Künstliche Intelligenz: Eine neue Realität für Chemieingenieure

1. Februar 2019 | Von Mary Page Bailey

Von der Prozess- und Materialentwicklung bis hin zur Wartung und Logistik entwickelt sich künstliche Intelligenz (KI) zu einer transformativen Kraft in der gesamten chemischen Prozessindustrie

Wie in vielen anderen Sektoren beginnen sich auch in der chemischen Prozessindustrie (CPI) Technologien der künstlichen Intelligenz (KI) zu entwickeln. Während KI-gestützte Lösungen und andere damit verbundene Technologien wie Robotic Process Automation (RPA), Internet of Things (IoT), automatisierte Drohnen und Quantencomputing für viele CPI-Anwendungen noch relativ neu sind, erkennen Entwickler und Benutzer gleichermaßen ihr Potenzial Vorteile für die Beschleunigung von Forschung und Entwicklung (F&E), vorausschauende Wartung, Prozessoptimierung und mehr.

Im Rahmen ihrer Smart Operations-Initiative nutzt die Henkel AG & Co. KGaA (Düsseldorf, Deutschland; www.henkel.com) KI-Funktionen in ihren globalen Prozessabläufen und Lieferketten. „Wir nutzen KI, um effiziente Analysen komplexer Datenfelder durchzuführen, um eine höhere Produktionsleistung, schnelle Produktinnovationen und eine Skalierung unserer selbstanpassenden Produktionssysteme zu erreichen“, erklärt Sandeep Sreekumar, globaler Leiter von Adhesive Digital Operations bei Henkel. „Unser Fokus liegt nicht nur auf der Erfassung interner Fertigungsdaten, sondern auch auf der aktiven Zusammenarbeit mit Kunden an Datenerfassungsmöglichkeiten während der Produktnutzung, um Verbesserungen vorzunehmen und sich an veränderte Kundenbedürfnisse anzupassen“, sagt Sreekumar. Henkel setzt derzeit extern entwickelte KI-Technologien ein, das Unternehmen strebt jedoch die Schaffung eines Ökosystems an, in dem sowohl interne als auch Drittanbieterlösungen nebeneinander existieren, und den Aufbau eines vollständig transparenten globalen Lieferketten- und Betriebsnetzwerks, das sowohl automatisiert ist als auch sich selbst an Schwankungen anpasst, erklärt Tim Gudszend, globaler Leiter Klebstofftechnologien und Investitionen bei Henkel. Die „Smart Factory“-Technologien des Unternehmens sollen das Verständnis der Rohstoffverfügbarkeit und des aktuellen Produktionsstatus verbessern, um das Betriebspersonal besser bei der Anpassung des Produktionsprozesses zur Leistungssteigerung zu beraten. „Durch die Analyse dieser Daten haben wir in diesen Anlagen erhebliche Verbesserungen der Rohstoffausbeute und eine höhere Leistungsqualität umgesetzt“, fügt Gudszend hinzu.

Während Henkel bei seinen KI-Projekten Erfolge verzeichnen konnte, ist die Implementierung neuer Technologien nicht ohne Herausforderungen. „Eines der größten Probleme besteht darin, alle relevanten Daten für einen Prozess und sein Einflussumfeld zu generieren und diese Informationen für eine ‚Big Data‘-Lösung verfügbar zu machen, damit sie in vollem Umfang genutzt werden können“, erklärt Gudszend und fügt hinzu, dass Henkel setzt verbesserte Datenanalyseplattformen ein, um Daten in seinen globalen Lieferketten- und Betriebsnetzwerken besser zu integrieren. Trotz der Herausforderungen betont Sreekumar, dass Henkel viele KI-Vorteile realisiert hat, von der Beschleunigung der Markteinführung neuer Produktformulierungen und der Skalierung bis hin zur schnellen Erkennung und Lösung von Produktqualitätsproblemen. „KI-Technologien sind disruptiv und werden weiterhin dazu beitragen, die Einführung neuer Produkte voranzutreiben und die Produktionsraten von Monaten und Jahren auf Wochen oder Tage zu verbessern. Die Technologien werden die Entwicklung neuer Geschäftsmodelle fördern, die Betriebsbedingungen verbessern und qualitativ hochwertigere Produkte erzeugen.“ er fährt fort.

In Japan hat ein neues Forschungsprojekt KI eingesetzt, um das Polymerdesign erheblich zu beschleunigen und die Entwicklung fortschrittlicher Funktionsmaterialien zu beschleunigen. Die Arbeit von Showa Denko KK (SDK; Tokio; www.sdk.co.jp), dem National Institute of Advanced Industrial Science and Technology (AIST; Tsukuba City; www.aist.go.jp) und der Research Association of High -Throughput Design and Development for Advanced Functional Materials (ADMAT; Tsukuba City; www.admat.or.jp) hat gezeigt, dass KI-gestütztes Polymerdesign etwa vierzigmal schneller ist als herkömmliche Ansätze. Ausgehend von einer sehr großen Anzahl in Frage kommender Polymere kann die KI-Technologie laut SDK Polymereigenschaften in weniger als einer Sekunde pro Polymer vorhersagen. Aktuelle Versuche konzentrierten sich auf die Bestimmung der Glasübergangstemperatur von Polymeren aus einem Feld von 417 verschiedenen Arten von Polymerstrukturdaten, aber die Technologie könnte problemlos auf eine beliebige Anzahl gewünschter Eigenschaften angewendet werden. In diesem Fall wurde das Polymer mit der höchsten Glasübergangstemperatur in nur 4,6 Versuchen ermittelt (Abbildung 1).

ABBILDUNG 1. Mithilfe des KI-gestützten Polymerdesigns wird die Anzahl der Versuche, die erforderlich sind, um eine bestimmte Materialeigenschaft gezielt zu erreichen, drastisch reduziert

Dies ist nicht die erste Anwendung von KI im Bereich des Polymerdesigns, zeichnet sich jedoch durch die Verwendung der Bayes'schen Optimierung aus, die den Prozess weiter beschleunigt. „Normalerweise ist KI für das Polymerdesign nicht so effizient, da sie dazu neigt, ähnliche Polymere zu empfehlen, die zuvor untersucht wurden. Im Gegensatz dazu ermöglicht uns die Bayes’sche Optimierung, eine größere Vielfalt von Polymeren zu untersuchen, die eine gewünschte Eigenschaft besitzen, indem wir den Kompromiss zwischen hoher erwarteter Leistung berücksichtigen.“ und hohe Unsicherheit“, erklärt SDK. Eine hohe Unsicherheit weist darauf hin, dass das Polymer in der Vergangenheit nicht untersucht wurde, und eine hohe Leistung weist darauf hin, dass das Polymer zur Erfüllung einer Reihe von Eigenschaftsanforderungen geeignet ist. SDK ist davon überzeugt, dass die durch KI ermöglichte Hochgeschwindigkeitsvorhersage einen Wettbewerbsvorteil bei der Entwicklung neuer Produkte verschaffen wird, indem eine riesige Menge an Kandidatenmaterialien in kurzer Zeit bewertet wird, ohne dass manuelle Experimente erforderlich sind.

AxiPolymer Inc. (Montreal, Que., Kanada; www.axipolymer.com) hat spezielle KI-Lösungen entwickelt, die auf die Bedürfnisse von Polymerverarbeitern zugeschnitten sind. „Die Polymerproduktion und die Polymerverarbeitung verfügen über hochentwickelte miteinander verbundene Parameter, die die endgültigen Polymereigenschaften bestimmen, und diese Parameter erzeugen eine enorme Datenmenge. KI bietet uns die Möglichkeit, das verborgene Muster zwischen diesen Parametern zu finden, um die Eigenschaften der Endprodukte anzupassen.“ „, sagt AxiPolymer. Die Erfahrungen des Unternehmens mit KI begannen zunächst mit der Entwicklung von Entscheidungshilfetools, die für die Implementierung in Prozesse der Polymerlieferkette konzipiert waren. Anschließend begann das Team auf der Grundlage zusätzlicher Analysen, mithilfe von KI-Technologie den Geräteausfall und den vorausschauenden Wartungsbedarf der Branche zu untersuchen.

Da KI und maschinelles Lernen noch relativ neue Konzepte in der Polymerindustrie sind, stellt AxiPolymer fest, dass sich viele Unternehmen nicht darüber im Klaren sind, wie tiefgreifend diese Tools die Wettbewerbsfähigkeit ihrer Unternehmen steigern können. „Der wichtigste Input für KI-Algorithmen sind historische Daten. In der Polymerindustrie ist die Menge und Vielfalt unverarbeiteter Daten unglaublich hoch. Es ist eindeutig eine Frage der Zeit, bis diese Tools häufiger eingesetzt werden, um den vollen Nutzen dieser Daten auszuschöpfen.“ " erklärt AxiPolymer. Das Forschungs- und Entwicklungsteam von AxiPolymer arbeitet derzeit an einem neuartigen Echtzeit-Entscheidungsmodul, um Polymerherstellern und -verarbeitern KI-basierte Optimierungstechniken bereitzustellen. Unter Berücksichtigung zahlreicher Kontrollfaktoren wie Reaktordruck, Temperatur und Zufuhrrate sowie der Auswirkungen der Variationen dieser Parameter auf andere Eigenschaften wird das Modul es Benutzern ermöglichen, Endprodukteigenschaften ohne herkömmliche Versuch-und-Irrtum-Entwicklungstechniken vorherzusagen und anzupassen. Darüber hinaus kann das Modul laut AxiPolymer Hinweise zu notwendigen Änderungen im aktuellen Zustand des Systems geben, die auf praktischen Einschränkungen basieren, um die Zieleigenschaften des Endprodukts aufrechtzuerhalten (Abbildung 2).

ABBILDUNG 2. Neue KI-Module können die notwendigen Prozessänderungen berücksichtigen, die am aktuellen Zustand eines Systems erforderlich sind, um eine bestimmte Polymereigenschaft zu erreichen

In einem anderen Projekt, das KI für die Materialentwicklung untersuchte, wandte ein Forscherteam der Universität Osaka (www.osaka-u.ac.jp) KI an, um die Materialauswahl für organische Photovoltaik-Solarzellen (OPV) zu automatisieren, die aus einer organischen Komponente bestehen und ein halbleitendes Polymer. Ziel der Arbeit war es, die Leistungsumwandlungseffizienz (Power Conversion Efficiency, PCE) von OPV-Zellen zu maximieren, indem die optimale Kombination aus organischen und Polymermaterialien ermittelt wurde – ein Prozess, der normalerweise viele zeitaufwändige Versuch-und-Irrtum-Experimente erfordert. Mithilfe von KI und maschinellem Lernen konnte das Team Daten von 1.200 verschiedenen OPV-Zellen auswerten, um die optimalen Eigenschaften – in diesem Fall Bandlücke, Molekulargewicht und chemische Struktur – zu ermitteln und schnell zu bestimmen, welche am effizientesten wären Anschließend werden Polymere auf ihren vorhergesagten PCE untersucht. Anschließend bewertete das Team, welche dieser resultierenden Materialien am besten hergestellt werden könnten. Diese spezielle Arbeit nutzte „Random Forest“-Maschinenlernen, das ein Netzwerk von Entscheidungsbäumen für die Datenklassifizierung und -regression erstellt.

Das Versprechen von KI-Technologien im CPI geht über das Labor hinaus – KI ist in der Lage, Abläufe durch verbesserte Wartungsplanung und Prozessoptimierung zu verändern.

In Zusammenarbeit mit SDK hat Hitachi Ltd. (Tokio; www.hitachi.com) eine KI-gestützte Plattform für vorausschauende Wartung entwickelt und kommerzialisiert, die nun den Fertigungskunden von Hitachi weltweit angeboten wird. Die Ethylenanlage Oita Complex von SDK diente als Versuchsanlage zur Demonstration der kommerziellen Praktikabilität des neuen KI-Dienstes, der die adaptive Resonanztheorie (ART) nutzt, um Anlagenbetriebsdaten in Echtzeit zu analysieren und zu klassifizieren und Anomalien zu identifizieren, die zu Geräteausfällen führen könnten. Bei Versuchen im Werk Oita konnte die Technologie das Auftreten von Verkokung erfolgreich vorhersagen. Laut Hitachi ist diese Methode in der Lage, Muster und Anomalien zu erkennen, die von herkömmlichen Modellen zur vorausschauenden Wartung nicht erkannt würden. Nun plant SDK, die Technologie in weiteren Anlagen einzuführen und gleichzeitig das KI-Modell zur Bestimmung verschiedener Verkokungsmechanismen weiter zu verfeinern.

Im Dezember 2018 schloss die Compañía Española de Petróleos SAU (Cepsa; Madrid, Spanien; www.cepsa.com) ein Projekt zur Implementierung von KI-Technologien ab, um den Betrieb in ihrer Phenolproduktionseinheit im Chemiewerk Palos in Huelva, Spanien, zu verbessern (Abbildung 3). . Nach Angaben des Unternehmens haben diese neuen KI-gestützten Maßnahmen die Phenolproduktion um 2,5 % gesteigert, was zu einer zusätzlichen Kapazität von 5.500 Tonnen pro Jahr führte. Um dies zu erreichen, wurden zwei Echtzeit-Optimierungsroutinen entwickelt, die maschinelles Lernen und Vorhersagemodelle nutzen, um dem Anlagenpersonal in 15-Minuten-Intervallen Empfehlungen zur betrieblichen Verbesserung zu geben. Der Aufbau dieser Optimierer erforderte die Analyse von über 3.000 Prozessvariablen, die von Labordaten bis hin zu lokalen Klimabedingungen reichten.

ABBILDUNG 3. Durch den Einsatz von KI in dieser Phenolanlage konnte die Produktionskapazität effektiv um über 5.000 Tonnen pro Jahr gesteigert werden (Cepsa).

Im Juni 2018 startete Repsol (Madrid, Spanien; www.repsol.com) eine Zusammenarbeit mit Google Cloud, um KI und fortschrittliche Datenanalysen einzusetzen, um den Verbrauch von Energie und anderen Ressourcen in Repsols Erdölraffinerie mit einer Kapazität von 186.000 Barrel pro Tag in Tarragona, Spanien, zu optimieren . Laut Repsol zielt das Projekt darauf ab, über 300 Variablen mithilfe verschiedener KI- und maschineller Lernmodelle intelligent zu verwalten, was einer mehr als zehnfachen Steigerung der Anzahl der Variablen entspricht, die typischerweise von digital integrierten Industriesystemen verarbeitet werden.

Zur Verbesserung der Sicherheit und Ressourceneffizienz werden zunehmend „intelligente“ Sensoren, KI und Robotik eingesetzt. Der Lagertank- und Terminalbetreiber Royal Vopak (Rotterdam, Niederlande; www.vopak.com) erprobt in seinen Anlagen in Singapur mehrere fortschrittliche Technologien, darunter Drohnen, Roboter und „intelligente“ Logistik- und Planungssysteme (Abbildung 4). „Durch den Einsatz von Robotern für Tankinspektionen wird vermieden, dass Personal in enge Räume geschickt wird, und die Belastung des Personals durch potenziell gefährliche Bedingungen wird minimiert“, sagt Edwin Ebrahimi, Leiter des Innovationsengagements bei Vopak Terminals Singapore. Da Tanks für laufende Roboterinspektionen nicht gereinigt und belüftet werden müssen, wird außerdem die Entstehung von Emissionen und Abwasser vermieden. Während dieser wiederkehrenden Prüfungen steht der Tank weiterhin den Kunden zur Verfügung. Neben der Inspektionsrobotik evaluiert das Team im Rahmen seiner Innovationsoffensive in Singapur auch die Zustandsüberwachung und die digitalisierte Supply-Chain-Integration (Abbildung 5). „Die Terminals in Singapur fungieren als Testumgebung für neue Technologien, und nach erfolgreichen Versuchen hier wollen wir sie in unserem gesamten Netzwerk weltweit einsetzen“, erklärt Ebrahimi. Über die Analyse und Automatisierung technischer Prozesse hinaus verzeichnet das Unternehmen auch Erfolge bei der Digitalisierung administrativer und logistischer Tätigkeiten. „Der Einsatz von RPA und KI wird uns helfen, den Verwaltungsaufwand unserer Logistik- und Betriebsabteilungen zu reduzieren, sodass sie sich auf wertschöpfende Aufgaben für unsere Kunden konzentrieren und eine bessere Transparenz ihrer Lieferkette schaffen können. Schließlich wird eine Verbesserung der Terminalproduktivität dazu führen.“ niedrigere Betriebskosten“, sagt Ebrahimi.

ABBILDUNG 4. Ein automatisierter Inspektionsroboter wird für den Einsatz in einem in Betrieb befindlichen Lagertank Vopak vorbereitet

ABBILDUNG 5. Drohnen, Roboter und fortschrittliche Sensor- und Analyseplattformen kommen zusammen, um die Sicherheit und das Lieferkettenmanagement für Vopak-Lagerterminals zu verbessern

KI verspricht auch eine Rationalisierung von Wasseraufbereitungsvorgängen. Zwei separate Projekte der University of Waterloo (Ontario, Kanada; www.uwaterloo.ca) nutzen KI, um große Herausforderungen bei der Wasseraufbereitung zu bewältigen – Leckagen und Cyanobakterien. Gemeinsam mit Industriepartnern haben Forscher der Universität eine hochentwickelte KI-Signalverarbeitungsplattform entwickelt, die mithilfe von Hydrophonsensoren akustische Signale aufzeichnet, um selbst sehr kleine Lecks in Wasserleitungen zu erkennen. In Laborversuchen erkannten die Sensoren erfolgreich Lecks von nur 17 l/min, und Forscher führen nun Feldversuche mit der Technologie durch. Die Fähigkeit, Anzeichen von Leckagen schnell und genau zu erkennen, ermöglicht eine proaktivere Reaktion.

Das Vorhandensein von Cyanobakterien stellt Wasseraufbereitungsanlagen vor eine Reihe schwerwiegender Probleme, und die Überwachung ist für die Eindämmung dieser Probleme von entscheidender Bedeutung. An der University of Waterloo entwickelte KI-Software kann verschiedene Arten von Cyanobakterien identifizieren und quantifizieren und eine automatische Analyse von Wasserproben in etwa 1–2 Stunden durchführen – erheblich schneller als herkömmliche manuelle Analysetechniken, deren Abschluss 1–2 Tage dauern kann. Durch den schnellen Analysedurchsatz können Betreiber frühzeitig vor potenziellen Problemen gewarnt werden. Ziel des Teams ist es, die KI-Software zu einer mikroskopischen Lösung zur kontinuierlichen Überwachung weiterzuentwickeln, um neben Cyanobakterien auch mit weiteren Mikroorganismen und anderen Kontaminanten umgehen zu können.

Letzten Monat auf der Consumer Electronics Show (CES) 2019 in Las Vegas, Nevada, ExxonMobil Corp. (Irving, Texas; www.exxonmobil.com) und IBM Q (www.ibm.com/ibmq), die Branchenneuheit von IBM Die Initiative, die sich auf die Beschleunigung von Quantentechnologien konzentriert, kündigte eine neue Partnerschaft an, die Quantencomputing-Fähigkeiten erstmals in den Energiesektor bringen wird. Quantencomputing – eine aufstrebende Technologie mit immenser Rechenleistung – verspricht, extrem komplexe wissenschaftliche Herausforderungen effektiver zu bewältigen als herkömmliche Computer. Für ExxonMobil gehören zu den potenziellen Anwendungen des Quantencomputings die prädiktive Umweltmodellierung und die Entdeckung neuer Materialien für eine effizientere Kohlenstoffabscheidung.

Während fortgeschrittene Technologien wie Quantencomputing für den CPI noch sehr neu sind, werden sicherlich weiterhin neue Anwendungen entstehen, da immer mehr Benutzer beginnen, die Fähigkeiten der KI zu verstehen.