Automatisierte Anomalieerkennung an einer Batch-Destillationsanlage mittels Machine Learning

Im Rahmen der DFG Forschungsgruppe 5359 werden Deep Learning Methoden zur Anomalieerkennung im verfahrenstechnischen Anlagenbetrieb entwickelt. Die entsprechenden Methoden benötigen eine Vielzahl an Trainingsdaten, die in Form von chemischen Prozessdaten bislang noch nicht verfügbar sind. Ich beschäftige mich daher mit der Generierung von diversen Prozessdaten durch den Betrieb einer Batch-Destillationsanlage im Labormaßstab, die mit umfangreicher Sensorik ausgestattet ist. Um die Deep Learning Methoden nicht nur trainieren, sondern auch testen zu können, werden neben einer Vielzahl experimenteller Prozessdaten im normalen Anlagenbetrieb auch fehlerhafte Messreihen durch gezieltes Einbringen von Anomalien erzeugt. Innerhalb der Forschungsgruppe wird zudem an der Entwicklung hybrider generativer Modelle geforscht, welche zusätzlich physikalisches Wissen über die Batch-Destillation enthalten. In der Anwendung soll so ein umfangreicher hybrider Datensatz erzeugt werden, welcher als Basis für die Weiterentwicklung und Validierung der Deep Learning Methoden dienen soll.
Auf dem Weg hin zu einer automatisierten Anomalieerkennung ist die Echtzeitverarbeitung der im Prozess anfallenden Daten essentiell. Aus diesem Grund widme ich mich weiterhin der Umsetzung eines geeigneten Prozessleitsystems für die Batch-Destillationsanlage sowie passender Datenmanagement-Strukturen. Das Ziel ist es, die von den diversen Sensoren aufgenommenen Prozessdaten strukturiert verarbeiten und bereitstellen zu können, um sie für die Entwicklung und zukünftige Anwendung der Deep Learning Methoden bei laufendem Betrieb der Anlage nutzbar zu machen.
Informationen zu möglichen Themen studentischer Arbeiten bei mir oder meinen Kollegen finden sich unter: thermo.mv.uni-kl.de/lehre/studentische-arbeiten/.

Vorlesungsbetreuung

-

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

-

Vorträge

-

Poster

-