Das Konzept der Modularisierung von Anlagen gewinnt in der Prozessindustrie zunehmend an Bedeutung, da es eine flexible Fertigung verschiedener Produkte ermöglicht. Jedoch führt eine Umrüstung oder Neuinbetriebnahme von Modulen zu Stillstandszeiten, in denen keine Produktion stattfinden kann. Diese Unterbrechungen sind mit hohen Kosten verbunden, da während des Stillstands keine Wertschöpfung generiert wird. 

Im Rahmen dieser Stillstandsphasen besteht oftmals keine Möglichkeit, die jeweiligen Anlagenteile gezielt auf den spezifischen Einsatzfall zu optimieren. Dies betrifft nahezu sämtliche Inbetriebnahmen, Erstinbetriebnahmen sowie Wiederinbetriebnahmen. Infolgedessen verbleibt ein erhebliches Optimierungspotenzial hinsichtlich der Fahrweise und des Regelverhaltens der Anlage auf der Strecke, wodurch die Lebensdauer der Gesamtanlage oder einzelner Komponenten verkürzt wird. 
Abhilfe können hier Steuerungssysteme schaffen, die nicht nur auf vorab definierte Signale reagieren, sondern ihr eigenes Verhalten sowie ihre Aufgaben reflektieren und kontinuierlich optimieren können. Konzepte wie  Physical AI bzw.  Embodied AI ermöglichen es, Änderungen an der Anlage zu erfassen, autonom Entscheidungen abzuleiten und entsprechende Aktionen auszuführen. Auf diese Weise kann sowohl die Prozessleistung  als auch die Langlebigkeit der Anlagen nachhaltig verbessert werden.

ZIELE:

• Untersuchung zu Physical und Embodied AI in der Prozessindustrie    
• Bewertung von AI-Algorithmen unter der Berücksichtigung von prozesstechnischen Gegebenheiten
• Implementierung von ausgewählten AI-Konzepten in einem Laboraufbau
• Evaluation der Ansätze im Laboraufbau

HILFREICHE VORKENNTNISSE:

• Interesse an Automatisierungstechnik
• Begeisterung für KI/ML (Python, TensorFlow/PyTorch)
• Vorlesungen IT/AT, MARO und CPM