Prozessautomatisierung von Strömungen in Bio- und Medizintechnik (B3)

Suche


Expertise

Der Lehrstuhl für Strömungsmechanik (LSTM) verfügt über eine ausgedehnte, durch zahlreiche Publikationen und Patentanmeldungen dokumentierte, Expertise auf dem Gebiet der modellbasierten Simulation, Optimierung und Automatisierung von verfahrens- und energietechnischen sowie lebensmittel- und biotechnologischen Prozessen. Auf dem Gebiet der Prozessbeobachtung liegt der Entwicklungsschwerpunkt auf nichtinvasiven, optischen On- und Inlinesensoren für den Praxiseinsatz. Die erarbeiteten klassischen und adaptiven Prozessführungsstrategien beruhen auf effizienten Modellierungs-, Simulations-, Diagnose-, Prognose-, Steuerungs-, Regelungs- und Optimierungstools. Für die Modellierung, Simulation und Wissensmanagement kommen Methoden des maschinellen Lernens, Data-Mining, Graphentheorie, metaheuristische Algorithmen, statistische Ansätze, mehrwertige Logik aber auch gewöhnliche Differentialgleichungen und analytische Modelle zum Einsatz. Beispielhaft sind dabei Fuzzy Logik, künstliche neuronale Netze, genetische Algorithmen und Referenznetze zu nennen. Alleinstellungsmerkmale erreicht der LSTM auf dem Gebiet der synergetischen Nutzung von informationstechnologischen Verfahren im Sinne von Hybriden (etwa Neuronumerik, Neurofuzzy, Numerostatistik, hybride Simulation diskreter und kontinuierlicher Prozesse). Als Automatisierungshardware dienen bevorzugt industrietaugliche speicherprogrammierbare Steuerungen, Datenbanken, Prozessrechner und Prozessleitsysteme, aber auch Methoden des Rapid Prototyping auf Basis von quelloffenen Physical-Computing-Plattformen. 

 

Forschungsgebiete

  • Modellierung und Simulation von biotechnologischen Prozessen inklusive Integration komplexer Modelle und Entwicklung einer datenbankgestützten hybriden Simulationsumgebung
  • Optimierung von Prozessen durch Scheduling-basierend auf nicht-profit-orientierten Indikatoren
  • Integration von metaheuristischen Algorithmen bei der Entscheidungsfindung
  • Bildung stochastischer Modelle zur Integration in eine Simulationsumgebung
  • Entwicklung dezentraler Lösungen für die Abwasseraufbereitung (Anaeroben Vergärungsprozess)
  • Entwicklung adaptiver Prozessregelungen auf Basis maschinellen Lernens
  • Online und offline Training von automatisierten Strömungsprozessen mit Hilfe der Weiterentwicklung numerischer Verfahren.