Fünf integrierte Schichten — von der Inline-Hardware bis zu physikalisch informierten Modellen — jede für den kontinuierlichen Industriebetrieb ausgelegt.
Das quantropIQ-System ist kein Sensor mit Dashboard. Es ist eine vollständige Mess- und Inferenzarchitektur — Hardware, Rechenleistung, Repräsentation, physikalisch informierte Modellierung und geschlossene Regelkreis-Applikationen — so konzipiert, dass jede Schicht die Grundlage für die nächste legt.
Der Sensor wird über einen industriellen Standard-Flansch montiert — ohne Strömungsunterbrechung, ohne Probenahme, ohne Modifikation des Prozessbehälters. Ein Messgitter überspannt den vollständigen Querschnitt und löst die räumliche Verteilung von Phasen, Konzentrationen und Strömungsstrukturen mit Millisekundenauflösung auf.
Leitfähigkeit und Permittivität werden gleichzeitig über den gesamten Querschnitt erfasst. Das Ergebnis ist ein Raum-Zeit-Feld, in dem Gasholdup, Mischungsqualität und Phaseninstabilitäten direkt beobachtbar sind — nicht aus Ersatzsignalen abgeleitet.
Eingebettete GPU-Rechenleistung pro Sensor verarbeitet Signale in Echtzeit mit Aufnahmerate. Mehrere Sensoren werden mit Hilfssignalen — Leitsystem, Durchflussmesser, Temperatur — in einem einheitlichen Datenstrom aggregiert und synchronisiert. Deterministische Niedriglatenzverarbeitung läuft vollständig vor Ort ohne Cloud-Konnektivität.
Jedes Messframe wird als physikalischer Fingerabdruck dargestellt — eine strukturierte räumliche Signatur, die Gradienten, Strömungsmuster und dynamische Änderungen erfasst. Ähnliche Zustände erzeugen ähnliche Fingerabdrücke; Abweichungen sind messbare Abstände von einem bekannten Referenzpunkt. Diese Darstellung ermöglicht den Vergleich, die Klassifikation und die Verfolgung von Prozesszuständen über die Zeit in physikalisch sinnvoller Weise.
Physikalisch informierte Neuronale Netze (PINNs) kombinieren Messdaten mit physikalischen Erhaltungsgleichungen — Masse, Impuls, Energie — und ermöglichen Vorhersagen, Was-wäre-wenn-Analysen und kausale Interpretationen, die rein datengetriebene Modelle nicht leisten können. Prozesswissen ist in der Modellstruktur kodiert, nicht nur aus historischen Daten gelernt. Dies ergibt Modelle, die über Betriebsbedingungen hinweg zuverlässig generalisieren und für Prozessingenieure interpretierbar bleiben.
Das in L1–L4 aufgebaute physikalische Verständnis ermöglicht eine Progression operativer Fähigkeiten: Stabilitätssicherung und Frühwarnung; Energieoptimierung; autonome Regelkreissteuerung; Scale-up-Beschleunigung mit quantifizierten Prozessfingerabdrücken; und anlagenübergreifendes Lernen, wenn Einsätze akkumulieren. Jede Anwendung baut auf demselben physikalischen Fundament auf — kein separates System erforderlich.
Physical AI erfordert dichte, räumlich aufgelöste Hochgeschwindigkeitsdaten. Die meisten herkömmlichen Messtechnologien können diese Kombination nicht liefern — was bedeutet, dass darauf trainierte Modelle kein physikalisches Verhalten, sondern nur Korrelationen lernen können.
Der oben beschriebene Technologie-Stack ist nicht prozessspezifisch — er gilt überall, wo Mehrphasenströmung wirtschaftliche Konsequenzen hat. Was sich zwischen Anwendungen unterscheidet, ist das gemessene physikalische Phänomen und die informierte Betriebsentscheidung.
Erfahren Sie, wie dieselbe Sensor- und Inferenzinfrastruktur in verschiedenen industriellen Kontexten unterschiedliche Mehrwerte schafft.
Sensor erfasst — vollständige Querschnittsmessung bei über 1.000 Bildern pro Sekunde, kontinuierlich, inline.
Rechner verarbeitet — lokale GPU wandelt Rohmessungen in Echtzeit in räumliche Zustandsdarstellungen um.
Modell interpretiert — PINNs übersetzen räumliche Fingerabdrücke in physikalisch bedeutungsvolle Prozesszustände, Vorhersagen und Anomalien.
Betrieb handelt — Prozessingenieure erhalten verwertbare Erkenntnisse; Regelkreissysteme erhalten Steuersignale direkt.
Ein Piloteinsatz wird für Ihre spezifische Prozessgeometrie, Ihr Fluidsystem und Ihre Betriebsbedingungen konfiguriert — und liefert verwertbare Ergebnisse, die Ihr Team bewerten kann.