Künstliche Intelligenz
Bereits Anfang der 90er Jahre stand eine Reihe von KI-Methoden zur Verfügung und wurden zur Datenanalyse, Entscheidungsunterstützung und Prozessoptimierung eingesetzt. Heute aufgrund zunehmender Computerleistung, höher Datenverfügbarkeit und neu entwickelter Modellierungsansätze , die noch komplexe Prozesse daten-getrieben effzienter beschreiben können, kommen die KI-basierten Methoden in der Prozessindustrie öfter zum Einsatz.
Maschinelle Lernverfahren sind einer der zentralen Bestandteile der KI-Technologielandschaft. Dazu zählen unterschiedlichste Ansätze für Daten-getriebene Modellierung wie Neuronale Netze, Random Forest, K-Means für das Lösen von Regressions-, Klassifikation- und Clusteringaufgaben sowie Reinforcement Learning. Das Hauptmerkmal von diesen Optimierungsverfahren ist der Einsatz von Daten für die Modellbildung. Dabei erlaubt die flexible Modellstruktur die Abbildung von sehr komplexen mehrdimensionallen statischen und dynamischen Zusammenhängen.
Aus Prozessdaten lassen sich solche ermitteln, die dabei helfen können, das Prozess- und Anlagenverhalten besser zu verstehen oder/und zu regeln. Diese Zusammenhänge können durch KI-gestützte Informationsgewinnung über Prozesszustände und Produkteigenschaften aus Messdaten, u.a. Zeitreihen und Bilddaten in Labor und Produktion, herausgefunden werden. Dadurch sollen diverse Problemstellung im Bereich Monitoring und Optimierung adressiert werden, z.B. Unsicherheiten über das aktuelle Betriebsregime reduziert, etwaige Ausfälle oder Fehlentwicklungen früher erkannt und systematische Abweichungen automatisch diagnostiziert und für die Prozessführung berücksichtigt werden. Dies erhöht die Wirtschaftlichkeit chemischer und biotechnischer Produktionsprozesse durch optimale Nutzung des Betriebsfensters, höhere Anlagenverfügbarkeit und Prozess- und Anlagensicherheit.
