Session

Artificial Intelligence in Chemical and Bioprocess Engineering

Termin:
Freitag 16.09.2022, 09:45 bis 11:15 Uhr
Dauer:
90 Minuten
Sessionchair:
Prof. Alexander Penn
Institut für Prozessbildgebung (TUHH)

Prof. Mirko Skiborowski
Institut für Systemverfahrenstechnik (TUHH)

Kurzbeschreibung

Künstliche Intelligenz und Maschinelles Lernen sind in vielen Ingenieursdisziplinen schon seit längerem etabliert. Im Chemie- und Bioingenieurswesen jedoch gewinnt das Feld erst in letzten Jahren vermehrt an Bedeutung. In dieser Session werden Referenten aus drei verschiedenen Industrieunternehmen des Chemieingenieurswesen über den Einsatz und die Erforschung von maschinellem Lernen berichten. Die Themen reichen von der Qualitätskontrolle, optimierter Prozessführung bis hin zur Materialforschung und zeigt somit das große Potential von ML für das Chemie- und Bioingenieurswesen.

Vorträge

  • BASLEARN – The Berlin based Joint Lab for Machine Learning
    Dr. Bruno Betoni (BASF SE)

    On August 2019, BASF and Technische Universität Berlin (TU Berlin) signed an agreement to cooperate closely in the area of machine learning. The aim of the collaboration, Berlin-based Joint Lab for Machine Learning - BASLEARN, is to develop workable new mathematical models and algorithms for fundamental questions related to the chemical industry segment. Such questions can unfold to wide variety of areas such as process engineering, material sciences or quantum chemistry. Both partners are jointly committed to this aim in the coming years. As essential part of the cooperation, BASF supports the research work of Prof. Dr. Klaus Robert Müller, professor for machine learning and director of the "Berlin Institute for the Foundations of Learning and Data - BIFOLD" at the TU Berlin. In this presentation we show further details of our collaborations and some achievements ever since our start.

  • Data Science Data Science in der Messwarte – Anwendungsbeispiele aus der chemischen Produktion
    Dr. Sebastian Recker (Lanxess)

    Durch den Einsatz von Data Science kann der Anlagenfahrer in der chemischen Produktion bei seiner täglichen Arbeit unterstützt werden. Beispiele hierfür sind ML basierte Regelkarten, Soft(ware)-Sensoren zur Approximation vom Qualitätsdaten und Batch-Analysen mit Gantt-Charts und Boxplots.

  • Inline Qualitätskontrolle mittels AI in der Produktion von Zellstoff basierten Fasern
    Andreas Schlader (Lenzing AG)

    Durch den Einsatz von industrieller Bildverarbeitung in Kombination mit AI ist es gelungen eine Reihe von inline Inspektionsaufgaben zu Automatisieren. Vorgestellt wird ein System zur inline Qualitätskontrolle basierend auf industrieller Bildverarbeitung in Kombination mit AI. Die zu prüfenden Produkte werden automatisiert in die Messstation geladen, die Ergebnisse der AI ins ERP System übermittelt und dementsprechend die weitere Vorgehensweise mit dem jeweiligen Produkt automatisch gesteuert.