KIAFE – Künstliche Intelligenz-Assistenz zur Fließbilderstellung

Bei der Planung von Anlagen für Prozesse in der chemischen Verfahrenstechnik ist die Herausforderung, ein Optimum im Spannungsfeld von Effektivität, Anschaffungs- und Betriebskosten zu finden. Darüber hinaus sollen Anlagen möglichst Energie- und Ressourceneffizienz arbeiten und geringe CO2-Emissionen verursachen. Auch erfahrene Verfahrensingenieure verlassen sich hier oft auf Heuristiken und Erfahrungswerte. Künstliche Intelligenz (KI) kann die Anlagenplanung unterstützen und diese schneller und effektiver machen. Das wirkt sich positiv auf die Kosten in der Entwicklungs- und Designphase aus. Somit können Unternehmen ihre Betriebskosten senken und gleichzeitig ihren CO2 Ausstoß  reduzieren, wodurch sie einen Wettbewerbsvorteil erlangen. Die KI kann mit Simulationen und Expertenwissen trainiert werden und dem Ingenieur zur Seite stehen.

Die Verfahrenstechnik beschäftigt sich mit der technischen und wirtschaftlichen Durchführung aller Prozesse, in denen Stoffe nach Art, Eigenschaft und Zusammensetzung verändert werden. Anwendungsbereiche gibt es in verschiedenen Industriezweigen, wie z.B. in der Pharma- und Chemieindustrie, Abfallwirtschaft, Kunststoffherstellung, Trinkwasseraufbereitung und der Treibstoffherstellung. Einige der Aufgaben, die ein Ingenieur in der Verfahrenstechnik lösen muss, sind unter anderem die Planung der Verarbeitungsschritte, die Auswahl und Entwicklung nötiger Apparate und Maschinen, die Methodenbestimmung für den Stofftransport oder die Festlegung erforderlicher Mess- Steuerungs- und Regelungstechnik. Schlussendlich entwirft der Ingenieur aufgrund der verschiedenen Parameter mithilfe einer Software ein Fließbild für die gewünschte Stoffumwandlung. Der Einsatz einer KI-Assistenz kann diesen Prozess beschleunigen und effektiver gestalten. 

Unser Ziel ist es, eine KI-gestützte Technologie zum Design komplexer, energie- und ressourcenschonender Prozesse zu entwickeln. Das Projekt adressiert heutige und zukünftige Anforderungen bezüglich Ressourceneinsatz, Emissionen, und Management von Energiebedarf. Unternehmen in der chemischen Industrie müssen insbesondere durch neue Richtlinien bezüglich der Reduktion von CO₂ Emissionen, ökologische Aspekte vor dem Hintergrund von Klimaschutz und Bewahrung der Biodiversität in ihre Produktionsplanung einbeziehen. Dazu kann die von den Ingenieuren verwendete Software zur Fließbilderstellung durch eine KI unterstützt werden.

Bei unserem Ansatz erstellt ein Ingenieur einen Entwurf, welcher zusammen mit den gewünschten Prozessparametern von der KI verarbeitet wird. Die KI errechnet mithilfe von Reinforcement Learning und Nutzung eines Simulators mehrere weiterentwickelte Fließbilder, welche die Verfahrensaufgabe besser lösen kann. Hierfür werden Zielwerte für die KI vorgegeben, mit der Absicht, dass die verfahrenstechnische Anlage ihre Funktion erfüllt, z.B. unter der Vorgabe möglichst ressourcen- und energieeffizient zu sein. Der Ingenieur kann technisch sinnvolle Lösungen der KI verwenden und diese mit weiteren Details ergänzen. Der Vorgang kann im Tandem zwischen menschlicher und maschineller Optimierung iteriert werden, um die beste Lösung im Spannungsfeld von ökologischen, ökonomischen und technischen Kriterien zu finden.

Als erster Anwendungsfall wird die ABE-Fermentation gewählt. Hier wird Aceton, Butanol und Ethanol aus Vergärung unterschiedlicher Substrate hergestellt. Die bei dem Verfahren entstehenden Substanzen, können u.a. als Biokraftstoffe, Lösungsmittel oder auch Tierfutter wieder in den Stoffkreislauf zurückgeführt werden. Trotz des vielversprechenden Verfahrens birgt die Auslegung von ABE-Fermentationsanlagen immer noch zahlreiche Risiken. So wirkt z.B. das Produkt Butanol ab einer bestimmten Konzentration toxisch auf die für die Gärung zuständigen Mikroorganismen, der Ertrag ist vergleichsweise gering und die Auftrennung des Lösemittelgemisches ABE energetisch und ökonomisch sehr aufwendig. Hierin besteht also ein enormes Optimierungspotential für KI und Reinforcement Learning.

Das Projekt hat das Potenzial die KI-Präsenz und -Akzeptanz in der stoffwandelnden Industrie zu stärken und zugleich durch die frühe Einbindung ökologischer Kriterien, die Entwicklung und den Betrieb nicht nur ökonomischer, sondern zugleich umweltverträglicher zu gestalten. Die Anwendbarkeit in der stoffwandelnden Industrie ebnet den Weg für die Anwendbarkeit der neu entwickelten Technologie auf verschiedene Branchen und zukunftsrelevante Fragestellungen der produzierenden Industrie, wie z.B. die Verwendung von biogenen bzw. erneuerbaren Rohstoffen oder die Integration von erneuerbaren Energien.

Hier bringt unsere Reinforcement Learning KI klare Vorteile für die Industrie:

Es gibt mehrfache Kosteneinsparung bei Fließbilderstellung unterstützt durch unsere KI-Assistenz. Zum einen durch den optimierten Entwurf unter Berücksichtigung der Baukosten und des CO₂-Ausstoßes, was z.B. zu einer Lösung mit weniger Komponenten und cleveren Materialflüssen führt. Zum anderen durch die Parameteroptimierung von Anlagen, was z.B. zur Senkung des Energiebedarfs und weiterer Reduktion des CO₂-Ausstoßes führt uns somit auch die Betriebskosten senkt.

Dazu kommt die Zeiteinsparung bei der sonst manuellen Fließbilderstellung. Der Ingenieur spart Zeit bei der Planung. Die Entlastung (nicht Ersetzung) der Mitarbeiter durch KI ist insbesondere vor dem Hintergrund des Fachkräftemangels wichtig.

Anlagenplanung

Beim Bau einer neuen Anlage kann unsere KI die Parameter / Auslegung der Anlage optimieren. Die KI-Assistenz wird mit Experten trainiert und bündelt so das Wissen von vielen Fachkräften. Die KI kann flexibel gleichzeitig viele Anforderungen im Blick haben und eine insgesamt kostenoptimale und nachhaltige Lösung finden.

Anlagenoptimierung

Eine Prozessoptimierung mit KI und insbesondere Reinforcement Learning ist sehr leistungsstark. Die KI kann gleichzeitig viele Anforderungen berücksichtigen und eine insgesamt kostenoptimale und gleichzeitig nachhaltige Einstellung aller Anlagenkomponenten vornehmen. Ebenso können etwa Transportwege optimiert werden und vor allem auch dynamisch auf Änderungen reagiert werden. So kann sich die KI schnell geänderten Rohstoffpreisen, -Qualitäten und -Verfügbarkeiten anpassen und eine optimale Konfiguration finden. 

Steuerungsdesign und Verifikation

Reinforcement Learning findet optimales Verhalten in dynamischen Umgebungen. So kann eine optimale Steuerung oder Regelung mit KI trainiert werden. Die fertig trainierte KI kann dann fixiert und auf Sicherheit getestet werden. So kann eine effiziente und schlanke Steuerungskomponente in die Anlage eingesetzt werden. Darüber hinaus kann über Imitation Learning mit der KI eine klassische, Entscheidungsbaum-basierte Steuerung oder Regelung erstellt werden. Diese lässt sich dann aussagenlogisch verifizieren.