2019年5月10
无论是在工业、农业还是私人家庭，所有地方都需要化学品。然而，它们的生产需要大量的能源。通过一种新的混合接入方式，能源可以根据工厂和工艺的不同，保持在两位数的百分比范围内。这项创新是由德国弗劳恩霍夫工业数学研究所的Michael Bortz博士和Karl-Heinz Küfer教授团队完成的，他们将获得约瑟夫·冯·弗劳恩霍夫奖。
Fraunhofer ITWM的Michael Bortz博士(左)和Karl-Heinz Küfer教授因开发出能节约两位数百分比的分析工具而获得Joseph von Fraunhofer奖。(©弗劳恩霍夫/彼得亚雷Banczerowski)
塑料、化肥、洗涤剂——这些材料已经成为人们日常生活中必不可少的一部分。欧洲杯足球竞彩尽管它们五花八门，但有一个共同点:它们是由化学部门批量生产的特定基础化学品制成的。然而，这涉及大量能源:化学品生产占欧洲商业能源总需求的20%。如果这些可以减少，这将保护环境和公司的预算。尝试和错误是可以消除的——因为这样产品可能不符合质量规格，可能无法销售。损失将是意料之外的。
分析工具:显著节能
在凯泽斯劳滕Fraunhofer ITWM的Michael Bortz博士和Karl-Heinz Küfer博士的指导下，这个团队建立了一个系统地描述多层面过程的模型。为此，他们被授予约瑟夫·冯·夫琅和费奖。
我们的算法真实地描述了生产过程，因此我们可以描述整个生命周期的生产过程。这已经使我们能够为现有的生产工厂节省10%的能源。
Michael Bortz博士，物理学家和部门主管，Fraunhofer ITWM
化工集团巴斯夫(BASF)和瑞士化工和制药公司龙沙集团(Lonza group AG)已经在使用该软件，每天有数百名工艺工程师可以使用该软件。
首先，一种混合方法:模型和过程数据携手并进
在我们的分析中，我们把两件事放在一起:首先，我们在模型中表示的物理定律，也就是说，关于热力学和化学过程的专业知识。其次，测量过程中各种传感器所确定的数据，例如温度和压力。我们在没有物理数据可用的地方使用这些数据。
卡尔-海因茨博士Küfer，弗劳恩霍夫ITWM部门经理
到目前为止，这种传感器数据已经被用于跟踪过程，并能够在合理的时间内做出反应，例如，温度或压力偏离。围绕这两位科学家的团队正在使用机器学习技术来提升这种“数据宝藏”，包括人工神经网络的训练。流程数据和模型可以有效地互补。
应用潜力并不局限于化学部门:相反，只要有几个影响因素的工艺必须进行调控，就可以预期其效益，而不能仅通过测量或工艺数据来确定。根据科学家的计划，未来该系统应该能够实时工作。
来源:https://www.fraunhofer.de/en