In diesem Projekt soll eine neue Methode entwickelt werden, um Alarmmeldungen in großen industriellen Anlagen gemäß der wahrscheinlichsten gemeinsamen Ursache zu gruppieren.  Dazu sollen neben historischen Alarmdaten auch Prozessdaten und die Topologie der Anlage genutzt und mittels Verfahren des maschinellen Lernens ausgewertet werden.
               
Seit der Einführung digitaler Prozessleitsysteme hat die Anzahl der Sensoren und Signale in der Prozessindustrie immer weiter zugenommen. In vielen Anlagen ist heute ein Anlagenfahrer für die Überwachung von tausenden Prozessvariablen und hunderten damit verschalteter Alarme zuständig. Durch die Verknüpfung der Prozessvariablen über den Prozess und das Prozessleitsystem kann eine Abweichung an einer Stelle eine Kaskade von vielen weiteren Alarmen in kurzer Zeit auslösen, auch „Alarmschauer“ oder "Alarmflut" genannt.

Bei einem solchen Alarmschauer kann der Anlagenfahrer nicht mehr alle Meldungen ausreichend erfassen und ist damit nur noch eingeschränkt fähig, die Anlage schnell und effektiv in den Normalbetrieb zurückzuführen und so die Sicherheit zu gewährleisten. Daher soll der Anlagenfahrer durch ein gutes Alarmmanagement entlastet werden. Die Gruppierung der Alarme nach kausalen Zusammenhängen verringert die Menge der zu erfassenden Informationen und hilft den Ursprung einer abnormalen Situation zu identifizieren.  

Da die Alarme bei unterschiedlichen Schwellwerten auslösen und diese verschieden schnell überschreiten, lässt sich allein aus der Reihenfolge des Auftretens der Alarme nur bedingt eine Kausalität ableiten. Um die Kausalität besser zu erfassen, können zusätzliche Informationen über die Anlage genutzt werden, welche bereits in Form des „Piping and Instrumentation Diagram“ (P&ID)  für die meisten Anlagen zur Verfügung stehen.

Um den manuellen Aufwand zu reduzieren, sollen diese Dokumente automatisiert verarbeitet und die Struktur der Anlage, in einem computerlesbaren Format, daraus extrahiert werden. Diese Daten sollen dann mit historischen Alarmdaten kombiniert werden, um Alarme kausal zu gruppieren. Dabei soll das System nicht nur historische Daten nutzen, sondern auch neu auftretende Alarme richtig eingruppieren können, um so den Anlagenfahrer im laufenden Betrieb zu unterstützen.

Projektpartner:	TU München Lehrstuhl für Automatisierung und Informationssysteme Prof. Dr. Birgit Vogel-Heuser
Laufzeit:	November 2021 bis März 2026
Förderung:	DFG – Deutsche Forschungsgemeinschaft
Bearbeitet durch:	Franz Christopher Kunze

Im Leuchtturmprojekt „Factory-X“ arbeiten 47 Partner unter der Führung von Siemens und SAP zusammen, ergänzt durch 10 assoziierte Partner ​(Unternehmen, Verbände und Forschungseinrichtungen)​.

Primäres Ziel ist die Schaffung eines offenen und kollaborativen Datenökosystems für Fabrikausrüster und -betreiber auf der Grundlage von Catena-X und Konzepten der Plattform Industrie 4.0.

Im Projekt sollen elf dedizierte Anwendungsfälle des Datenökosystems umgesetzt werden, welche eine besonders hohe Relevanz für die produzierende Industrie besitzen.

Der Lehrstuhl für Automatisierungstechnik der RUB ist an der Erarbeitung der Anwendungsfälle 1 und 2 beteiligt und erarbeitet darin die einheitliche Semantik der auszutauschenden Informationen:

Anwendungsfall 1 „Integrated Toolchains and Collaborative Engineering“:
Hierin wird eine digitale Unterstützung für Arbeitsabläufe im Engineering erarbeitet, vom Komponentenhersteller über Maschinenhersteller zu Systemintegratoren.

Anwendungsfall 2 „Information Update and Change Service“:
Hierin werden Lösungen geschaffen, wie Information über Aktualisierungen von Produkten systematisch von Herstellern zu Kunden gelangen können.

Dazu werden insbesondere die folgenden Themen betrachtet:

• Aufbau eines digitalen Factory-X-Ökosystems unter Berücksichtigung bestehender Standards
• Herstellerübergreifende Datenkonsistenz für Engineering, Geräteinformationen und Zustandsüberwachung
• Rückverfolgbarkeit von Materialien, Daten und Produkten entlang der gesamten Lieferkette​
• Update- und Änderungsmanagement für Geräte im Feld

GRAFCET ist ein graphisches Beschreibungsmittel zur Spezifikation von Steuerungsabläufen, die damit technologieunabhängig in Form von Schrittketten spezifiziert werden können. GRAFCET ist insbesondere in Frankreich weit verbreitet und wird auch in Deutschland immer bekannter, auch weil GRAFCET seit mehreren Jahren Pflichtanteil der beruflichen Ausbildung von Mechatronikern ist. In den Vorgängerprojekten wurden ein Metamodell für GRAFCET erstellt und ein darauf basierender Code-Generators für IEC 61131-3 Steuerungscode. In der ersten Phase von AGRAFE wurden Methoden im Bereich des Model Checkings und der statischen Analyse entwickelt, die zur Erkennung von Entwurfsfehlern bei GRAFCET eingesetzt werden können. Ziel des laufenden Forschungsprojektes ist, diese Analyse weiter zu verbessern. Beide Ansätze – statische Analyse und Model Checking – sind für sich genommen geeignet, um jeweils verschiedene Arten von Fehlern zu identifizieren, sodass die Ansätze nun miteinander kombiniert werden, um die jeweiligen Stärken ausnutzen zu können. Beim Model Checking hat sich ergeben, dass auch bei GRAFCET die Zustandsraumexplosion bei nebenläufigen Abläufen ein wesentliches Problem ist, das dazu führt, dass die Analyse von GRAFCET-Spezifikationen von industrieller Größenordnung nicht mit angemessenem Ressourcenaufwand möglich ist. Jedoch haben erste Ergebnisse in AGRAFE gezeigt, dass das Einbinden von weiteren Informationen aus Steuerungsspezifikation und Steuerstrecke diesem Problem entgegenwirken kann. Das erste Forschungsziel ist daher die Einbeziehung von Streckeninformationen in die Analyse, um die Zustandsraumexplosion zu reduzieren und um die Analyseergebnisse zu verbessern. Neben Informationen aus der Strecke, können aber auch Informationen aus den GRAFCET-Spezifikationen genutzt werden, die mittels der statischen Analyse gewonnen werden. So ist das zweite Forschungsziel, der Zustandsraumexplosion entgegenzuwirken, indem Informationen aus der statischen Analyse genutzt werden. So können beispielsweise für die jeweils zu analysierende Eigenschaft irrelevante Informationen aus dem Zustandsraum wegabstrahiert werden Das dritte Forschungsziel ist die automatische Generierung von Anfragen, die während des Model Checkings ausgewertet werden sollen. In der Praxis müssen diese Anfragen in Temporallogik formalisiert werden, wofür Expertenwissen notwendig ist. Einige Anfragen können aber auch aus den Informationen der statischen Analyse generiert werden. Das vierte Forschungsziel ist eine Erweiterung der statischen Analyse: Neben dem Fehler selbst soll auch dessen Ursache gefunden werden, um die Behebung des Fehlers durch den Anwender zu unterstützen. Darauf aufbauend soll untersucht werden, ob auch automatisiert Korrekturvorschläge generiert werden können.

Projektpartner:	Rheinisch-Westfälische Technische Hochschule Aachen Lehrstuhl Software für eingebettete Systeme Prof. Dr.-Ing. Stefan Kowalewski
Laufzeit:	von 2020 bis Ende 2026
Förderung:	DFG – Deutsche Forschungsgemeinschaft
Bearbeitet durch:	Darko Divkovic

Im Forschungs‐ und Technologieverbundvorhaben kaMeL werden sowohl neuartige Fertigungstechnologien für die Flugzeugfertigung als auch innovative Entwicklungsmethoden und Werkzeuge aus den Bereichen der multidisziplinären Simulation, Gesamtprozessmodellierung, und dem ressourceneffizienten Datenmanagement erforscht.

Die erarbeiteten Methoden und Werkzeuge bilden die Grundlage für die durchgängige Digitalisierung im Produktionsprozess. Diese Ansätze sollen eine Effizienzsteigerung in der Flugzeugfertigung ermöglichen.

Der Fokus der Forschungsarbeiten des Lehrstuhls für Automatisierungstechnik der RUB liegt auf der digitalen Durchgängigkeit und dem Einsatz von Methoden der Künstlichen Intelligenz (KI), insbesondere für Cyber‐Physische Produktionssysteme (CPPS). Die RUB konzipiert und realisiert einen „Digitalen Zwilling“ zur Modellierung, Simulation und Steuerung und Regelung von automatisierten Montageprozessen am Flugzeugrumpf. Der betrachtete Anwendungsfall ist das Zusammenfügen von Rumpfsegmenten. Dafür wird eine Experimentalplattform am ZAL (Zentrum für Angewandte Luftfahrtforschung) in Hamburg aufgebaut.

Projektpartner:	Airbus Fraunhofer Broetje Automation 3D.aero
Laufzeit:	Februar 2024 bis Juli 2026
Förderung:
Bearbeitet durch:	Galyna Tabunshchyk Majd Khalil Gianluca Manca

Dieses Projekt adressiert die Automatisierung, Digitalisierung und Optimierung von Montageprozessen in der Flugzeugproduktion. Es wird erforscht, wie sich die Flugzeugfertigung und die zugehörige Qualitätssicherung durch den Einsatzinnovativer Automatisierungslösungen optimiert werden können.

Die praktische Erprobung wird an einem Versuchsträger am ZAL (Zentrum für Angewandte Luftfahrtforschung) in Hamburg durchgeführt. Die dort bis Ende 2024 aufgebaute Validierungsplattform soll um ein Konzept zur kontextualisierten Datenerfassung erweitert werden. Die gewonnenen Daten werden dann zur Validierung, Optimierung und Erweiterung der bereits entwickelten Methoden, Ansätze und Algorithmen verwendet. Die Forschung setzt Schwerpunkte in den Bereichen modellbasierte Systementwicklung (MBSE), automatisierte Produktionsablaufplanung, virtuelle Inbetriebnahme (VC) und automatisierte Inspektion.

Die Forschung am Lehrstuhl für Automatisierungstechnik der Ruhr-Universität Bochum (RUB) konzentriert sich auf die automatisierte Inspektion. Dabei kommen fortschrittliche KI-Modelle und Bildverarbeitungsalgorithmen zum Einsatz, um mögliche Defekte auf der Flugzeugoberfläche (Kratzer, Dellen, fehlende Nieten, usw.) zu detektieren, zu klassifizieren und zu vermessen. Das Vermessen bedeutet, dass die Geometrie des Defekts mithilfe geometrischer Größen (Tiefe, Fläche usw.) beschrieben wird.

Außerdem wird künstliche Intelligenz für die Klassifikation und das Clustering von Nieten und Löchern, die sich in ihrer Größe unterscheiden, eingesetzt, um den Nietprozess optimieren zu können.

Projektpartner:	Helmut-Schmidt-Universität Hamburg Professur für Informatik im Maschinenbau Prof. Dr. Oliver Niggemann
Laufzeit:	September 2020 bis Dezember 2026
Förderung:
Bearbeitet durch:	Majd Khalil Thomas Becker

Flugzeuge sind auf eine Lebensdauer von mehreren Jahrzenten bzw. etwa 60.000 Flugstunden ausgelegt. Während des Flugbetriebs ist das Flugzeug mit seinen zum Teil mit hohem Wert behafteten Komponenten im Betrieb stets extremen Bedingungen (Temperatur, Druck, Wettereinflüssen etc.) ausgesetzt. Zur Gewährleistung langer Lebenszeiten unter diesen Bedingungen unterliegen Flugzeuge deshalb vielfältigen, komplexen und häufig manuell durchzuführenden Wartungs-, Reparatur- und Instandhaltungsanforderungen (MRO-Anforderungen: Maintenance, Repair and Overhaul) mit umfangreichen Sicherheits- und Dokumentationsauflagen. Die Durchführung der MRO-Dienstleistungen übernehmen dabei entweder Flugzeuggerätehersteller selbst oder herstellerunabhängige Dienstleister.

Ein besonderer Fokus liegt hierbei im Wissens- und Informationsmanagement, welches eine Beschreibung, Vernetzung und Verwertung von existierenden und neuen Datenquellen ermöglichen soll. Durch qualitativ hochwertige und vernetzte Daten kann neues Wissen geschaffen und zugänglich gemacht werden.

Der Fokus der Forschung des Lehrstuhls für Automatisierungstechnik der RUB sind Methoden und Beschreibungsmittel, mithilfe derer relevante Informationen (u.a. über Struktur, Verhalten, Funktion) beispielhafter Prüfeinrichtungen (für Avionik- und Hydraulik-Komponenten) aus vorhandener, teils digitaler, Dokumentation extrahiert werden können und diese Dokumentation (im Sinne einer Wissensbasis) verfeinert und aktualisiert werden kann. Ziel hierbei ist es, eine Basis zu schaffen, mithilfe derer vorhandene Prüfeinrichtungen an neue Anforderungen systematisch angepasst werden können.Für die praxisnahe Forschung auf den genannten und weiteren Digitalisierungsthemen soll eine produktionsnahe Modellwerkstatt aufgebaut werden.

Projektpartner:	Helmut-Schmidt-Universität Hamburg Professur für Informatik im Maschinenbau Prof. Dr. Oliver Niggemann
Laufzeit:	Januar 2020 bis Dezember 2026
Förderung:

Autonome Fahrzeugverbünde, in denen sich schwimmende, fahrende und fliegende Fahrzeuge ergänzen und unterstützen, besitzen ein großes wirtschaftliches und gesellschaftliches Potenzial, da sich mit ihnen viele Anwendungsfälle effektiver und effizienter realisieren lassen als mit Einzelfahrzeugen.

Mögliche Anwendungen sind z. B. das Umweltmonitoring, die Logistik, die Reaktion auf Havarien sowie Search and Rescue. In diesem Projekt werden die technologischen und rechtlichen Grundlagen erarbeitet, die für die wirtschaftliche Nutzbarkeit von solchen autonomen Fahrzeugverbünden erforderlich sind, so dass diese anspruchsvolle Missionen sicher und selbständig durchführen können.

Das RIVA-Projekt soll Fahrzeugverbünde unterschiedlicher Modalität (Land, Wasser, Luft) in die Lage versetzen, autonom Missionen in Echtzeit zu erfüllen. Hierzu sollen die Umgebungs- und Randbedingungen durch den Verbund ermittelt und ein Umgebungsmodell erstellt werden. Mit dem generierten Wissen um die unterschiedlichen Fähigkeiten der einzelnen Fahrzeuge wird die Missionserfüllung geplant und ausgeführt, wobei sich verändernde Rand- bzw. Umweltbedingungen oder Fähigkeiten der Verbundteilnehmer direkt auf die Aufgaben der einzelnen Fahrzeuge auswirken. Die Erfüllung der Missionen wird zunächst simuliert und dann in der Praxis beispielhaft demonstriert.

Der Schwerpunkt der Forschung des Lehrstuhls für Automatisierungstechnik der RUB in diesem Projekt ist die Erforschung, Weiterentwicklung und Erprobung von Methoden zur Gewährleistung des sicheren Verhaltens unbemannter Fahrzeuge.

Projektpartner:	Helmut-Schmidt-Universität Hamburg Professur für Regelungstechnik Prof. Dr.-Ing. Joachim Horn Helmut-Schmidt-Universität Hamburg Professur für Automatisierungstechnik Dr.-Ing. Felix Gelhoff
Laufzeit:	September 2020 bis Dezember 2026
Förderung:
Bearbeitet durch:	Gianluca Manca Nico Oblisz

Das Forschungsprojekt RAMP zielt auf die Mobilisierung und Automatisierung modularer Produktionsanlagen ab, um Energieverbrauch zu reduzieren, die Produktqualität zu steigern und die Flexibilität in biotechnologischen Pharma-Produktionsmodulen zu erhöhen. Mithilfe von KI, Sensorik und mobiler Robotik werden innovative Lösungen für die autonome Steuerung, Überwachung und Integration von Produktionsmodulen entwickelt. Durch die Implementierung intelligenter, vernetzter Systeme werden energieintensive Reinigungsprozesse und aufwändige Umbauten minimiert, was zu einer nachhaltigeren und effizienteren Produktion führt.

Hauptthemen des Projektes:

Mobile Robotik:

• Autonomes Fahren mobiler Produktionsmodule.
• Automatisierte Probenentnahme und Überwachung während des Transports.
• Robotergestütztes Handling und Verbindung von Modulen (Energie, Stoffe, Daten).

Nachhaltigkeit und Effizienz:

• Reduktion energieintensiver Reinigungs- und Umbauprozesse.
• Ressourcenschonende und flexible Produktionskonzepte.

Forschung und Validierung:

• Identifikation geeigneter Prozesse für Mobilisierung und Robotisierung.
• Analyse der Auswirkungen auf Produktqualität und Prozessstabilität.
• Umsetzung und Test innovativer Lösungen in realen Produktionsszenarien.

Der Lehrstuhl für Automatisierungstechnik der Ruhr-Universität Bochum (RUB) bringt Forschungsprojekterfahrungen in der robotergestützten Objekt-Erkennung und -Handhabung auf den Gebieten des Module Type Packages (MTP) sowie der notwendigen Orchestrierungstechnologie ein. Diese Kenntnisse werden in RAMP im Rahmen der Konzeption, Funktionsmusterentwicklung und Systemintegration für die Aktorik des automatisierten Systems eingebracht.

Teilvorhaben: Optimierung mit Wärmemarkt, Skalierung und Validierung 
In InterPhaSe ist vorgesehen, die PEAK-Plattform in ein reales Stromverteilnetz zu integrieren und simulativ in größeren Szenarien zu testen. Darüber hinaus zielt InterPhaSe darauf ab, einen Beitrag zur kommunalen Wärmeplanung zu leisten. Die Aufgaben der RUB sind insbesondere die Optimierung des Wärme-Markts in Verbindung mit dem Strom-Markt, die Untersuchung, wie das System hinsichtlich seiner Performance mit seiner Größe skaliert (dazu wird ein Digitaler Zwilling erstellt und simulativ genutzt) und die Validierung des Gesamtsystems gegen die Anforderungen. Darüber hinaus wirkt die RUB vor allem an der Anforderungsspezifikation und an der Konzeption des Gesamtsystems mit.

Nutzung von LLMs zur Generierung modularer Anomalieerkennungslösungen in der Automation

Die Ingenieurwissenschaften stellen spezifische Anforderungen an die Künstliche Intelligenz (KI): Neben allgemeinen Anforderungen an Zuverlässigkeit und andere Entwicklungsprozesse besteht der Hauptunterschied in der geringen verfügbaren Datenmenge (Small Data statt Big Data), insbesondere einer geringen Menge von Daten über außergewöhnliche Systemzustände. In der KI ist die etablierte Lösung hierfür die Nutzung von Vorwissen. In diesem Projekt wird dies anhand der Verbesserung der Anomalieerkennung in Produktionsanlagen untersucht. Vorwissen kann in zwei Kategorien unterteilt werden: Wissen über die Struktur und Wissen über die Dynamik des untersuchten Systems. Vorarbeiten, insbesondere auch der Projektpartner, haben gezeigt, dass neuronale Netze effizienter arbeiten, wenn sie die Systemstruktur widerspiegeln. Obwohl die Systemstruktur oft grob bekannt ist und es formale Modelle zu ihrer Beschreibung gibt, liegt sie in der Praxis selten in ausreichend formalisierter Weise vor. Verschiedene aktuelle Arbeiten sowie Untersuchungen beider Projektpartner haben gezeigt, dass Large Language Models (LLMs) wie z. B. ChatGPT oder Claude in der Lage sind, Strukturmodelle und Modularisierungen aus wenig bis gar nicht formalisierten Systembeschreibungen oder Dokumentationen zu generieren. Die bisherigen Arbeiten dazu führten jedoch zu Ergebnissen sehr unterschiedlicher Qualität. Die Gründe hierfür sind noch nicht bekannt. Eine in diesem Projekt zu bearbeitende Forschungsfrage ist, was die Determinanten für die Erstellung ausreichend guter Strukturmodelle mithilfe von LLMs sind. Aktuelle Forschungsarbeiten haben gezeigt, dass neuronale Netze für die Anomalieerkennung innerhalb einzelner Module des Systems robuster im Sinne definierter Robustheitskriterien arbeiten, wenn Vorwissen über die Dynamik des Prozesses verwendet wird. Physics-informed neural networks (PINNs) sind ein etablierter Ansatz, um Vorwissen einzubringen, falls die gewöhnlichen Differentialgleichungen (ODEs) bekannt sind. Leider sind diese ODEs zumeist nicht in der Systembeschreibung oder in den vorhandenen Simulationsmodellen der Module enthalten. Aktuelle Forschungsarbeiten legen jedoch nahe, dass auch solche ODEs in vielen Fällen mithilfe von LLMs generiert werden können. Eine weitere Forschungsfrage des Projekts ist die Erstellung ausreichend guter Dynamikmodelle mithilfe von LLMs. Durch die oben beschriebene Modularisierung wird das Problem handhabbar, da Module (anders als ganze Systeme) generischer und daher für das LLM bekannter sind. In diesem Projekt werden LLMs daher zuerst zur Generierung eines Strukturmodells (inkl. der Modularisierung) genutzt, um anschließend ebenfalls, pro Modul, die für PINNs notwendigen und die Dynamik beschreibenden Gleichungen zu generieren. Der Ansatz wird anhand des Anwendungsfalls der Anomalieerkennung in verschiedenen Produktionsanlagen evaluiert. Dieser Evaluierungsansatz erfolgt dabei in drei Phasen mit wachsenden Systemkomplexitäten.

Projektpartner:	Helmut-Schmidt-Universität Universität der Bundeswehr Hamburg Institut für Automatisierungstechnik Professur für Informatik im Maschinenbau Univ.-Prof. Dr. Oliver Niggemann
Förderung:	DFG – Deutsche Forschungsgemeinschaft

Reaktive Sputterprozesse werden zur plasmabasierten Abscheidung nanostrukturierter Filme auf Substratoberflächen eingesetzt. Dabei sind die Eigenschaften des abgeschiedenen Dünnfilmes während des Beschichtungsvorganges nicht messbar. Ziel des Projektes ist es, das Prinzip der Zustandsrückführung zu verwenden, um den Oberflächenzustand online unter Nutzung moderner Sensoren zu rekonstruieren. Dabei soll das Konzept der Intervallbeobachtung für eine Klasse quasilinearer parametervariierender Prozessmodelle weiterentwickelt werden, um Unsicherheiten der Prozessparameter und Messgrößen zu berücksichtigen. Der Einsatz der neu entwickelten Multipolresonanzsonde ermöglicht die Messung der Plasmadichte als wichtige Informationsquelle des Prozesszustandes. Als Grundlage für die Methodenentwicklung muss ein neues überwachungsorientiertes Prozessmodell aufgestellt und aus systemtheoretischer Perspektive analysiert werden. Das neue Prozessmodell und die entwickelten Entwurfsmethoden sollen experimentell an einem Forschungsreaktor erprobt werden, um deren praktische Wirksamkeit bewerten zu können.

Reactive sputtering processes are used for the plasma-based deposition of nanostructured films on substrate surfaces. The properties of the deposited thin film cannot be measured during the coating process. The aim of the project is to apply the principle of state feedback to reconstruct the surface condition online based on modern sensors. The concept of interval observation is to be further developed for a class of quasi-linear parameter varying process models to consider uncertainties in the process parameters and measured variables. The use of the newly developed multipole resonance probe enables the measurement of the plasma density as an important source of information on the process status. As a basis for the method development, a new monitoring-oriented process model must be developed and analyzed from a systems theory perspective. The new process model and the developed design methods are to be validated experimentally on a research reactor to be able to assess their practical effectiveness.

Förderung:	DFG – Deutsche Forschungsgemeinschaft
Laufzeit:	2026 bis 2028
Bearbeitet durch:	Fabian Schneider
Projektleiter:	Christian Wölfel

In einer vorangegangenen Studie wurden Methoden für die automatische Erkennung von Flammen und Glut mit Hilfe von Farb- und Infrarotkamera erforscht und eine Methode zur automatisierten Betätigung von Feuerlöschern erarbeitet.

Im laufenden Projekt sollen diese Methoden mit einem Mobilroboter kombiniert werden, um Feuer aus geeigneter Position automatisiert löschen zu können. Dabei muss das System mit wechselnden Umgebungsbedingungen, wie z.B. Lichtverhältnissen, umgehen können. Auch sollen unterschiedliche brennende Materialien gelöscht werden können.