Prozessanalyse: Modellierung, Data Mining, Machine Learning

  • Typ: Vorlesung
  • Lehrstuhl: Institut für Industrielle Informationstechnik (IIIT)
  • Semester: Sommersemester
  • Ort:

    R120.1 am IIIT (Geb.06.35 Campus West)

  • Zeit:

    Freitag 14:00-17:15 14tgl.

     

  • Beginn: 26.04.2024
  • Dozent:

    Dr.-Ing. Christian Borchert

  • SWS: 2
  • LVNr.: 2302145
  • Prüfung:

    mündlich

  • Hinweis:

    Die Prüfung wird am 17.07.24 und 18.07.24  in Raum 120.1 am IIIT stattfinden.

    Eine Anmeldung in CAS ist erforderlich.

    Für die anschließende Terminvergabe wenden Sie sich bitte an Herrn Dr. Borchert.

Vorlesungsinhalt

Die Studierenden lernen aus der Sicht der industriellen Praxis Fragestellungen der Prozesstechnik kennen, die mit Hilfe von Methoden der physico-chemischen Modellierung und Datenwissenschaften behandelt werden. Studierende lernen wichtige Zusammenhänge der Prozesstechnik kennen und können diese anhand von Beispielprozessen erläutern. Sie sind in der Lage, relevante Prozessdaten zu erkennen und geeignete Modellierungsansätze zu deren Interpretation auszuwählen und anzuwenden. Mit Prozessdaten können die Studierenden Analysen praktisch durchführen und wenden dabei Methoden unterschiedlicher Komplexität an. Die Studierenden kennen die Wertschöpfungskette der Datenanalyse und verfügen über die Fähigkeit, ein geeignetes Datenanalyseverfahren auszuwählen. Der Lernschwerpunkt liegt auf der Vermittlung von breitem Methodenwissen und Anwendung anhand von praxisnahen Beispielen. Es wird auf spezialisierte Vertiefungsvorlesungen und/oder tiefergehende Literatur verwiesen.

Ziele der Prozesstechnik

  • Stoff- und Energiewandlung mittels chemischer, mechanischer, thermischer oder biologischer Operationen
  • Grundoperationen (Auswahl)
  • Systembeispiele
  • Wichtige Größen der Prozesstechnik (Temperatur, Druck, Zusammensetzung,…)
  • Wirtschaftlichkeit in der Prozessindustrie

Erfassung von Daten

  • Messgrößen und Messprinzipien (Auswahl)
  • Messunsicherheit

Modelle der Prozesstechnik

  • Bilanzgleichungen (Auswahl)
  • Konstitutive Gleichungen (Auswahl)
  • Lösen von Bilanzgleichungen (Beispiel in Matlab)
  • Parameterunsicherheit und Schätzung
  • Datengetriebene Modelle
  • Grey-Box Modelle / Hybride Modelle

Datenanalyse

  • Anforderungen an Datenanalyse in der Prozessindustrie
  • Wirtschaftlichkeit und Priorisierung von Prozessanalysen
  • Datenvorbehandlung
  • Anwendung von Data Mining und maschinellem Lernen
  • Online-Verfahren

Exkursion

  • Exkursion zu BASF Ludwigshafen

 

Materialien zur Vorlesung

Materialien zur Vorlesung werden semesterbegleitend in ILIAS bereitgestellt:

Magazin -> Organisationseinheiten -> Fakultät für Elektrotechnik und Informationstechnik -> SS 2021 -> Prozessanalyse: Modellierung, Data Mining, Machine Learning SS21

Literatur:

  • Bequette (1998). Process Dynamics: Modeling, Analysis and Simulation. Prentice Hall.
  • Russel & Novig (2016). Artificial Intelligence – A modern approach. Pearson.
  • Matlab Documentation (2019). Mathworks.

 

Weitere Informationen

Für weitere Informationen wenden Sie sich bitte an info@iiit.kit.edu