Ausgewählte Projekte: AI and Decision Support in Energy and Automation Systems

MORE-KIBA
MORE-KIBA: Menschenverständliches, optimales Ressourcen- & Energiemanagement für komplexe, netzintegrierte, biogene Produktionsanlagen (2025-2028)
Ziel dieser Studie ist es, künstliche Intelligenz (KI) zu nutzen, um die algorithmischen Entscheidungen, die zu einem nachhaltigen Betrieb führen, nachvollziehbar zu machen. Dies soll anhand einer Bioraffinerie und eines Energiesimulators als Anwendungsbeispiele erfolgen. Gerade in Zeiten begrenzter Ressourcen ist das optimale Funktionieren von Produktionsanlagen von entscheidender Bedeutung. Es ist offensichtlich, dass Vorschläge zur Verbesserung technischer Prozesse häufig den Einsatz mathematischer Algorithmen beinhalten. Diese Algorithmen sind für Bediener jedoch oft schwer zu verstehen, was vor allem auf die Komplexität der Industrieanlagen und die Komplexität der verwendeten algorithmischen Darstellungen zurückzuführen ist. Infolgedessen wird das Potenzial für einen nachhaltigen Betrieb häufig nicht ausgeschöpft, oder Technologien werden sogar verworfen - obwohl ihr optimierter Betrieb zu erheblichen kurzfristigen Einsparungen führen könnte. Ziel dieser Nachwuchsforschungsgruppe ist es, mithilfe von KI die Transparenz und Nachvollziehbarkeit algorithmischer Entscheidungen für die Betreiber technisch komplexer Produktionssysteme zu verbessern. Der Ansatz wird am Beispiel einer biochemischen Produktionsanlage demonstriert, die mit einem Energiesimulationsnetz gekoppelt ist. Das Projekt wird aus Steuermitteln finanziert, die auf Grundlage des vom Sächsischen Landtag beschlossenen Haushalts bereitgestellt werden, sowie von der Europäischen Union kofinanziert.


CUBES Circle
CUBES Circle: Agrarsysteme der Zukunft: Ein geschlossenes symbiotisches Kreislaufsystem modularer Einheiten mit dem Ziel einer ressourceneffizienten Produktion von Lebensmitteln (2019-2028)
Im Projekt CUBES Circle (closed urban modular energy- and resource-efficient agricultural systems) werden drei agrarische Produktionssysteme – die Aquakultur, die Produktion von Insekten und die gärtnerische Pflanzenproduktion – als Kreislaufsystem miteinander vernetzt. Die Organismen verwerten dabei die Reststoffe aus den jeweiligen anderen Produktionsprozessen. So werden die Reststoffe aus dem einen Produktionsschritt im nächsten wieder zu Wertstoffen. Um das Kreislaufsystem zu kontrollieren und zu optimieren, sind die CUBES-Produktionssysteme digital miteinander vernetzt.


Apfel4NULL
Apfel4NULL: Einsatz von Sensoren für eine nachhaltige Produktion und Lagerung von Apfel (2020-2023)
Die Lagerung von Obst, insbesondere die Langzeitlagerung, ist heute für eine preisstabile Vermarktung, aber auch zur saisonübergreifenden Versorgung der Verbraucher in Europa von grundlegender Bedeutung. Robuste Vorhersagemethoden für Krankheiten von Äpfeln gibt es im Allgemeinen nicht. Methoden der Datenauswertung und des maschinellen Lernens zeigen ein großes Potenzial um solche komplexen Vorgänge zu klassifizieren. Basierend auf Spektralmessungen Wetterdaten und Lagermessungen wird so eine Klassifikation der Äpfel nach Fruchtqualität durchgeführt. Weitere Informationen finden sich auf dieser Internetseite.


SensCEA
SensCEA: Sensorgestützte Effizienzsteigerung in Controlled Environment Agriculture (2023-2026)
Ziel des Vorhabens ist die Entwicklung eines digitalen Zwillings zur Optimierung und Automatisierung von Kultivierungsprozessen für die Landwirtschaft in kontrollierter Umgebung (Gewächshäuser, vertikale Farmen). Kern des digitalen Zwillings ist eine Wachstumsmodellierung, die das Pflanzenwachstum in Abhängigkeit von den Stoff - und Energieströmen beschreibt, die unter anderem von der energieintensive Klima- und Lichtsteuerung beeinflusst werden. Durch die Modellierung soll das Prozessverständnis für das biotechnische System Gewächshaus vertieft werden, sodass der Energiebedarf reduziert werden kann. Dies soll etwa durch eine Verkürzung der Beleuchtungszeit mit künstlichem Licht (LED-Beleuchtung) durch erhöhte CO2-Düngung erreicht werden. Außerdem soll insbesondere das Potential optimaler Reglungsalgorithmen auf Grundlage der Modellvorhersagen genutzt werden (prädikative Regelung). Zur Modellbildung werden Daten in Experimente an GreenResearcher-Systemen von greenhub erhoben, der Datentransfer sowie die Entwicklung eine grafischen Userinterfaces erfolgt durch mewedo.
