Entwicklung eines Reinforcement-Learning-Agenten zur Prozesssteuerung eines experimentellen Laboraufbaus der Prozessindustrie
- Künstliche Intelligenz hat sich in den vergangenen Jahren zu einer zentralen Technologie entwickelt, wel-che heute zahlreiche gesellschaftliche, technische und industrielle Bereiche wie personalisierte Pro-duktempfehlungen, Navigation, Finanzanalytik oder medizinische Diagnostik prägt. Darüber hinaus wer-den bereits KI-basierte Verfahren eingesetzt, um Entscheidungsprozesse zu unterstützen oder vollständig zu automatisieren. Insbesondere lernbasierte Verfahren, sogenannte Reinforcement-Learning Agenten, ha-ben sich als leistungsfähige Tools für datenbasierte Entscheidungsprozesse erwiesen, da diese Algorithmen in der Lage sind, durch die kontinuierliche Interaktion mit ihrer Umgebung, ihre Handlungen zu bewerten und aus diesen zu generalisieren. Die Bewertung erfolgt auf Grundlage einer zuvor definierten Belohnungs- und Bestrafungsfunktion, welche die gewünschten Systemzustände oder Handlungsfolgen positiv und un-erwünschte Verhaltensweisen negativ gewichtet. Mittels dieser Gewichtungen lernt der Agent sukzessiv Strategien, die ihn mit möglichst hoher Effizienz zu den vorgegebenen Zielzuständen führen. [1] In simulationsbasierten Anwendungsfeldern wie der Robotik, Steuerungssystemen oder der Optimierung von Energienetzen werden bereits die Reinforcement-Learning-Agenten erfolgreich eingesetzt. Diese Ver-fahren zeigen Potenzial zur effizienten Regelung nichtlinearer und dynamischer Systeme. In sicherheitskri-tischen Bereichen wie dem Automotive, zur Unterstützung des hochautomatisierten Fahrens, und im Be-reich der Biometrie zur biometrischen Verifikation und Identifikation von Personen, werden bereits KI-Methoden im großen Maßstab eingesetzt. [1] Im Gegensatz dazu ist der Einsatz künstlicher Intelligenz in der Prozessindustrie bislang noch vergleichs-weise begrenzt, insbesondere wenn es um die Übernahme sicherheitsgerichteter Funktionen geht. In Bran-chen wie der chemischen und pharmazeutischen Industrie werden KI-gestützte Systeme primär eingesetzt, um Produktionsprozesse zu automatisieren. Ziel ist es, die Produktion effizient zu optimieren und gleich-zeitig die Produktqualität auf einem konstant hohen Niveau zu halten. Bereits erste Einsätze von KI-Me-thoden zur Prozessüberwachung, speziell der frühzeitigen Erkennung von Qualitätsschwankungen inner-halb einer Produktionscharge, helfen den Industrieunternehmen dabei, potenzielle Fehlproduktionen zu verhindern und somit wirtschaftliche Verluste zu reduzieren. [3,4] Ferner helfen KI-basierte Systeme, Stillstandzeiten technischer Anlagen zu reduzieren, indem sie frühzeitig auf potenzielle Störungen von technischen Anlagen hinweisen und damit zu einer potenziellen Verlänge-rung der Lebensdauer beitragen. In diesem Kontext kommt insbesondere das Konzept des Predictive Main-tenance zum Einsatz. Dieses kann durch eine datenbasierte Zustandsüberwachung, Wartungsmaßnahmen gezielt planbar machen und somit die Anlagenverfügbarkeit ebenso wie die Betriebssicherheit nachhaltig erhöhen. [5] Die Optimierung und Überwachung der Prozesse hat sich als Anwendungsfeld für KI in der Prozessindust-rie etabliert. Die komplette Steuerung und Regelung von Prozessen mittels eines lernbasierten Verfahrens findet keine breite industrielle Anwendung. Aus diesem Hintergrund verfolgt diese vorliegende Arbeit die Analyse des Potenzials eines Reinforcement-Learning Agenten, Steuerungsaufgaben in prozesstechnischen Anlagen zu übernehmen. Als Grundlage zur Analyse der Effizienz und des Steuerungsverhaltens dient der experimentelle Prozesslaboraufbau der FI-NAX-Anlage. Ziel ist es, die Leistungsfähigkeit des Reinforcement-Learning-Agenten hinsichtlich Steue-rungseffizienz, Regelverhalten und Robustheit zu analysieren und zu bewerten. Der Laboraufbau dient da-bei als praxisnahes Demonstrationssystem. Darüber hinaus soll gezeigt werden, inwiefern ein datengetrie-bener Ansatz in der Lage ist, komplexe Systemdynamiken zu erfassen und zielgerichtete Steuerungsstrate-gien zu entwickeln. Die Entwicklung, das Training sowie die Validierung des Reinforcement-Learning-Agenten erfolgen in dieser Arbeit unter Verwendung des V-Modells aus der IEC 61508-3. Das strukturierte Vorgehensmodell stellt Anforderungen an die Entwicklung von sicherheitsrelevanter Software, die zum Einsatz in sicher-heitsbezogenen Systemen vorgesehen ist. [6]
| Author: | Matteo Brunoni |
|---|---|
| URN: | urn:nbn:de:hbz:1393-opus4-16718 |
| Document Type: | Master's Thesis |
| Language: | German |
| Year of Completion: | 2026 |
| Date of final exam: | 2026/05/27 |
| Release Date: | 2026/08/13 |
| Page Number: | 131 |
| Institutes: | Fachbereich 4 - Institut Naturwissenschaften |
| DDC class: | 300 Sozialwissenschaften / 330 Wirtschaft |
| Licence (German): | No Creative Commons |



