Header
 
Login
 

Privatsphäre-Einstellungen

Wir verwenden Cookies auf unserer Website. Einige von ihnen sind unerlässlich, während andere uns helfen, diese Website und Ihre Erfahrungen zu verbessern.

Notwendig Statistik Marketing
Auswahl bestätigen
Weitere Einstellungen

Hier finden Sie eine Übersicht aller verwendeten Cookies. Sie können ganzen Kategorien Ihre Zustimmung geben oder weitere Informationen anzeigen und bestimmte Cookies auswählen.

Alle auswählen
Auswahl bestätigen
Notwendig Cookies
Wesentliche Cookies ermöglichen grundlegende Funktionen und sind für die ordnungsgemäße Funktion der Website erforderlich.
Statistik Cookies
Statistik-Cookies sammeln anonym Informationen. Diese Informationen helfen uns zu verstehen, wie unsere Besucher unsere Website nutzen.
Marketing Cookies
Marketing-Cookies werden von Werbekunden oder Publishern von Drittanbietern verwendet, um personalisierte Anzeigen zu schalten. Sie tun dies, indem sie Besucher über Websites hinweg verfolgen
Zurück
    Merken
    Abbildung 1: Vergleich zwischen Momentaufnahmen einer CFD-Simulation (oben) und dem zugehörigen Experiment (unten) zum selben Zeitpunkt bei gleichen Einflussfaktoren (Quelle aller Abbildungen: Bausch+Ströbel).

    Digitaler Zwilling als Datenerzeuger für maschinelles Lernen

    Neue Einsicht in Abfüllprozesse zur Qualitätssteigerung

    Maschinen- und Anlagenbau

    EinführungSimulationVerifikation, Validierung und VereinfachungDaten, Algorithmen, LernenWas ist möglich?
    Keywords: 

    Key WordsMachine Learning |  Computational Fluid Dynamics (CFD) |  Abfüllung |  Simulation |  Digitaler Zwilling 

    Zusammenfassung

    Das Einbinden von künstlicher Intelligenz in der Industrie sorgt seit geraumer Zeit für erhebliche Beschleunigung bzgl. Prozessoptimierung. Einige Prozesse in pharmazeutischem Umfeld erschweren jedoch das Erheben der dafür benötigten Datenmengen durch ihre Komplexität, einen hohen Zeitaufwand und immense Kosten. Simuliert bleibt der Grad an Komplexität erhalten, der erforderliche Zeitaufwand und die anfallenden Kosten können jedoch maßgeblich reduziert werden. Zielführend ist hierbei die Computational-Fluid-Dynamics(CFD)-Simulation eines komplexen Prozesses, woraus Eingabe- und Ausgabedaten genutzt werden können, um einen Machine-Learning-Algorithmus zu speisen. Dadurch können „Muster“ im Ursprungsproblem erkannt und zur Optimierung genutzt werden. Somit wird versucht, die nötige Anzahl an Experimenten zur Parametrierung einer Abfüllanlage maßgeblich zu reduzieren, indem der Prozess valide simuliert werden kann, um ausreichend viele Daten für das maschinelle Lernen zu generieren.

    Maximilian Burger · Bausch+Ströbel SE + Co. KG, Nürnberg

    Korrespondenz:

    Maximilian Burger, Bausch+Ströbel SE + Co. KG, Äußere Bayreutherstraße 100, 90491 Nürnberg; E-Mail: Maximilian.Burger@Bausch-Stroebel.de

    Maximilian Burger
    Maximilian Burger begann nach seiner Ausbildung zum Elektroniker für Betriebstechnik 2013 seine berufliche Laufbahn. Nachdem er mehrere Jahre praktische Erfahrungen in verschiedenen Bereichen (u. a. im Qualitätsmanagement) sammeln konnte, entschied er sich für eine Weiterbildung. 2019 schloss er seinen Bachelor in Verfahrenstechnik ab, 2021 folgte der Masterabschluss in Maschinenbau. Während seines Studiums
    ePaper und / oder Print? Sie haben die Wahl!
    Sie haben TechnoPharm | Tech4Pharma / cleanroom & processes für sich entdeckt und möchten auf alle Beiträge und Ausgaben Zugriff haben?

    Dann registrieren Sie sich noch heute kostenlos und genießen Sie sofort alle Möglichkeiten – recherchieren, lesen, downloaden.