Prozessautomatisierung von Strömungen in Bio- und Medizintechnik (B3)

Suche


englisch

 

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.
deutsch

 

Expertise

The Institute of Fluid Mechanics (LSTM) has extensive expertise in the fields of model-based simulation, optimization and automation of food and biotechnological processes, as documented by numerous publications and patent applications. Process observation techniques focus on non-invasive, optical and on-line sensors for use in industry. The observation data is applied to the development of classical and adaptive process control strategies based on efficient modeling, simulation, diagnostics, forecasting, control, regulation and optimization tools. Modeling, simulation and knowledge management are implemented using not only machine learning, data mining, graph theory, metaheuristic algorithms and statistical approaches that use multi-valued logic but also ordinary differential equations and analytical models. Examples include fuzzy logic, artificial neural networks, genetic algorithms and reference nets. LSTM is unique in its synergistic use of hybrid information technology procedures (e.g. Neuronumerik, Neuro Fuzzy, Numero statistics, hybrid simulation of discrete and continuous processes). Industry-standard programmable logic controllers are used for hardware automation, database communication and process control systems, while rapid prototyping is based on open-source physical computing platforms. 

 

Research Areas

  • Simulation modeling of biotechnological processes including development in the integration of complex models with database-supported hybrid simulation environments
  • Process optimisation through schedule-based non-profit indicators
  • Integration of metaheuristic algorithms for decision making
  • Creation of stochastic models for integration into simulation environments
  • Development of a decentralized solution for wastewater treatment (Anaerobic digestion)
  • Development of adaptive process controls using machine learning
  • Online and offline training of automated fluid processes with the further development of numerical procedures

 

Nach oben