Intelligente Prozessoptimierung in der Verfahrenstechnik

2 Arbeitsschritte zur intelligenten Prozessoptimierung

Unabhängig von einer konkreten Anwendung sind zur Optimierung eines Systems regelmäßig dieselben Grundkonzepte und Vorgehensweisen anwendbar. Es gibt vier Phasen, die durchlaufen werden müssen, bevor ein Prozess gesteuert werden kann:

1. Definieren des Prozesses
2. Beobachten des Systems
3. Diagnostizieren aufgrund gewonnener Information
4. Optimieren des Prozesses

Entsprechend diesem Phasenschema soll auf die Arbeitsschritte im Rahmen eines Projektes zur intelligenten Prozessoptimierung eingegangen werden.

2.1 Definition der Rahmenbedingungen

a) Aufgabenstellung und Zielgrößenfestlegung

Die Aufgabenstellung zur Prozessoptimierung umfasst eine kurze Prozessbeschreibung sowie die Zielsetzung der Optimierung. Besteht die Optimierungsaufgabe in einer mehrfachen Zielsetzung, so ist zusätzlich die Vorgehensweise festzulegen, wie eine Kompromisslösung erreicht werden kann.

b) Erfassen der Softwareinfrastruktur

Tabelle 4: Einsatzbereiche der Softwareprodukte

Die Bearbeitung der Aufgabenstellung erfolgt in der Regel unter Verwendung der Softwareprodukte der MIT GmbH, Aachen, vgl. Tabelle 4.

Zur Einbindung eines zu erstellenden Systems in die Prozessumgebung des Anwenders sind in dieser Phase die Schnittstellenanforderungen zum Prozessleitsystem zu erfassen und die Art und Weise der Prozessankopplung zu definieren. Darauf abgestimmt kann der passende Softwarebaustein der DataEngine Produktfamilie gewählt werden (Tabelle 5).

Tabelle 5: Softwarebausteine der DataEngine Produktfamilie

2.2 Datenaufnahme

Der Prozessoptimierung geht eine Prozessanalyse voraus, in der das Prozessverhalten systematisch untersucht wird. Die experimentelle Prozessanalyse hat zum Ziel, die Wirkungszusammenhänge zwischen Prozess- und Zielgrößen mit Hilfe von Prozessdaten zu identifizieren. Zur Datenaufnahme wird entweder ein Versuchsplan mit systematischer Parametervariation aufgestellt und durchgeführt oder man verwendet Prozessdaten aus bereits während der regulären Produktion aufgenommenen Prozessdurchläufen.

2.3 Datenanalyse und Optimierung

Mit der Datenanalyse wird nach einer Struktur in den zur Verfügung stehenden Daten gesucht. Ziel ist es, die Komplexität des Datenmaterials zu reduzieren und relevante Informationen aus den Daten zu extrahieren, die Wissen über Ursache-Wirkungszusammenhänge abbilden. Die Analyse erfolgt schrittweise.

Tabelle 6: Methoden der Datenvorverarbeitung

a)

Datenvorverarbeitung und Merkmalsauswahl

Bei der Merkmalsauswahl werden zunächst in einer groben Analyse aller Prozessvariablen diejenigen bestimmt, die einen signifikanten Einfluss auf das Verhalten des Prozesses besitzen. In Abstimmung mit den Experten des Anwenders lässt sich möglicherweise die Anzahl der zu betrachtenden Variablen schon a priori reduzieren. Anschließend wählt man zur weiteren Komplexitätsreduktion aus diesen Prozessmerkmalen diejenigen aus, die die betrachteten Zielgrößen am stärksten beeinflussen.

In vielen praktischen Problemstellungen ist eine Vorverarbeitung der gemessenen Daten notwendig. Sind Fehlstellen in den Daten vervollständigt und Ausreisser angepasst, können die Prozessdaten mit Methoden der Signalverarbeitung und durch Anwenden statistischer Methoden für die Modellbildung vorbereitet werden (Tabelle

6).(1) Als Ergebnis der Datenvorverarbeitung sind die relevanten Prozessgrößen bewertet, von Störungen bereinigt und in eine aussagekräftige Form transformiert. Die Ansätze zur Datenvorverarbeitung dienen damit gleichzeitig auch der Merkmalsauswahl.

b) Modellbildung:

Das Prozessmodell stellt den Wirkungszusammenhang zwischen den als relevant identifizierten Prozessgrößen und den Zielgrößen her. Die Prozessdaten dienen dazu, das Verhalten des Modells an das des realen Prozess anzupassen. Je nach Problemstellung werden verschiedene Methoden zur Modellbildung eingesetzt. Sie lassen sich in die drei Bereiche der algorithmischen, der wissensbasierten und der neuronalen Methoden unterteilen, Methodenkombinationen sind ebenfalls möglich. Typische Einsatzbereiche der Methodenklassen sind Tabelle 7 zu entnehmen.

Tabelle 7: Eigenschaften von intelligenten Methoden zur Prozessmodellierung

Im Hinblick auf die weitere Verwendung des erstellten Modells lassen sich zwei Einsatzbereiche unterscheiden:

Messtechnik

Als Informationsquelle benötigte Zielgrößen sind häufig nicht direkt messbar, sondern nur in zeitaufwendigen Laboruntersuchungen. Prozessmodelle können aber benutzt werden, um mit leicht messbaren Prozessgrößen auf die Zielgröße zu schließen. So wird eine online Messung der Zielgröße ermöglicht. Auf diesem Wege kann die Prozessführung verbessert werden, weil die benötigten Informationen direkt zur Verfügung stehen, unmittelbar in den Prozessablauf eingegriffen werden kann und somit Totzeiten in der Prozessdatenverarbeitung eliminiert werden.

Prozessführung

Prozessmodelle bieten direkte Unterstützung bei der Prozessführung, indem sie zur Simulation des Prozessablaufs herangezogen werden. Ausgehend vom aktuellen Prozesszustand kann die Reaktion auf Stellgrößenänderungen vorhergesagt werden. Umgekehrt ist es möglich, durch Invertierung des Prozessmodells eine Handlungsanweisung zu erhalten, wie in den Prozessablauf einzugreifen ist, um einen bestimmten vorgegebenen Zielwert als Prozessoutput zu erreichen.

c) Optimierung

Wie die Prozessparameter einzustellen sind, lässt sich mit genetischen Algorithmen ermitteln. Diese Algorithmen sind universell einsetzbare Suchverfahren, die Lösungen zu Problemen nach Prinzipien entwickeln, die natürlichen genetischen Populationen nachempfunden sind. Genetische Algorithmen sind in der Lage, Informationen über einen anfangs unbekannten Suchraum auszuwerten. Der Algorithmus startet mit zufällig erzeugten Lösungen. Aufeinanderfolgende Suchvorgänge werden ausgehend von relativ guten Lösungen in Unterräume verzweigt, in denen eine bessere Lösung vermutet wird. Relativ schlechte Lösungen sterben im EvolutionsProzess aus.

Wegen ihrer Robustheit sind genetische Algorithmen in Verbindung mit einem Prozessmodell universell zur Optimierung einsetzbar. Dazu werden die beeinflussbaren Prozessgrößen als Modellinput mit einer Kostenfunktion bewertet und die übrigen Größen und Nebenbedingungen entsprechend dem untersuchten Prozesszustand vorgegeben. Auf der Outputseite legt man das gewünschte Niveau der Zielgröße fest. Für diese Arbeitsposition sucht der genetische Algorithmus dann den kostengünstigsten Betriebspunkt innerhalb des Zielgrößenniveaus.

2.4 Anwendung des optimierten Systems

Abbildung 2: Technische Integration intelligenter Systeme in die Leittechnik.(2)

In dieser letzten Phase des Projektablaufs wird die entwickelte Lösung zunächst als Prototyp implementiert und über die festgelegten Schnittstellen in die bestehende Softwareumgebung des Prozessleitsystems integriert, siehe Abbildung 2. So ist der Datenaustausch mit Prozessdatenbanken über eine ODBC-Schnittstelle realisierbar. Die Datenerfassung bei prozessnaher Einbindung ist beispielsweise mit DataEngine V.i. und LabVIEW sowie Feldbusankopplung möglich.

Auf Prozessleitebene kann die Softwareintegration über DataEngine ADL, einer C++ Klassenbibliothek für verschiedene Compiler und Betriebssysteme, vorgenommen werden. Das erstellte System kann dann am realen Prozess zum Einsatz kommen, um die Softwarefunktionalitäten zu testen. Zur Evaluierung des Systems wird dessen Leistungsfähigkeit im Vergleich mit den zuvor genutzten Einrichtungen ermittelt. Nach erfolgreicher Testphase erfolgt abschließend die endgültige Freigabe und das System kann dauerhaft genutzt werden.

Top|Home|Contact Us|Back