TY - GEN A1 - Hampel, U. A1 - Schütze, A. A1 - Rädle, M. A1 - Rück, T. A1 - Krawczyk-Becker, M. A1 - Musch, T. A1 - Maiwald, Michael A1 - Fröhlich, H. J. A1 - Zeck, S. T1 - Positionspapier Sensorik für die Digitalisierung chemischer Produktionsanlagen N2 - Die chemische Industrie steht derzeit, wie viele andere Industriebereiche, vor den Herausforderungen einer Digitalisierung der Produktion. Sie ist der Schlüssel für die Flexibilisierung von Prozessen und Anlagen, für die Verkürzung von Produkteinführungszeiten sowie für den Zuschnitt der Produktion auf wechselnde Nachfrage und kürzere Produktlebenszyklen. Die Messtechnik und Sensorik spielt neben der intelligenten Datenverarbeitung eine Schlüsselrolle für die Digitalisierung. Flexiblere Anlagen benötigen Sensorik zur Überwachung des Anlagenzustandes, zur Früherkennung nicht bestimmungsgemäßer Betriebszustände sowie für eine bedarfsgerechte Wartung. Da die Entwicklung neuer und verbesserter Messtechnik und Sensorik grundlegend aus verschiedenen Richtungen gedacht werden muss, haben sich Akteure aus verschiedenen Branchen zusammengetan und dieses Positionspapier erstellt. Es basiert auf einer grundlegenden Analyse des Ist-Stands sowie des Bedarfs der Industrie, die unter anderem auf einem eigens dafür durchgeführten Workshop mit Sensorentwicklern, Anlagenherstellern sowie Anlagenbetreibern am 18. Juni 2019 bei der DECHEMA in Frankfurt a. M. diskutiert wurden. Diese Aktivitäten wurden maßgeblich von der Initiative Wanted Technologies der ProcessNet sowie dem AMA Verband für Sensorik und Messtechnik e.V. initiiert. KW - Prozessindustrie KW - Smarte Sensoren KW - Prozessanalytik KW - DECHEMA KW - Positionspapier PY - 2020 UR - https://dechema.de/Sensorik SP - 1 EP - 20 PB - DECHEMA CY - Frankfurt am Main AN - OPUS4-50403 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Maiwald, Michael A1 - Meyer, Klas A1 - Liehr, Sascha A1 - Wander, Lukas A1 - Bornemann-Pfeiffer, Martin A1 - Kern, Simon A1 - Müller, S. A1 - Kowarik, Stefan T1 - Künstliche Neuronale Netze für quantitative Online-Spektroskopie in der Prozessindustrie – Lästige Modellbildung ade? N2 - Bei Industry 4.0 dreht sich alles um Interkonnektivität, sensorgestützte Prozesssteuerung und datengesteuerte Systeme. Prozessanalysentechnik (PAT) wie die Online-Kernresonanzspektroskopie (NMR) gewinnt zunehmend an Bedeutung, da sie zur Automatisierung und Digitalisierung in der Produktion beiträgt. Eine klassische Auswertung von Prozessdaten und deren Umsetzung in Wissen ist jedoch bisher in vielen Fällen aufgrund der unzureichend großen verfügbaren Datensätze nicht möglich oder nicht wirtschaftlich. Bei der Entwicklung eines automatisierten Verfahrens für die Prozesskontrolle stehen manchmal nur die Basisdaten einer begrenzten Anzahl von Batch-Versuchen aus typischen Produkt- und Prozessentwicklungskampagnen zur Verfügung. Diese Datensätze sind jedoch nicht groß genug, um maschinengestützte Verfahren zu trainieren. Um diese Einschränkung zu überwinden, wurde ein neues Verfahren entwickelt, das eine physikalisch motivierte Multiplikation der verfügbaren Referenzdaten erlaubt, um einen ausreichend großen Datensatz für das Training von maschinellen Lernalgorithmen zu erhalten. Das zugrundeliegende Beispiel einer chemischen Synthese wurde spektroskopisch verfolgt und mit der neuen Methode sowie mit einem physikalisch basierten Modell analysiert, wobei sowohl eine anwendungsrelevante Niederfeld-NMR als auch eine Hochfeld-NMR-Spektroskopie als Referenzmethode verwendet wurde. Künstliche neuronale Netze (ANNs) haben das Potenzial, bereits aus relativ begrenzten Eingabedaten wertvolle Prozessinformationen abzuleiten. Um jedoch die Konzentration unter komplexen Bedingungen (viele Edukte und weite Konzentrationsbereiche) vorherzusagen, sind größere ANNs und damit ein größerer Trainingsdatensatz erforderlich. Wir zeigen, dass ein mäßig komplexes Problem mit vier Edukten unter Verwendung von ANNs in Kombination mit der vorgestellten PAT-Methode (Niederfeld-NMR-Spektroskopie) und mit dem vorgeschlagenen Ansatz zur Erzeugung aussagekräftiger Trainingsdaten bewältigt werden kann. T2 - 16. Kolloquium Arbeitskreis Prozessanalytik CY - Online meeting DA - 23.11.2020 KW - Prozessindustrie KW - Online-NMR-Spektroskopie KW - Industrie 4.0 KW - Künstliche Neuronale Netze KW - Prozessanalytik KW - Digitale Transformation PY - 2020 AN - OPUS4-51647 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Maiwald, Michael T1 - Aktuelles zur Technologie-Roadmap "Prozess-Sensoren 4.0" N2 - Die auf der NAMUR Hauptsitzung 2015 vorgestellte Technologie-Roadmap „Prozess-Sensoren 4.0“ zeigt die damaligen Anforderungen an Prozess-Sensoren sowie an deren Kommunikations-fähigkeiten auf. Wir berichten über die Umsetzungen der damaligen Ideen/Thesen aus heutiger Sicht und blicken nach vorn. T2 - Workshop NAMUR-Hauptsitzung 2020 CY - Online meeting DA - 05.11.2020 KW - Prozessindustrie KW - Technologie-Roadmap "Prozess-Sensoren 4.0" KW - NAMUR KW - Automation KW - Prozessanalytik KW - Sensoren PY - 2020 AN - OPUS4-51523 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Maiwald, Michael T1 - Impulse zur Nutzung smarter Sensoren und Aktoren - Aktuelle Aktivitäten und Anwendungsbeispiele N2 - Eine der vielen Vorzüge smarter Sensoren und Aktoren ist die Bereitstellung zusätzlicher Informationen, auf die zukünftig neben bereits verwendeten Signalen zugegriffen werden kann. In verschiedenen Arbeitskreisen wird dieser Themenbereich im wechselseitigen Austausch mit Geräte- und Softwareherstellern und Forschungseinrichtungen vorangetrieben. In diesem Beitrag wird der aktuelle Stand der Diskussionen anhand von Beispielen erläutert. KW - Smarter Sensor KW - Smarter Aktor KW - Digitale Transformation KW - Prozessindustrie KW - NAMUR PY - 2020 U6 - https://doi.org/10.17560/atp.v62i1-2.2468 SN - 2364-3137 VL - 62 IS - 1-2 SP - 72 EP - 79 PB - Vulkan-Verlag GmbH (Verlag) CY - Essen AN - OPUS4-50443 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Alfeld, M. A1 - Eckhardt, H.-S. A1 - Kraft, J. A1 - Maiwald, Michael A1 - Meermann, Björn A1 - Merz, K. A1 - Prikler, S. A1 - Richert, J. A1 - Steiner, G. A1 - von Tümpling, W. T1 - Trendbericht Analytische Chemie N2 - Zusätzlich zu Methodenentwicklung, Miniaturisierung und Kopplungsverfahren zeigen sich die Hyperspektroskopie zusammen mit Imaging‐Verfahren, der Einzelmolekülnachweis und der Einsatz von 3‐D‐Druckern als neue Schwerpunkte. Hinzu kommen künstliche Intelligenz bei Sensoren, Bildgebungsverfahren und Prozesssteuerung sowie die Vernetzung von Analyse‐ und Laborgeräten. Trends und Forschungsthemen aus der analytischen Chemie, zusammengestellt von elf Autoren, koordiniert von Günter Gauglitz. KW - Multielementanalytik KW - Multimodale Analytik KW - Kristallolgraphie KW - Prozessanalytik KW - Prozessindustrie KW - Industrielle Analytik KW - Chemometrik KW - Chemometrie PY - 2020 U6 - https://doi.org/10.1002/nadc.20204095786 SN - 1868-0054 VL - 68 IS - 4 SP - 52 EP - 60 PB - Wiley CY - Weinheim AN - OPUS4-50609 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -