Unter Druck cool bleiben - Workshop zu Reinforcement Learning und Kontrolle

Alle sprechen über Kontrolle, aber nicht jeder meint dasselbe.In der industriellen Produktion bestimmt die Kontrolle die Stabilität, den Energieverbrauch, die Emissionen und die Marge in Prozessen, bei denen wenig Spielraum für Fehler besteht.Industrielle Prozessoperationen sind von Natur aus energieintensiv, haben erhebliche Umweltauswirkungen und arbeiten mit engen Rentabilitätsmargen. Diese Systeme haben lange auf sichere und zeitnahe Steuerungssignale gesetzt, um die Stabilität zu gewährleisten. Was sich jetzt ändert, ist, wie Reinforcement Learning die Leistung weiter vorantreibt, indem es adaptive Intelligenz auf bestehende Instrumentierungs- und Kommunikationssysteme legt, um größere Einsparungen bei der Effizienz, der Emissionsreduzierung und der Rentabilität zu erzielen."Unter Druck cool bleiben" ist ein praxisorientierter Workshop, der darauf abzielt, diesen Wandel intuitiv zu gestalten. Anstelle von Folien, Mathematik oder Fachjargon werden Sie in eine interaktive Demo eintauchen und erleben, wie Entscheidungen in Echtzeit hinsichtlich RL und Kontrolle getroffen werden, während sie geschehen. Am Ende der Sitzung werden Sie ein Gefühl dafür haben, wie es ist, ein Betreiber zu sein, der einen Live-Prozess unter Druck steuert.AgendaWas Sie erwarten könnenReferentOguzhan Dogru, Ph.D., P.Eng. ist ein führender Experte für fortgeschrittene Prozesskontrolle mit fast einem Jahrzehnt Erfahrung in der Förderung autonomer Steuerung und KI-gesteuerter Transformation in den Öl- und Energiesektoren. Zuletzt leitete er Support und fortgeschrittene Prozesskontrolle bei CruxOCM, wo er mit Programmbudgets in Millionenhöhe arbeitete, unternehmensweite KI-Initiativen leitete, die sechs- bis siebenstellige Einsparungen jährlich ermöglichten, sowie 40 % schnellere Systemstarts, 50 % weniger Zwischenfälle und 90 % weniger Eingriffe von Bedienern durch die von ihm entwickelten Steuerungsrahmen lieferte. Seine Promotion in Chemieingenieurwesen an der University of Alberta legte das Fundament für seine Arbeit in der prozesskontrollbasierten Reinforcement Learning unter sensorischer Unsicherheit und informiert weiterhin sein Design von adaptiven Steuersystemen für komplexe industrielle Umgebungen.