Künstliche Neuronale Netze für quantitative Online-Spektroskopie in der Prozessindustrie – Lästige Modellbildung ade?
- 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, umBei 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.…
Autor*innen: | Michael MaiwaldORCiD |
---|---|
Weitere Person: | Klas MeyerORCiD, Sascha LiehrORCiD, Lukas WanderORCiD, Martin Bornemann-PfeifferORCiD, Simon KernORCiD, S. Müller, Stefan KowarikORCiD |
Dokumenttyp: | Vortrag |
Veröffentlichungsform: | Präsentation |
Sprache: | Deutsch |
Jahr der Erstveröffentlichung: | 2020 |
Organisationseinheit der BAM: | 1 Analytische Chemie; Referenzmaterialien |
1 Analytische Chemie; Referenzmaterialien / 1.4 Prozessanalytik | |
8 Zerstörungsfreie Prüfung | |
8 Zerstörungsfreie Prüfung / 8.6 Faseroptische Sensorik | |
DDC-Klassifikation: | Naturwissenschaften und Mathematik / Chemie / Analytische Chemie |
Freie Schlagwörter: | Digitale Transformation; Industrie 4.0; Künstliche Neuronale Netze; Online-NMR-Spektroskopie; Prozessanalytik; Prozessindustrie |
Themenfelder/Aktivitätsfelder der BAM: | Umwelt |
Umwelt / Sensorik | |
Veranstaltung: | 16. Kolloquium Arbeitskreis Prozessanalytik |
Veranstaltungsort: | Online meeting |
Beginndatum der Veranstaltung: | 23.11.2020 |
Enddatum der Veranstaltung: | 25.11.2020 |
Verfügbarkeit des Dokuments: | Datei im Netzwerk der BAM verfügbar ("Closed Access") |
Datum der Freischaltung: | 25.11.2020 |
Referierte Publikation: | Nein |
Eingeladener Vortrag: | Nein |