Metalltanks in der Lebensmittelindustrie: Künstliche neuronale Netz sollen bald selbst erkennen, welche Reinigungsparameter sie anwenden. (Bild: Henkell & Söhnlein Sektkellereien)
In der Lebensmittelindustrie werden Maschinen und Produktionsanlagen mittels Cleaning-In-Place-Prozessen (CIP) kontinuierlich überprüft und automatisiert gereinigt. Da häufig der schlimmste anzunehmende Verschmutzungsfall als Standard verwendet wird, erfolgt die Reinigung meist überdimensioniert: Zu viel Zeit, Wasser, Energie und Reinigungsmittel werden verbraucht.
Um dies zu ändern, entwickeln Wissenschaftler der Friedrich-Alexander-Universität Erlangen-Nürnberg und des Fraunhofer-Instituts für Verfahrenstechnik und Verpackung IVV in Dresden im Rahmen eines Projekts der Industriellen Gemeinschaftsforschung (IGF) ein selbstlernendes Automatisierungssystem für ressourceneffiziente Reinigungsprozesse.
Künstliche neuronale Netze optimieren Prozesse
Die Maschinen sollen zukünftig selbst erkennen, welcher Verschmutzungszustand vorliegt und dann entscheiden, wie viel Wasser, Reinigungsmittel und Zeit sie zum Reinigen verwenden. In einem ersten Schritt trainieren die Projektbeteiligten künstliche neuronale Netze darauf, verschiedene Verschmutzungsqualitäten zu erkennen. Bei diesem ‚überwachten Lernen‘ wird der passende Reinigungsprozess zunächst noch von den Wissenschaftlern vorgegeben. In der darauf folgenden zweiten Phase erfolgt das sogenannte ‚bestärkende Lernen‘: Basierend auf einem Erfahrungspool aus gesammelten Messdaten entscheidet das künstliche neuronale Netz nun selbst, welche Reinigungsparameter es anwendet.
Das Forschungsprojekt wird von dem Forschungskreis der Ernährungsindustrie (FEI) innerhalb des Innovationsnetzwerks der Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) organisiert.
(mns)
