Künstliche Intelligenz für chemische Prozesse: Fehler frühzeitig erkennen trotz geringer Datenmengen

Mathematik und Simulation schließen Datenlücken

Aber KI allein reicht nicht für optimale Ergebnisse. Unsere Forschenden kombinieren deshalb reale Messdaten mit mathematischen Modellen und Simulationen. Diese Modelle beschreiben die physikalischen und chemischen Vorgänge innerhalb einer Anlage und liefern zusätzliche Informationen über Zustände, die sich nicht direkt messen lassen.

Auf dieser Grundlage entstehen realistische synthetische Daten. Sie ergänzen die vorhandenen Messwerte und helfen den KI-Verfahren, Prozesse besser zu verstehen. Dadurch erhalten die Algorithmen deutlich mehr Informationen, als allein durch Sensoren erfasst werden können. Gleichzeitig verbessern die mathematischen Modelle die Nachvollziehbarkeit der Ergebnisse. Die Analyse stützt sich nicht ausschließlich auf Daten, sondern berücksichtigt auch bekannte physikalische Zusammenhänge.

Ein wichtiger Baustein des Projekts sind Digitale Zwillinge. Vereinfacht gesagt, haben wir digitale Abbilder von Anlagen entwickelt, die künftig »parallel« zur realen Anlage laufen sollen. Die Simulationen liefern kontinuierlich berechnete Zustände, die mit den tatsächlichen Messdaten der Anlage verglichen werden. Weichen die simulierten und gemessenen Werte voneinander ab, kann dies auf ungewöhnliche Betriebszustände oder mögliche Fehler hinweisen. So können Anomalien frühzeitig erkannt und bewertet werden.

Adaptive KI für neue Anlagen und Prozesse

Bei komplexen industriellen Prozessen reicht es nicht aus, große Datenmengen zu sammeln. Erst die Verbindung von Fachwissen, mathematischen Modellen und simulierten Daten ermöglicht eine zuverlässige Analyse und Bewertung der Prozesse.

In der zweiten Förderphase steht die Übertragbarkeit der entwickelten Methoden im Mittelpunkt. Dafür entwickeln wir sogenannte »adaptive KI-Verfahren«. Diese Verfahren passen sich an veränderte Bedingungen an. Das Team untersucht also, wie sich die Ansätze auf unterschiedliche Anlagen, Stoffgemische oder Betriebsbedingungen anwenden lassen. 

Auf dem Weg zur autonomen Anlage?

Vollständig autonome chemische Anlagen sind derzeit noch Zukunftsmusik. Zwar übernehmen automatisierte Systeme bereits einzelne Aufgaben, etwa bei der Zustandsüberwachung oder der vorausschauenden Wartung. Für sicherheitsrelevante Entscheidungen bleibt jedoch der Mensch verantwortlich.

Langfristig gibt es großes Potenzial in immer leistungsfähigeren Digitalen Zwillingen und intelligenten Assistenzsystemen. Sie begleiten Prozesse, analysieren Betriebszustände und unterstützen bei der Optimierung von Anlagen.

Forschung und Industrie zusammenbringen

Wir am Fraunhofer ITWM verbinden Grundlagenforschung mit industrieller Praxis. Die Erfahrungen aus Forschungsprojekten wie diesem fließen direkt in die Zusammenarbeit mit Unternehmen ein. Gleichzeitig helfen reale Anwendungen dabei, wissenschaftliche Methoden weiterzuentwickeln.

Durch diese Verbindung aus Mathematik, Künstlicher Intelligenz und Fachwissen aus der Verfahrenstechnik entstehen Lösungen, die nicht nur wissenschaftlich überzeugen, sondern sich auch in der industriellen Praxis bewähren. Ziel ist es, Produktionsprozesse langfristig sicherer, effizienter und nachhaltiger zu gestalten.

Unsere Projektpartner

• Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau (RPTU), Prof. Dr. Marius Kloft Arbeitsgruppe »Maschinelles Lernen« (Sprecher)
• Technische Universität München
• Technische Universität Dortmund 

Projektförderung und Laufzeit

Die DFG-Forschungsgruppe »KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten« untersucht seit 2022, wie sich moderne KI-Verfahren selbst bei begrenzter Datenverfügbarkeit erfolgreich für chemische Prozesse einsetzen lassen. Nach erfolgreichen Ergebnissen in der ersten Förderphase hat die Deutsche Forschungsgemeinschaft (DFG) eine zweite Förderphase bewilligt und fördert das Vorhaben seit 2026 für weitere fünf Jahre.