Künstliche Intelligenz

Integrierbare Spektralsensorik in der Multireaktortechnologie – Ergebnisinterpretation mittels Neuraler Netze

Probenname und Messdatenerzeugung mittels Spektrometer.
© Fraunhofer ENAS
Probenname und Messdatenerzeugung mittels Spektrometer.
Aggregation und Bereitstellung der Spektraldaten.
© Fraunhofer ENAS
Aggregation und Bereitstellung der Spektraldaten.
Training von spezifischem neuralen Netz und Auswertung.
© Fraunhofer ENAS
Training von spezifischem neuralen Netz und Auswertung.

Multireaktorsysteme sind insbesondere in der Pharmaforschung und Katalyse fest etabliert. Sie zeichnen sich durch einen hohen Grad an Automatisierung und Parallelisierung aus und gewährleisten so eine hohe Effizienz. Die gezielte Manipulation der Prozesse bedarf allerdings genauerer Kenntnis der Konzentration der Reaktionsteilnehmer während des Reaktionsverlaufs. Hier stellt die NIR-Spektroskopie eine geeignete Methode dar. Im Rahmen eines FuE-Projekts wurde ein miniaturisiertes Spektrometermodul in die Systemarchitektur eines Multireaktorsystems integriert und für verschiedene Hydrierreaktionen qualifiziert. Zur Kalibration der gewonnenen Spektraldaten wurden u.a. Methoden des maschinellen Lernens und neuronaler Netze verwendet. Aktuelle Ansätze nutzen Brute-Force-Algorithmen zur Ermittlung der Faktorengewichtungen. Deshalb sind vorberechnete Modelle von Vorteil. Das Training erfolgte mittels gewonnener Messdaten, algorithmisch erzeugter Abweichungen und einem spezifischen, mehrlagigen neuronalen Netz. Die Eingangsdaten sind nach einmaliger Anpassung an das Datenformat fortan ohne weitere Vorverarbeitung nutzbar. Metadaten konnten in Einzelfällen den Messdaten zur Erhöhung der Genauigkeit zugewiesen werden. Die bei klassischen PLS-Verfahren für jeden Messdatensatz notwendigen individuellen Optimierungsvorgänge entfallen. Das heißt ein einmal trainiertes neuronales Netz kann auf die anfallenden Messdaten angewendet werden und liefert treffsichere Schätzer bezüglich vorher definierter Auswertungsziele - nahezu gleichwertig gegenüber den ebenfalls betrachteten PLS-Verfahren. Neue Messdaten können ein trainiertes Netz dynamisch anpassen, ohne die Rechenleistung eines kompletten Trainings abzurufen.