Interview mit Prof. Dr. Michael Bortz zur zweiten Förderphase Forschungsgruppe »KI-FOR«

KI allein reicht nicht – erst das Zusammenspiel mit Modellen, Simulation und Prozesswissen macht sie stark

Pressemittelung / 20. Juli 2026

Wie lassen sich Fehler und kritische Zustände in chemischen Anlagen frühzeitig erkennen – auch dann, wenn nur wenige Daten zur Verfügung stehen? Mit dieser Frage beschäftigt sich die von der Deutschen Forschungsgemeinschaft (DFG) geförderte Forschungsgruppe »KI-FOR: Deep Learning auf dünnbesetzten, chemischen Prozessdaten«. Nach erfolgreichen Ergebnissen in der ersten Förderphase hat die DFG nun weitere fünf Jahre Förderung für eine zweite Phase bewilligt. So hat die Forschungsgruppe bereits neue Deep-Learning-Methoden zur Anomalie-Erkennung und erstmals umfangreiche offene Datensätze für chemische Prozessdaten bereitgestellt. Neben der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau (RPTU) sind die Technischen Universitäten München und Dortmund sowie unser Institut beteiligt.

Was die Forschung an chemischen Prozessen so besonders macht, warum Simulationen eine wichtige Rolle spielen und wie KI künftig Produktionsprozesse unterstützen kann, erläutert Prof. Dr. Michael Bortz im Gespräch mit Esther Packullat. Er ist Leiter der Abteilung »Optimierung – Technische Prozesse« und Leiter des Projekts bei uns am Fraunhofer ITWM.

Warum sind chemische Prozesse denn für KI-Anwendungen eine besondere Herausforderung?

Anders als in einigen anderen Anwendungsfeldern stehen in der chemischen Industrie häufig nur wenige Daten zur Verfügung, aus denen KI-Verfahren wirklich lernen können. Zwar werden in Anlagen immer mehr Werte aufgezeichnet, im stationären Betrieb unterscheiden sich diese Daten jedoch oft nur wenig voneinander. Nehmen wir beispielsweise eine Trennkolonne: Dort befinden sich Sensoren oft nur an bestimmten Messpunkten, typischerweise am Ein- und Ausgang einer Anlage. Sie erfassen wenig heterogene Datensätze. Für Lernverfahren ist das problematisch, denn damit sie Muster erkennen können, benötigen sie Unterschiede. Wenn sich die Messwerte kaum verändern und Fehlerfälle oder Anomalien nur selten auftreten, wird es schwierig, allein aus den vorhandenen Daten zu lernen und überhaupt zu erkennen, was »auffällig« bedeutet.

Warum lohnt es sich dann aber auch in der chemischen Industrie auf KI zu setzen?

Die chemische Industrie stellt sehr hohe Anforderungen an Sicherheit, Qualität und Effizienz. Schon kleine Verbesserungen können große wirtschaftliche Auswirkungen haben und Prozesse sicherer machen. Experimente sind dagegen oft mit hohen Kosten verbunden oder können wegen Sicherheitsanforderungen gar nicht durchgeführt werden.

KI kann dabei helfen, ungewöhnliche Betriebszustände früher zu erkennen, Produktionsausfälle zu vermeiden, Prozesse effizienter und Vorhersagen robuster zu gestalten. Besonders interessant wird das, wenn KI nicht isoliert arbeitet, sondern mit mathematischen Modellen, Simulationen und vorhandenem Prozesswissen kombiniert wird – wie in unseren genannten DFG-Projekten.

Prof. Dr. Michael Bortz beim Vortrag zu Angewandter Mathematik in der Verfahrenstechni. — © Piotr Banczerowski / Fraunhofer-Gesellschaft
Prof. Dr. Michael Bortz beim Vortrag zu Angewandter Mathematik in der Verfahrenstechnik.

Erzähl uns doch gerne mehr zum Projekt. Die erste Förderphase startete bereits 2022. Welche Ergebnisse konnte die Gruppe denn in dieser ersten Phase erzielen? Warum braucht es jetzt eine zweite?

In der ersten Förderphase konnten wir zeigen, dass unser Ansatz funktioniert. Die Ergebnisse belegen, dass unsere modernen KI-Verfahren die Überwachung und Analyse chemischer Prozesse verbessern können – insbesondere im Hinblick auf die frühzeitige Erkennung von Fehlern und kritischen Zuständen. Bezogen auf die erste Förderphase könnte man sagen: Wir haben erfolgreich einen »Proof of Principle« erbracht und gezeigt, dass die Kombination aus Simulation und KI einen echten Mehrwert liefert. Vereinfacht gesagt haben wir digitale Abbilder von Anlagen entwickelt, die zukünftig »parallel« zur realen Anlage laufen sollen. Die Daten der Simulation sollen dann kontinuierlich mit den tatsächlichen Messdaten verglichen werden. So gibt es Chancen, dass sich zukünftig Anomalien gut in Echtzeit erkennen lassen.

Darüber hinaus wollen wir in der nächsten Phase untersuchen, wie gut sich die Verfahren auch auf andere Anlagentypen oder andere Stoffgemische übertragen lassen. Im Fokus stehen dabei »adaptive KI-Methoden«. Langfristig verfolgen wir auch das Ziel, die Verfahren von der heutigen Offline-Analyse hin zur Echtzeitüberwachung weiterzuentwickeln. Künftig sollen solche Systeme die Prozesse möglichst direkt während der laufenden Produktion begleiten.

Erklär doch gerne nochmal genauer: Welche Rolle spielt unsere Mathematik dabei? Warum sind physikalische Modelle, Simulationen und KI gemeinsam leistungsfähiger als reine KI-Ansätze?

Eine sehr wichtige. Weil sich hier die Stärken der Welten ergänzen. In vielen Anlagen werden Daten nur an wenigen Stellen erfasst. Mit mathematischen Modellen können wir zusätzliche Informationen über Zustände innerhalb der Anlage berechnen. Wir erzeugen so realistische, synthetische Daten, die den Lernverfahren helfen, den Prozess besser zu verstehen. Dadurch erhält die KI deutlich mehr Informationen, als allein durch die vorhandenen Messwerte verfügbar wären.

Die KI erkennt Muster in Daten, während die physikalischen Modelle bereits vorhandenes Wissen über den Prozess einbringen. Dadurch benötigen wir weniger Trainingsdaten und erhalten gleichzeitig robustere und besser nachvollziehbare Ergebnisse. Anstatt eine Black Box zu erzeugen, können wir bekannte physikalische Zusammenhänge gezielt in die Analyse einfließen lassen.

Was versteht man dann dabei unter adaptiven KI-Methoden?

Adaptive KI-Methoden passen sich an veränderte Bedingungen an – etwa an neue Sensoren, andere Rohstoffe, neue Anlagen oder geänderte Betriebsbedingungen.

Wichtig ist dabei, dass wir nicht einfach große Datenmengen aus generischen Bibliotheken in ein KI-System »reinkippen« können. Gerade bei komplexen industriellen Prozessen funktioniert das in der Praxis nicht. Erst die Verbindung von Wissen, mathematischen Modellen und simulierten Daten versetzt die KI in die Lage, solche Systeme zuverlässiger zu analysieren.

Prof. Dr. Michael Bortz, Abteilungsleiter »Optimierung – Technische Prozesse« und stellvertretender Bereichsleiter »Optimierung« und Prof. Dr. Karl-Heinz Küfer, Bereichsleiter »Optimierung« und Abteilungsleiter »Optimierung in den Life Sciences« stehen im Flur des Fraunhofer ITWM — © Piotr Banczerowski / Fraunhofer-Gesellschaft
Prof. Dr. Michael Bortz, Abteilungsleiter »Optimierung – Technische Prozesse« und stellvertretender Bereichsleiter »Optimierung« und Prof. Dr. Karl-Heinz Küfer, Bereichsleiter »Optimierung« und Abteilungsleiter »Optimierung in den Life Sciences«.

Langfristig verfolgt die Forschungsgruppe das Ziel, datengetriebene und physikalische Ansätze so zu verbinden, dass chemische Anlagen zunehmend autonom, effizient und sicher betrieben werden können. Was glaubst Du, wie weit sind wir noch von autonom betriebenen chemischen Anlagen entfernt?

In punkto autonomer Anlagen befinden wir uns noch eher im Forschungs- und Experimentierstadium. Es gibt bereits automatisierte Abläufe und Assistenzsysteme, die bestimmte Aufgaben übernehmen – zum Beispiel bei Fragen wie Predictive Maintenance. Die Verantwortung für sicherheitsrelevante Entscheidungen liegt jedoch weiterhin beim Menschen, auch wegen der zugelassenen regulatorischen Rahmenbedingungen.

Industrielle Produktionsanlagen unterscheiden sich von komplexen Forschungsanlagen. Da braucht es noch mehr den »Sprung aus der Forschung heraus« in die industrielle Praxis, um wirklich von autonomen Anlagen zu sprechen.

Prof. Dr. Michael Bortz beim Vortrag zu Angewandter Mathematik in der Verfahrenstechnik.. Er zeigt auf Industriebild. — © Piotr Banczerowski / Fraunhofer-Gesellschaft
Prof. Dr. Michael Bortz beim Vortrag zu Angewandter Mathematik in der Verfahrenstechnik.

Was ist denn eine langfristige Vision für die Verbindung von KI und chemischer Verfahrenstechnik?

Ich sehe großes Potenzial in immer leistungsfähigeren Digitalen Zwillingen, die Prozesse begleiten, analysieren und optimieren. Wer nachhaltiger und ressourcenschonender produzieren möchte, muss Systeme stetig verbessern. Dabei wird die KI den Menschen nicht ersetzen. Mensch und KI arbeiten als Team daran, Prozesse besser zu gestalten.

Ein Vorteil von uns als Fraunhofer ITWM ist dabei, dass wir sowohl in Forschungsprojekten – wie jetzt beispielsweise das dieser DFG-geforderten Gruppe – als auch in Industrieprojekten aktiv sind. Dadurch können wir sehr gut beurteilen, welche Entwicklungen wissenschaftlich vielversprechend sind und was später in der Praxis der Unternehmen tatsächlich funktioniert.

Was begeistert Dich persönlich an diesem Forschungsprojekt?

Mich fasziniert besonders, dass hier drei Welten zusammenkommen: rigorose Mathematik, die in die Simulationen einfließt, moderne KI-Verfahren und das Domänenwissen der Verfahrenstechnik, bzw. Ingenieurswesen. Erst die Kombination befähigt die Systeme dazu, solche Prozesse wirklich zu verstehen und sinnvoll zu unterstützen. Dieses Dreieck macht das Projekt für mich so spannend. Und besonders schön ist, dass wir in der ersten Förderphase bereits zeigen konnten, dass dieser Ansatz nicht nur theoretisch überzeugt, sondern in der Praxis auch funktioniert.

Deshalb freue ich mich sehr darauf, in den kommenden fünf Jahren gemeinsam mit unseren Partnern die nächsten wissenschaftlichen und technologischen Schritte zu gehen.

Presseinformation