale Fragestellung ist, wie sich moderne KI-Verfahren auch dort erfolgreich einsetzen lassen, wo Daten knapp sind – eine Situation, die in der chemischen Industrie eher die Regel als die Ausnahme ist“, sagt der Sprecher der Forschungsgruppe, Professor Marius Kloft. „Wir haben in den vergangenen Jahren zeigen können, dass sich Deep Learning dort dennoch gewinnbringend einsetzen lässt.“
Der Erfolg der interdisziplinären Forschungsgruppe resultiert aus der Bündelung von Fachkompetenzen aus Informatik und Chemischer Verfahrenstechnik. Neben der federführenden RPTU sind am Verbundvorhaben auch die Technischen Universitäten München und Dortmund sowie das Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM beteiligt.
So hat die Forschungsgruppe bereits neue Deep-Learning-Methoden zur Anomalie-Erkennung und erstmals umfangreiche offene Datensätze für chemische Prozessdaten bereitgestellt. Die Ergebnisse der ersten Projektförderphase belegen, dass moderne KI-Verfahren die Überwachung und Analyse chemischer Prozesse deutlich verbessern können – insbesondere im Hinblick auf die frühzeitige Erkennung von Fehlern und kritischen Zuständen.
Anlagen autonom, effizient und sicher betreiben
Für die geplante zweite Förderphase will die Forschungsgruppe ihre Ansätze gezielt weiterentwickeln. Im Fokus stehen adaptive KI-Methoden, die auch unter wechselnden Betriebsbedingungen, etwa beim Einsatz von neuartigen Sensoren oder veränderten Prozessen, zuverlässig arbeiten. „Hierfür werden wir unter anderem multimodale Datensätze, physikbasierte Simulationen und generative KI-Modelle nutzen“, erklärt Kloft.
Langfristig verfolgt die Forschungsgruppe das Ziel, datengetriebene und physikalische Ansätze so zu verbinden, dass chemische Anlagen zunehmend autonom, effizient und sicher betrieben werden können.
Weitere Informationen zur Forschungsgruppe: https://for5359.de/
Steffen Reithermann, reithermann@cs.uni-kl.de
Merkmale dieser Pressemitteilung:
Journalisten
Informationstechnik
überregional
Forschungsprojekte, Kooperationen
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
