Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB 
Motivation
Die chemische Industrie und der Maschinenbau haben hinsichtlich Industrie-4.0-Technologien einen hohen Bedarf, Effizienz und Wertschöpfung von Prozessen und Maschinen zu steigern. Insbesondere der Einsatz von Katalysatoren erfordert eine vorausschauende Betriebsweise von Prozessen wie der technischen Gasreinigung, um unerwartete Betriebsausfälle und die Dauer wartungsbedingter Stillstandzeiten durch Alterung und Ausfall des Katalysators zu minimieren. Katalysatoren zur Beschleunigung von chemischen Reaktionen sind sowohl in der chemischen Industrie als auch in der technischen Gasreinigung unverzichtbare Komponenten. Technische Katalysatoren unterliegen jedoch Alterungsvorgängen wie z. B. der thermischen Deaktivierung (Sinterung), was zu einem Aktivitätsverlust führt.
Kurzbeschreibung des Projekts
Im Rahmen des Projekts »PrädiKat« wurde eine KI entwickelt, welche basierend auf aktuellen Messwerten den Alterungszustand eines Katalysators zur Methanoxidation (Reinigung der Abgase von Schiffsmotoren) bestimmt. Ziel war es, eine präzise Aussage darüber treffen zu können, wie lange ein Katalysator noch aktiv bleibt. Hieraus ergibt sich für Betriebe die Möglichkeit, vorausschauend in den katalysierten Prozess einzugreifen. Ein Fokus bei dem Vorhaben lag auf der Quantisierung von Expertenwissen, da nicht alle benötigten Größen sensoriell erfasst werden konnten.
Projektergebnis
Ein Teilergebnis des Projekts sind die experimentell bestimmten Daten zur Alterung des Katalysators sowie die erfassten und quantifizierten Metadaten, die zusammen die Datenbasis zur Entwicklung der KI-Lösung bildeten. Im Projekt wurden verschiedene statistische Verfahren sowie ML-Methoden eingesetzt. Es hat sich herausgestellt, dass mit klassischen neuronalen Netzen sehr gute Ergebnisse erzielt werden können. Um diese nicht als reine Black-Box zu nutzen, wurde bei einer Prädiktion zusätzlich der Gradient des Netzes abgegriffen. Der Gradient lässt Rückschlüsse darauf zu, welches Merkmal für den Prädiktionsschritt die größte Relevanz hat. Dies wiederum gibt dem Prozessexperten Hinweise darauf, wie er in den Prozess eingreifen muss, um beispielsweise die Lebenszeit des Katalysators zu verlängern.