Abschlussbericht zum Vorhaben: Edge-Power - Robuste und sichere Edge-Elektronik für Industrieprozesse und kritische Infrastrukturen; Teilprojekt HZDR: Leistungsoptimierte Machine-Learning-Methoden zur Mischcharakterisierung und Prozesssteuerung mit einem energieautarken EPS-Pro-System am Beispiel einer Biogasanlage

Abstract

Ziel des HZDR-Teilvorhabens war die Entwicklung leistungsoptimierter Machine-Learning-Verfahren zur bildbasierten Charakterisierung des Mischzustands in einem Biogasfermenter und deren Integration in ein energieautarkes Edge-Power-System. Da der Durchmischungszustand wegen des nicht transparenten Substrats und des eingeschränkten Zugangs zum Fermenter mit konventioneller Messtechnik kaum erfassbar ist, erfolgte die Bewertung in der Praxis bislang überwiegend manuell. Ein außen am Sichtfenster installiertes Kamerasystem sollte die Substratoberfläche beobachten und lokal Informationen zu Füllstand, Strömungsrichtung und Gasblasenbildung ableiten. Damit sollten die Prozessbewertung objektiviert, der Anlagenbetrieb unterstützt und die Eignung einer robusten, kompakten und energieautarken Edge-Plattform demonstriert werden. Zu Projektbeginn lagen für die bildbasierte Bewertung realer Oberflächenströmungen in Biogasfermentern nur Verfahren aus anderen Anwendungsgebieten oder idealisierten Laborversuchen vor. Daran wurde mit klassischer Bildverarbeitung, insbesondere Optical Flow, sowie ressourceneffizienten KI-Modellen zur Klassifikation und Objekterkennung angeknüpft. Gemeinsam mit den Partnern wurde zunächst ein modulares System aus Edge-Gateway, Prozess-Gateway und Energiemodul spezifiziert. Festgelegt wurden relevante Bild- und Prozessgrößen sowie Anforderungen an Rechenleistung, Energiebedarf, Kommunikation, Sicherheit und Robustheit. Laborversuche zeigten, dass sich die realen Strömungs- und Lichtverhältnisse des Fermenters im kleinen Maßstab nur unzureichend nachbilden ließen. Daher wurde der Schwerpunkt auf reale Betriebsdaten verlagert. Das HZDR entwickelte ein explosionsgeschütztes Kamera- und Beleuchtungssystem, das an der Biogasanlage der BBE in Bad Oldesloe installiert wurde. Über mehrere Monate wurden Videoaufnahmen und parallel über MQTT bereitgestellte Prozessdaten erfasst. Darauf aufbauend wurden die Algorithmen entwickelt, für die Zielhardware optimiert und in einen zyklischen Ablauf aus Aufnahme, lokaler Auswertung und Übergabe verdichteter Prozessinformationen integriert. Die zusätzlich erforderliche explosionsgeschützte Ausführung und die Systemintegration führten zu Verzögerungen und einer kostenneutralen Verlängerung, ohne die Zielerreichung grundsätzlich zu beeinträchtigen. Es wurde ein feldtauglicher Demonstrator zur energieeffizienten lokalen Auswertung von Bild- und Prozessdaten an einem realen Biogasfermenter umgesetzt. Entwickelt wurden Verfahren zur Erkennung verschmutzter Sichtfenster, zur Detektion platzender großer Gasblasen sowie ein KI-Objektdetektor für kleine und große Gasblasen. Die Modelle wurden für die NPU des NXP-i.MX-8M-Plus optimiert und gegenüber einer reinen CPU-Auswertung deutlich beschleunigt. Aus der Messkampagne entstanden rund 4,1 TB Video- und 105 GB Anlagendaten. Damit können Zusammenhänge zwischen Oberflächenströmung, Gasblasenbildung, Rührerbetrieb und Gasproduktion untersucht werden. Das Edge-System stellte lokal Informationen zu Füllstand, Strömungsrichtung und Gasblasenaktivität bereit. Auch die autarke Energieversorgung mit Photovoltaik und Batteriespeicher sowie die grundlegende Datenkommunikation wurden nachgewiesen. Für eine automatisierte Rückkopplung auf die Anlagensteuerung ist eine längere Pilotphase erforderlich. Die Arbeiten erfolgten eng mit den Verbundpartnern: BBE stellte Anlage, Prozessdaten und Betriebswissen bereit; NXP unterstützte Zielhardware, KI-Werkzeuge und Modelloptimierung; Thorsis die Prozess-Gateway- und OPC-UA-Anbindung; IFAK die autarke Energieversorgung. Gemeinsam wurden Datenmodelle, Schnittstellen, Betriebsabläufe und die Integration des Gesamtsystems erarbeitet. Die entstandene Datenbasis und der Demonstrator bilden eine belastbare Grundlage für weiterführende Forschungs- und Transferprojekte zur automatisierten und energieeffizienten Betriebsführung von Biogasanlagen.