Automatische Fehlererkennung in der Batch-Destillation mittels Maschinellem Lernen

Meine Forschung ist Teil der DFG Forschungsgruppe 5359, die das Ziel hat Methoden des Deep Learning auf chemische Prozessdaten anzuwenden, insbesondere um damit automatisiert und frühzeitig Fehler im Betrieb chemischer Anlagen zu identifizieren. Ein zentrales Problem dabei ist, dass Deep Learning Methoden viele Trainingsdaten benötigen, chemische Prozessdaten aber bislang extrem schlecht verfügbar sind.

Um das Datenproblem zu lösen werden drei Strategien verfolgt: Erstens sollen in einer Batch-Destillationsanlage im Labor, welche mit umfassender Sensorik ausgestattet wird, durch die Untersuchung unterschiedlichster Stoffsysteme große Mengen experimenteller Daten generiert werden. Zweitens erfolgt die Entwicklung und Verwendung von physikalischen Prozesssimulationen in Kooperation mit dem Fraunhofer ITWM, um zusätzliche Daten zu erzeugen. Drittens sollen gemeinsam mit der Arbeitsgruppe Maschinelles Lernen hybride generative Modelle entwickelt werden, um die Datensätze synthetisch deutlich zu vergrößern. Weiterhin gilt mein Interesse dem Umgang mit Unsicherheiten und unvollständigem Wissen in Prozessdaten und wie bisher nicht verwendete Prozessgrößen in der Prozesssimulation berücksichtigt werden können.

Informationen zu möglichen Themen studentischer Arbeiten bei mir oder meinen Kollegen finden sich unter: http://thermo.mv.uni-kl.de/lehre/studentische-arbeiten/ 

Vorlesungsbetreuung

• ChemCar-Wettbewerb I (WS 2022/2023)
• Maschinelles Lernen in der Verfahrenstechnik (SoSe 2023)
• Prozessthermodynamik (WS 2023/2024)
• Elektrochemische Energiespeicherung (SoSe2024)

Sprechzeiten

Nach Vereinbarung

Veröffentlichungen

• T. Specht, J. Arweiler, J. Stüber, K. Münnemann, H. Hasse, F. Jirasek: Automated Nuclear Magnetic Resonance Fingerprinting of Mixtures, Magn. Reson. Chem.1 (2023), 1-12, doi:10.1002/mrc.5381.

Vorträge

• N. Hayer, T. Specht, J. Arweiler, H. Hasse, F. Jirasek: Prediction of Activitiy Coefficients by Similarity-based Imputation using Quantum-Chemical Descriptors, Thermodynamik-Kolloquium, Chemnitz, 26.-28.09.2022.
• J. Arweiler, N. Hayer, T. Specht, H. Hasse, F. Jirasek: Similarity-based Prediction of Activity Coefficients, Verfahrenstechnisches Doktorandenseminar der RPTU Kaiserslautern, Annweiler am Trifels, 21.-22.08.2023.
• J. Arweiler, N. Hayer, T. Specht, H. Hasse, F. Jirasek: Similarity-based Prediction of Activity Coefficients, European Conference on Thermophysical Properties, Venice, Italy, 10.-13.09.2023.
• J. Arweiler, N. Hayer, T. Specht, H. Hasse, F. Jirasek: Prediction of Activity Coefficients with Similarity-based Imputation using Quantum-chemical Descriptors and Machine Learning, 14th European Congress of Chemical Engineering , Berlin, 17.-21.09.2023.
• A. Muraleedharan, J. Burger, J. Arweiler, F. Hartung, D. Wagner, F. Jirasek, M. Kloft, H. Hasse, M. Bortz: Deep Learning on Sparse Chemical Process Data, Jahrestreffen Prozess., Apparate- und Anlagentechnik (PAAT), Frankfurt a. M., 20.-21.11.2023.
• T. Specht, J. Arweiler, Z. Romero, J. Wagner, K. Münnemann, H. Hasse, F. Jirasek: Thermodynamic Modeling of Poorly Specified Mixtures using NMR Spectroscopy and Machine Learning, 33rd European Symposium on Applied Thermodynamic, Edinburgh, Scotland, 09.-12.06.2024.
• J. Arweiler, H. Hasse, F. Jirasek: Phase-Equilibria of Renewable Fuel Blends, Water and Additives, 22nd Symposium on Thermophysical Properties, Boulder, USA, 23.-28.06.2024.
• J. Arweiler, A. Muraleedharan, I. Jungjohann, F. Hartung, D. Wagner, J. Burger, M. Kloft, F. Jirasek, H. Hasse: Machine Learning for Anomaly Detection in Distillation Processes, Internationaler Workshop "Machine Learning in Chemical Processes" der DFG FOR5359, Kaiserslautern, 09.10.2024.
• J. Arweiler, I. Jungjohann, A. Muraleedharan, F. Hartung, D. Wagner, M. Kloft, J. Burger, F. Jirasek, H. Hasse: Machine Learning for Anomaly Detection in Distillation Processes, Annual Meeting of Process Engineering and Materials Technology (PEMT), Frankfurt am Main, 11.11. - 12.11.2024.

Poster

• J. Arweiler, T. Specht, K. Münnemann, H. Hasse, F. Jirasek: SMART NMR Fingerprinting of Mixtures using Benchtop Spectrometers, NMRPM 2023, Kaiserslautern, 24.-26.05.2023.
• J. Arweiler, T. Specht, K. Münnemann, H. Hasse, F. Jirasek: Automated NMR Fingerprinting and Thermodynamic Modeling of Poorly Specified Mixtures, Thermodynamik-Kolloquium, Hannover, 25.-27.09.2023.
• J. Arweiler, A. Muraleedharan, F. Hartung, I. Jungjohann, D. Wagner, M. Kloft, J. Burger, H. Hans, F. Jirasek: Anomaly Detection on Experimental Chemical Process Data, Workshop on Machine Learning for Chemistry and Chemical Enginnering at European Conference on Machine Learning, Vilnius, Lithuania, 09.09.2024.
• D. Reinhardt, D. Wagner, A. Muraleedharan, J. Arweiler, I. Jungjohann, F. Jirasek, J. Burger, H. Hasse, M. Kloft, H. Leitte: cPAX: Comparative Visualization of Known and Novel Anomalies for Monitoring Chemical Plants, Workshop on Machine Learning for Chemistry and Chemical Enginnering at European Conference on Machine Learning, Vilnius, Lithuania, 09.09.2024.
• S. Lutz, J. Arweiler, A. Muraleedharan, N. Kahlhoff, F. Hartung, I. Jungjohann, M. Nagda, D. Reinhardt, D. Wagner, J. Werner, J. Will, J. Burger, M. Bortz, H. Hasse, S. Fellenz, F. Jirasek, M. Kloft, H. Leitte, S. Mandt, S. Reithermann, J. Schmid, D. Neider: A Benchmark Suite for Verifying Neural Anomaly Detectors in Distillation Processes, Workshop on Machine Learning for Chemistry and Chemical Enginnering at European Conference on Machine Learning, Vilnius, Lithuania, 09.09.2024.
• M. J. Peter, N. Ghanooni, F. Hartung, B. J. Franks, D. Wagner, P. Liznerski, A. Muraleedharan, J. Arweiler, D. Reinhardt, I. Jungjohann, S. Reithermann, S. Fellenz, F. Jirasek, M. Rudolph, D. Neider, F. Rhein, H. Leitte, C. Song, S. Mandt, M. Bortz, J. Burger, H. Hasse, M. Kloft: Anomaly Classification of Tennessee-Eastman Process Data, Workshop on Machine Learning for Chemistry and Chemical Enginnering at European Conference on Machine Learning, Vilnius, Lithuania, 09.09.2024.
• J. Will, J. Arweiler, I. Jungjohann, J. Werner, M. Nagda, M. Bortz, H. Hasse, F. Jirasek, J. Schmid, M. Kloft, S. Mandt, S. Fellenz: Enhancing Realism in Batch Distillation Simulations: Data-Efficient Time Series Style Transfer with Transformers, Workshop on Machine Learning for Chemistry and Chemical Enginnering at European Conference on Machine Learning, Vilnius, Lithuania, 09.09.2024.
• J. Arweiler, I. Jungjohann, A. Muraleedharan, F. Hartung, D. Wagner, M. Kloft, J. Burger, F. Jirasek, H. Hasse: Anomaly Detection on Chemical Process Data, Thermodynamik-Kolloqium, Stuttgart, 25.-27.09.2024.