Programm

Das Module Type Package hat in der Pharma-Industrie aufgrund der kürzeren Time-to-Market einen hohen Anklang gefunden. In der klassischen chemischen Industrie stehen zwei wichtige Gründe dem Einsatz noch entgegen: 

1. In Brownfield-Anlagen werden meist Prozessleitsysteme verwendet, die nicht zwingend auf einem Versionsstand geführt werden, der den Einsatz von MTP erlaubt. 

2. Im Vergleich zur Pharma-Industrie ist aufgrund geringerer Margen und höherem Wettbewerb weniger die kürzere Time-to-Market als eine niedrigere Total Cost of Ownership interessant. Somit sind Standard-Module für den Kernprozess mit geringerer Energieeffizienz gegenüber optimierten Einheiten nachteilig. 

Dennoch erhofft sich auch die klassische Chemie insbesondere im Bereich der Package Unit (PU)-Integration ein großes Einsparpotential bei der Integration in die Gesamtautomatisierung. In der Praxis finden sich jedoch wenige PU-Lieferanten, die bereits ein MTP für ihre Systeme anbieten. Zudem gibt es wenig Erfahrung im Umgang mit MTP seitens der Ingenieure der Engineering-Kontraktoren. Um dieses Henne-Ei-Problem zu lösen, wurde das Forschungsprojekt DeMoBio+ dazu genutzt, Erfahrungen zu sammeln und auf dem PU-Markt MTP gezielt anzufragen. In dem Projekt geht es um den Aufbau einer modularen Demonstrationsanlage im Containermaßstab für dezentrale Bioraffinerietechnologien und die Umsetzung eines modularen Automatisierungskonzept mithilfe von MTP.  

Im Vortrag teilen die Referenten ihr Projekterfahrungen und erklären:

• Wie das Automatisierungskonzept aussieht und welche Herausforderung es bei der Umsetzung  gab
• Welche Anpassungen notwendig waren, um die Vorteile des MTP-Standards auszuschöpfen
• Welche Vorteile die modulare Automatisierung gegenüber einem zentralen Leitsystem aufweist

Emissionsarm, langlebig und ressourcenschonend, das sind die Anforderungen an moderne Farben und Lacke aber auch an andere Verbrauchschemikalien. Für die Entwicklung entsprechender Produkte und Prozesse brauchen Hersteller eine Vielzahl an Versuchen, die Energie, Rohstoffe und Zeit verbrauchen. KI-Verfahren, mit deren Hilfe Versuche effizient und ressourcenschonend geplant werden können, bieten einen großen Mehrwert für Unternehmen in der Prozessindustrie.  

Wer maschinelles Lernen (ML) einsetzen will, der muss zwei Hürden überwinden: Verfahrensingenieure verfügen meist nicht über das notwendige KI-Fachwissen, um ML- Algorithmen zu erstellen und die erforderlichen Hyperparameter zu kalibrieren. ML-Algorithmen wie z. B. Neuronale Netzwerke benötigen sehr viele Trainingspunkte bis sie in der Lage sind, akkurate Vorhersagen zu treffen. Zur Erzeugung der hierfür notwendigen Daten, ist ein hoher Aufwand für das Design of Experiments nötig, was in vielen Industriebereichen nur unter hohem Ressourcenaufwand umsetzbar ist. Dieser „Datenhunger“ verhindert nicht nur die Modellierung von Prozessketten als „Digitaler Zwilling“, sondern auch die effektive Optimierung, da große Versuchspläne in der Regel nicht zielgerichtet suchen und Stichproben in uninteressanten Bereichen „verschwenden“. 

Die selbstentwickelte Software STOCHOS nutzt eine stochastische KI-Methode, die mit weniger Datenpunkten als herkömmliche neuronale Netze auskommt und trotzdem genaue Modelle liefert. Im Vortrag erfahren Sie, wie Stochos in der  Prozessindustrie zur mehr Prozess- und Produktionseffizienz führt, warum die Software auch ohne Unmassen von Daten ein dateneffizientes Training ermöglicht und warum man kein KI-Experte für die Anwendung sein muss.