Präsentation
Filtern
Dokumenttyp
- Vortrag (7)
Sprache
- Deutsch (7) (entfernen)
Referierte Publikation
- nein (7)
Schlagworte
- Datenanalyse (7) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (7)
Die Oberflächentexturierung der Betonfahrbahndecken mittels Grinding und Grooving steht seit einigen Jahren im Mittelpunkt der Forschung und Entwicklung des Betonstraßenbaus in Deutschland. In den vergangenen Jahren wurden die vorteilhaften Oberflächenperformances derartiger Texturen, wie z.B. Griffigkeit, Ebenheit, Lärmminderung, in zahlreichen Forschungsprojekten umfassend untersucht. Im Kontext des gegenwärtig verfolgten ganzheitlichen performanceorientierten Ansatzes liegt der Fokus nun verstärkt auf der Analyse und Charakterisierung der Oberflächentopografie von Grinding- bzw. Groovingtexturen. Insbesondere gilt ein Hauptaugenmerk hierbei der zeitlichen Entwicklung der Oberflächentexturen in Abhängigkeit von äußeren Einwirkungen durch Klima und Verkehr.
Im Rahmen eines von der Bundesanstalt für Straßenwesen (BASt) geförderten Forschungsvorhabens wurden zunächst die messtechnischen Voraussetzungen für eine hochaufgelöste dreidimensionale Erfassung der Oberflächentopografie von Grinding- und Groovingtexturen in situ geschaffen. Das schließt auch die Entwicklung einer Messanordnung, die eine Wiederholbarkeit der 3D-Messungen gewährleistet und somit die Erfassung der zeitlichen Texturveränderungen ermöglicht. Basierend darauf wurden Auswerteroutinen zur qualitativen und quantitativen Beschreibung der Oberflächentexturen und deren Veränderungen entwickelt und angewandt. Anschließend wurde der Zustand von Grinding- und Groovingtexturen an ausgewählten Praxisstrecken in definierten Zeitintervallen erfasst. Unter Verwendung der erarbeiteten Auswerteroutinen wurden die erfassten Oberflächen analysiert und repräsentative Texturkennwerte abgeleitet.
Die Untersuchungen sind durch das das DFG Schwerpunktprogramm 1374 für Biodiversitätsforschung motiviert. Anhand des überwachten Abbaus von Totholz soll untersucht werden, welche Auswirkung unterschiedliche Formen und Intensitäten der Landnutzung auf die Biodiversität innerhalb von drei Exploratorien zeigen. Bei den vorangegangenen Studien wurden Nahrungs¬netzte auf organismischer Ebene sowie Klima- und Umgebungsdaten untersucht und die Veränderung des ausgebrachten Totholzes als Masseverlust erfasst. Es wird jedoch erwartet, dass in Anhängigkeit der beteiligten Organismen und Umgebungsparameter verschiedene Mechanismen des Holzabbaus vorliegen, die in unterschiedlichen Abbauraten der Holzkomponenten Lignin, Cellulose und Hemicellulose resultieren. Aus diesem Grund ist die quantitative Untersuchung des Ligningehalts an Hölzern ein wesentlicher Schritt für ein verbessertes Verständnis der Biodiversität in den untersuchten Exploratorien. Um der hohen Probenanzahl, die sich aus der Kontrolle von jeweils 100 Proben (Plots) in den drei Exploratorien für Hölzer aus 13 Baumarten ergibt, gerecht zu werden, wird eine schnelle und effiziente Untersuchungsmethode benötigt. Diese wird derzeit in Form einer NIR-spektroskopischen Bestimmung des Ligningehalts entwickelt. Um basierend auf den NIR Spektren vermahlener Holzproben Lignin und weitere Holzkomponenten korrekt vorherzusagen, muss zunächst basierend auf nasschemischen Analysen ein chemometrisches Modell kalibriert werden. Dazu ist die Charakterisierung von mindestens 20 – 30 Proben, die eine hohe Varianz des Ligningehalts aufweisen, notwendig. Im Vortrag werden erste Untersuchungs¬ergebnisse für die Vorhersage des Ligningehalts von Kiefernhölzern, die für ein Jahr in dem Exploratorium Schorfheide exponiert wurden, vorgestellt. Die anschließende explorative Datenanalyse (PCA) unter Verwendung von insgesamt 28 Variablen zur Beschreibung klimatischer und Umgebungsparameter weist eine Reihe interessanter Korrelationen auf. Demnach ist der Ligningehalt auf der ersten Hauptkomponente (29% erklärte Varianz) positiv mit dem C/N-Verhältnis und negativ mit Landnutzungsindex korreliert. Masseverlust und Temperatur hingegen dominieren die zweite Hauptkomponente (12% erklärte Varianz).
Die Wettbewerbsfähigkeit der Prozessindustrie basiert auf der Sicherung der geforderten Produktqualität bei einer optimalen Nutzung von Anlagen, Rohstoffen und Energie. Ein Weg zur wissensbasierten Produktion führt über die Betrachtung der wesentlichen Apparate-, Prozess- und Freigabedaten aus Betrieben und Labors. Das Potenzial dieser Daten wird heute vielfach noch nicht konsequent für ein umfassendes Verständnis der Produktion genutzt.
Neben Fragen zur Datenerfassung, Datenkonnektivität und Datenintegrität müssen solche Daten für eine ganzheitliche Prozessanalyse zunächst mit Kontextinformationen zusammengebracht werden. Datenquellen enthalten Zeitwertpaare, aber auch diskrete Daten aus LIMS (Laboratory Information Management Systems) oder ELN (Electronic Laboratory Notebooks) und werden zunehmend durch 2D- und 3D-Daten aus der Chromatographie-Massenspektrometrie oder bildbasierter Analytik ergänzt.
Für die automatisierte Merkmalsextraktion, etwa zur Extraktion chemischer Informationen aus den oben genannten Datenquellen werden multivariate Werkzeuge und Algorithmen genutzt. Multivariate Statistiken wie PCA (Principle Component Analysis), PLS (Partial Least Squares) und LDA (Latent Discriminant Analysis) bilden die erste Grundlage für die Datenanalyse. Für diese Verfahren sind heute Datenvorbehandlungsschritte nötig. Die Modellbildung geschieht manuell und ist sehr aufwendig.
Können diese Daten im Zeitalter von ML (Machine Learning) und KI (Artificial Intelligence) anderweitig sinnvoll genutzt werden und ohne klassische Modellbildung? Die Bezeichnung „Big Data“ als Voraussetzung für datengetriebene Auswerteverfahren ist für die Prozessindustrie allerdings unpassend, denn auch bei mengenmäßig großen Datensätzen liegen für Kampagnen typischerweise nur Informationen über einige Batches mit einer Serie von Messdaten vor, die genügend Varianz für eine datengetriebene Auswertung aufweisen – nicht vergleichbar mit den Datenmengen im WWW oder von großen Internet-Konzernen.
Ein Weg zur wissensbasierten Produktion führt über die Betrachtung der wesentlichen Apparate-, Prozess- und Freigabedaten aus Betrieben und Labors. Das Potenzial dieser Daten wird heute vielfach noch nicht konsequent für ein umfassendes Verständnis der Produktion genutzt.
Neben Fragen zur Datenerfassung, Datenkonnektivität und Datenintegrität müssen solche Daten für eine ganzheitliche Prozessanalyse zunächst mit Kontextinformationen zusammengebracht werden. Datenquellen enthalten vor allem Zeitwertpaare, die numerisch vorbehandelt und möglichst vollautomatisch ausgewertet werden müssen. Am Beispiel NMR-spektroskopischer Daten wird der Stand der Auswertung mit physikalisch motivierten Modellen, wie z. B. dem IHM erläutert.
Angetrieben durch Digitalisierung und die sogenannte Industrie 4.0 steigt die Erwartungshaltung gegenüber der Nutzung von Sensorik. Die Unsicherheit, Widersprüchlichkeit und Redundanz separat verarbeiteter einzelner Quellen soll durch die synergetische Zusammenführung heterogener Datensätze überwunden werden. Dabei steht der zunehmenden Aufgabenkomplexität eine ebenso zunehmende Verfügbarkeit an Sensoren, Daten und Rechenleistung gegenüber.
Der Begriff Datenfusion fasst Ansätze zusammen, die Daten zu abstrakteren, aber besser verständlichen Informationen verarbeiten. Die Fusion ist Kernbestandteil effektiver Assistenzsysteme und beweist in vielzähligen Aufgaben - von militärischen Anwendungen über Flug- und Fahrassistenzsysteme, bis in den Heimbereich – ihr großes Potenzial. Durch die wachsende Automatisierung bei der Messdatenerfassung wird Datenfusion auch in der industriellen Qualitätsprüfung und –sicherung zunehmend attraktiver.
Der Vortrag gibt einen Überblick über den breiten Themenkomplex und widmet sich dabei speziell der Fragen, welche Informationen in multivariaten Datensätzen stecken und wie sie extrahiert werden können. Abschließend wird ein Beispiel für die erfolgreiche Anwendung zur zerstörungsfreien Prüfung von Betonbauteilen vorgestellt. Der systematische Vergleich von Algorithmen, die Charakteristika des Labordatensatzes in unterschiedlicher Weise adressieren erlaubt überraschende Schlussfolgerungen.
Produzieren Sie schon oder kalibrieren Sie noch? – Online-NMR-Spektrometer als Smarte Feldgeräte
(2018)
Der Übergang von der aktuellen Automatisierungslandschaft zur nächsten Generation von Automatisierungskonzepten für die Prozessindustrie hat bereits begonnen. Intelligente Funktionen der Sensoren vereinfachen ihre Anwendung und ermöglichen eine Plug-and-Play-Integration, auch wenn sie auf den ersten Blick komplexer erscheinen mögen. Dies ist die Basis für die Digitalisierung der Prozessindustrie und hilft uns, komplexere Prozesse schneller umzusetzen.
Der Vortrag fasst die derzeit diskutierten allgemeinen Anforderungen an „Smarte Feldgeräte“ zusammen und diskutiert dieses am Beispiel eines smarten Online-NMR-Sensors. NMR-Spektroskopie bietet sich durch den Vorteil der direkten Vergleichsmethode (ohne Kalibrierung) für die Prozess-Steuerung an und verringert somit die Rüstzeiten. Zudem basiert der Sensor auf physikalisch motivierten Modellen (Indirect Hard Modeling, IHM), die sich modular kombinieren lassen. Die Methoden wurden anhand eines vorgegebenen pharmazeutischen Reaktionsschrittes im Rahmen des „Horizon 2020“-Projekts CONSENS der Europäischen Union demonstriert und validiert.
Zuletzt werden Anforderungen an die Weiterentwicklung der Datenauswertemethoden diskutiert, um letztlich die semantische Information aus den Messdaten herauszulesen oder das in der Industrie 4.0 geforderte „durchgehende Engineering“ für die Automatisierungskomponenten zu ermöglichen.