Intelligente Prozessoptimierung in der Verfahrenstechnik

3 Anwendungsfelder intelligenter Prozessoptimierung

Die Anforderungen an die industrielle Produktion steigen ständig: Die Produktqualität soll weiter verbessert, die Produktionskosten sollen verringert und Prozessabläufe beschleunigt werden. Um weitere Fortschritte in dieser Richtung erzielen zu können müssen neue Wege auf dem Gebiet der Prozessoptimierung beschritten werden. Die elementare Problematik solcher Optimierungstrategien ist das Aufspüren der möglichen Ansatzpunkte innerhalb des Produktionsprozesses. Durch eine gezielte Prozessoptimierung mit Hilfe von Methoden intelligenter Datenanalyse lassen sich die Prozesse an diesen Punkten dann verbessern. Die Prozessoptimierung kann dabei auf einzelne technische Einrichtungen, Apparate, Teilprozesse oder gesamte Prozesse sowie deren Prozessführung angewendet werden.

Im folgenden sind einige Applikationen beschrieben, die aus verschiedenen Anwendungsfeldern der Prozessoptimierung stammen und auch jeweils unterschiedliche Optimierungsansätze beinhalten. Im ersten Unterabschnitt sind Beispiele für die vielfältigen Einsatzmöglichkeiten intelligenter Methoden zur Prozessoptimierung enthalten. Tabelle 8 gibt zunächst einen Überblick hinsichtlich Branche, Prozess und Optimierungsziel der Applikation, anschließend folgt zu jeder Problemstellung eine Kurzbeschreibung und inhaltliche Zusammenfassung der Vorgehensweise. Im zweiten Unterabschnitt sind aus den bei der MIT GmbH realisierten Projekten exemplarisch drei Aufgabenstellungen detaillierter dargestellt. Sie beziehen sich auf die typischen Anwendungsfelder Führung von Chargenprozessen, Betriebspunktoptimierung von Fließprozessen und das modellgestützte Messen in der Verfahrenstechnik.

Tabelle 8: Einordnung ausgewählter Anwendungsberichte zur Prozessoptimierung

3.1 Anwendungsmöglichkeiten von DataEngine zur Prozessoptimierung

3.1.1 Modellgestützte Optimierung von Schleifprozessen mit Hilfe eines genetischen Algorithmus und der Zielbaum-Methode

Schleifprozesse werden durch viele justierbare Parameter beeinflusst. Bisher werden Schleifprozesse mit empirischen Modellen beschrieben. Damit können die Auswirkungen von nur zwei bis fünf Input-Parametern auf den Prozessoutput analysiert werden, alle anderen Einflussgrößen werden vernachlässigt. Die Folge ist, dass das Modell nur begrenzte Validität besitzt. Durch den Einsatz von modernen Methoden wie neuronalen Netzen und Fuzzy Sets kann diese Situation verbessert werden. Zur Off-Line Prozessoptimierung von Schleifprozessen werden daher als Prozessmodelle jeweils ein neuronales Netz, Fuzzy Sets sowie multivariate Regression verwendet und verglichen. So lassen sich auch sehr viele Input-Parameter im Modell berücksichtigen. Zum Nachweis der Realisierbarkeit werden exemplarisch nur zwei Input-Parameter betrachtet: Die Rate der Materialabtragung und die Schnittgeschwindigkeit. Outputparameter des Modells sind die Rauheitstiefe, die parallele Restspannung und die Bearbeitungsdauer. Aus diesen Outputgrößen wird der Zielfunktionswert berechnet. Der Zielbaum ist in ökonomische, in ökologische Teilziele und in Qualitäts-Teilziele unterteilt. Der Zielfunktionswert ergibt sich aus der Linearkombination der Teilzielfunktionswerte. Ein genetischer Algorithmus sucht die optimale Parametereinstellung je nach Gewichtung der Teilziele. Durch den Einsatz von neuronalen Netzen oder Fuzzy-Sets in Verbindung mit einem genetischen Algorithmus wird die optimale Parametereinstellung für den Schleifprozess ermittelt und die gewünschte Qualität bei höchster Wirtschaftlichkeit erzielt. Die Vorgehensweise ist universell gültig und somit auch auf größere Parametersätze erweiterbar.(1)

3.1.2 Klassifikation von Prozessdaten mit Fuzzy-Clustermethoden

Mit Hilfe eines online Prozess- und Qualitätsmonitoring Systems werden Qualitätsmerkmale während des spanlosen Formens von Gewinden für Leitungsverbinder bestimmt. Ziel ist es, Fehler wie Verwendung falscher Former oder Schmiermittel bzw. den Einsatz verschlissener Formwerkzeuge frühzeitig zu erkennen. Dadurch kann die Ausschussproduktion reduziert werden, die Produktionskosten verringern sich entsprechend. Eine Messreihe je Formvorgang dauert etwa eine halbe Sekunde. Aufgezeichnet wird das Torsionsmoment, das auf das Formwerkzeug wirkt. Daraus lassen sich Aussagen über die Qualität der Halbzeuge gewinnen. Aus dem Signalverlauf werden 26 physikalisch sinnvolle Merkmale berechnet, aus denen je nach verwendeter Methode zur Datenanalyse die geeigneten selektiert werden. Als Muster unterscheidet man die Zustände hoher Verschleiss und niedriger Verschleiss. Ergebnis einer Analyse mit Fuzzy-Clusterung ist eine Klassenzugehörigkeit, die den Verschleiss des Formers als Qualitätskenngröße beschreibt. Durch die Qualitätsüberwachung in Echtzeit ist ein sofortiger Eingriff in den Fertigungsprozess möglich, sobald geforderte Qualitätskriterien nicht erfüllt werden.(2)

3.1.3 Analyse von Prozessdaten eines Zementmahlkreislaufs mit DataEngine

In einem Zementwerk werden mit Hilfe moderner Methoden der Datenanalyse Prozesszustände des Zementmahlkreislaufs aus bis zu 80 Prozessgrößen erkannt und bewertet. Diese Zustandserkennung und -bewertung ist die Voraussetzung, um anschließend über eine Zustandsbeeinflussung den Prozess führen zu können. Ziel der automatischen Prozessführung ist die Maximierung der Ausbeute an Fertiggut mit der vorgegebenen Qualität und die Gewährleistung kurzer Einschwingzeiten bei Anfahrvorgängen, kritischen Zuständen (Vollaufen der Mühle) oder Arbeitspunktverschiebungen durch Schwankungen der Rohstoffeigenschaften. Dazu wird die aktuelle Prozesssituation hinsichtlich Zementqualität und Mühlendynamik diagnostiziert. Durch Fuzzy Clusterung der Datenstrukturen lassen sich Übergänge von einem Prozesszustand zu einem anderen im Zeitablauf ermitteln. Der aktuelle Status des Prozesses wird dadurch auch hinsichtlich seiner Zugehörigkeit zu einer Zustandsklasse quantifiziert. Basierend auf diesen Informationen können Rohstoffmischung und Mühlendynamik optimiert werden.(3)

3.1.4 Klassifikation der Wasserqualität durch ein Multilayer-Perceptron Netzwerk zur Online Steuerung von Regenwasser-Auffangbecken

Bei Regenfällen sammelt sich Wasser von den Straßen in der städtischen Kanalisation. Wegen der beschränkten Kapazität von Kläranlagen muss bei schweren Regenfällen ein Teil des Wassers in Auffangbecken zeitweise zwischengespeichert werden. Um die Kapazität der Auffangbecken optimal auszulegen und nur mit zu einem gewissen Grad verschmutzten Wasser optimal nutzen zu können, wird die Wasserqualität geschätzt. Statt teurer und wartungsintensiver automatischer Messwerterfassungsanlagen kommen kostengünstige Sensoren zum Einsatz, die Hilfsmessgrößen des Kanalisationswassers erfassen. Daraus ermittelt ein neuronales Netz die Ausprägung derjenigen Zielmessgrößen, die den Verschmutzungsgrad kennzeichnen. Als Beispiel wird die indirekte Messung des Total Organic Carbon (TOC) Wertes aus sechs Hilfsgrößen realisiert. Der erzielte Nutzen des optimierten Systems liegt sowohl in verringerten Kosten für Regenwasser-Auffangbecken und deren Messeinrichtungen als auch in einer geringeren Verschmutzung von Flüssen durch Kanalisationswasser.(4)

3.1.5 Bestimmung physikalischer Eigenschaften von Produktmischungen

Die physikalischen Eigenschaften von Wärmeträgern(5) einerseits und Mischungen von Tensiden und Waschmittel-Polymeren andererseits werden untersucht. Ziel ist es, die Abhängigkeit physikalischer Größen von Produkteigenschaften funktional zu beschreiben.

Für verschiedene Mischungen von Wärmeträgern wird die kinematische Viskosität des Fluids(6) mit Hilfe von neuronalen Netzen modelliert. Betrachtet wird die stark nichtlineare Abhängigkeit von der Temperatur und dem Mischungsverhältnis zweier Grundsubstanzen. Gegenüber einer Regressionsanalyse basierend auf einem physikalischen Modell kann durch die Anwendung neuronaler Netze der mittlere relative Fehler der Viskositätsvorhersage von 10% auf nur 4% reduziert werden. Als Bestandteil einer Softwarelösung dient das neuronale Netz dazu, Kunden bedarfsorientiert über die physikalischen Eigenschaften von Wärmeträger-Produkten zu informieren.(7)

Für eine zielorientierte Entwicklung neuer Waschmittelsubstanzen ist es erforderlich, die Wirkungen von Tensiden im Elutionsprozess(8) zu analysieren. Wegen dessen hoher Komplexität ist eine quantitative oder funktionale Beschreibung nicht möglich. Auch ist die wechselseitige Beeinflussung von Waschmittel-Polymeren und Tensiden weitgehend unbekannt. Untersucht wird die Abhängigkeit der Oberflächenspannung vom Mischungs- und Konzentrationsverhältnis der betrachteten Substanzen und der Tensid-Lebensdauer. Über ein neuronales Netz kann diese Abhängigkeit mit einem RMS-Fehler von 2% für Training und Test modelliert werden.(9)

3.1.6 Datenanalyse und Wissenserwerb in der Biotechnologie

Gegenstand der Untersuchung an einem Fermenter(10) ist der Zusammenhang zwischen dem zeitlichen Verlauf einer Zustandsgröße der Vorkultur und dem zeitlichen Verlauf der Ausbeute an Antibiotikum der Hauptkultur. Aus 10 Chargen werden die Trajektorien der betrachteten Prozessgrößen zunächst je Zeitabschnitt klassifiziert. Anschließend werden die bestehenden Relationen zwischen den Klassen ermittelt, bewertet und die wichtigsten ausgewählt. Im dritten Schritt werden für diese selektierten Relationen Fuzzy-Regeln erzeugt. Sowohl die Definition von Zugehörigkeitsfunktionen als auch die Auswahl von Fuzzy-Regeln läuft automatisch ab. Die drei linguistischen Variablen besitzen jeweils nur zwei Terme. Von den aufgestellten 16 Regeln sind vier signifikant. Eine automatische und optimale Identifikation von Parametern, die die Zugehörigkeitsfunktionen definieren, wird abschließend nach mehreren Zielkriterien vorgenommen. Die verschiedenen Parametersätze führen zu Regeln, die sich zur Fehlerdiagnose in der Anfangsphase des Prozesses (Abbruchkriterien) und zur Klassifikation der Qualität der Vorkultur hinsichtlich der Impfung des Fermenters und der zu erwartenden Ausbeute der Charge eignen.(11)

3.1.7 Optimierte Hochofenfahrweise mit Hilfe eines neuronalen Netzes

Als eine wesentliche Kenngröße für die Beurteilung des Prozesszustands wird an modernen Hochöfen die radiale Temperaturverteilung über dem Ofenquerschnitt betrachtet. Durch eine Optimierung dieser Temperaturverteilung kann eine erhebliche Kostensenkung aufgrund einer verringerten Brennstoffeinsatzmenge erzielt werden. Zur quantitativen Beschreibung der unbekannten Abhängigkeiten zwischen den Prozess- bzw. Materialparametern und der Temperaturverteilung werden neuronale Netze eingesetzt, auf deren Basis sich anschließend eine Optimierung der Hochofensteuerung realisieren lässt. Das neuronale Netz verarbeitet 7 materialspezifische Einflussgrößen, 5 Prozessgrößen des Ofens und 8 Sondenmesswerte zur Abbildung des Temperaturprofils als Eingangswerte. Die Steuerparameter zur Beschreibung der Materialeinbringung sind über 7 Ausgabewerte des Netzes modelliert. Eine Änderung der Materialeinbringung wirkt sich nach ca. 8 Stunden, eine Änderung der Materialeigenschaften erst nach 24 Stunden auf das Temperaturprofil aus. Zur Steuerung des Hochofens kann nun das gewünschte Temperaturprofil vorgegeben werden. Das neuronale Netz liefert dann in Abhängigkeit von den übrigen aktuellen Zustandsgrößen eine Empfehlung, wie das Programm für die Materialeinbringung einzustellen ist. Damit hat man letztlich die Möglichkeit, den Hochofen mit Hilfe der direkt steuerbaren Größen von ungünstigen Zuständen in den optimalen Bereich zurückzuführen.

3.2 Optimierung von Chargenprozessen

3.2.1 Prozessbeschreibung

Bei dem zu optimierenden Prozess handelt es sich um einen Semi-Batch-Reaktor, in dem aus Ethylen und Propylen Polyether hergestellt wird, vgl. Abbildung 3. Besonders während des Anfahrprozesses ist die Prozessdynamik schwer zu beherrschen. Der chemische Prozess ist durch die folgenden Eigenschaften gekennzeichnet:

• Die Reaktion verläuft nach einer Aufheizphase stark exotherm.
• Die Reaktionsgeschwindigkeit ist temperaturabhängig.
• Die Eigenschaften des Polyethers verändern sich im Verlaufe des Prozesses infolge Polymerisation.
• Der Flüssigkeitsanteil im Reaktor vergrößert sich zulasten des gasförmigen Anteils im Verlaufe der Reaktorbefüllung.

Zusätzlich ist das Verhalten von der Eduktzusammensetzung abhängig. Die erfassten Prozessgrößen Reaktordruck und -temperatur sind miteinander verkoppelt und variieren nichtlinear in Abhängigkeit vom Prozesszustand und der Dosierrate über einen weiten Bereich, ein bestimmter Arbeitspunkt wird also nicht eingehalten.

Die Prozessführung muss Sicherheits-, Produktivitäts- und Qualitätsziele gleichzeitig beachten. Als Sicherheitsanforderung dürfen bestimmte maximal zulässige Reaktordruck- und Temperaturwerte nicht überschritten werden. Der Zeitbedarf für den Prozessablauf beeinflusst direkt die Produktivität und das Prozessverhalten bei Temperaturführung die Qualität.

Stellgrößen des Prozesses sind die Thermalöltemperatur und die Dosierrate, die während des Anfahrens durch den Bediener beeinflusst werden.

Sofern mathematische Modelle für derartige Prozesse analytisch abgeleitet werden können, sind sie sehr komplex und hochgradig nichtlinear. Ausserdem sind darin eine Reihe von unbekannten Parametern enthalten, die nur mit geringer Genauigkeit identifiziert werden können. Für eine analytische Reglersynthese sind sie daher ungeeignet.

Abbildung 3: Schemazeichnung der Polyether Produktionsanlage mit Reaktor, Dosiereinrichtung und Wärmetauscher

Obwohl Fuzzy-Controller im Prinzip für diese Problemklasse geeignet sind, scheitert deren heuristischer Entwurf oft an der großen Anzahl von Einflussgrößen. Man ist daher auf erfahrene Bediener angewiesen, die jedoch den Prozess jeweils unterschiedlich führen, so dass keine konstante Produktqualität entsteht. Ausserdem variieren die Verarbeitungszeiten, nachfolgende Verfahrensschritte werden verzögert und die Produktionsplanung wird erschwert.

3.2.2 Erzielte Nutzensteigerung durch Prozessoptimierung

Ziel der Prozessoptimierung ist es, die Reproduzierbarkeit der Fahrweise zu erhöhen. Mit Hilfe einer Fuzzy-Dosierregelung soll dazu der Anfahrprozess der Polyetherproduktionsanlage automatisiert werden.(1)

Mit dem Software-Tool WINROSA können auch für komplexe Prozesse Fuzzy-Controller entworfen werden, weil es den wichtigen Vorgang der Wissensakquisition erleichtert. Die signifikanten Wirkungszusammenhänge der Einflussgrößen werden durch Prozessdatenauswertung automatisch in Wenn-Dann-Regeln gefasst.

Die Datenbasis für die automatische Wissensakquisition besteht aus nur drei Prozessdurchläufen für jeweils unterschiedliche Produktarten und geführt durch verschiedene Bediener. Die Daten stammen aus Messwerterfassungen während der laufenden Produktion, ohne die Produktionsplanung zu beeinträchtigen. Zum Entwurf des Dosierreglers wertet das System die Prozessgrößen

• Reaktordruck und Druckänderungen,
• Reaktortemperatur und Temperaturänderungen,
• Stellwert des Temperaturreglers für den Wärmetauscherkreislauf,
• Regelabweichung hinsichtlich Reaktortemperatur,
• Bereits dosierte Menge an Edukt

aus. Ergebnis dieses Vorgangs ist die Repräsentation der Wirkungszusammenhänge mit der Dosierrate beim Anfahren der Polyetherproduktion als Wissensbasis aus 128 Fuzzy-Regeln, die auch für verschiedene Produktarten gültig sind. Die Temperaturreglung übernimmt ein PID-Regler mit Fuzzy-Korrektur. Das Anfahren einer Charge mit Fuzzy-Prozessführung ist in Abbildung 4 und Abbildung 5 dargestellt.

Durch die Automatisierung der Dosierung während des Anfahrprozesses können

• Sicherheitsanforderungen an Reaktortemperatur und Reaktordruck sehr gut eingehalten,
• Betriebsabläufe durch Planbarkeit der Bearbeitungsdauer verbessert und
• konstante Produktqualitäten erreicht werden.

Abbildung 4: Dosierrate während des Anfahrens mit einer Unterbrechung aufgrund eines technischen Fehlers nach 35 Minuten (links) und Soll-/Ist-Werte der Reaktortemperatur (rechts).

Abbildung 5: Reaktorinnendruck während des Anfahrens (links) und Stellgröße des Temperaturreglers für den Wärmetauscherkreislauf (rechts).

3.3 Optimierung von Fließprozessen

Prozessbeschreibung

Mahlen ist einer der energieaufwendigsten Verfahrensschritte in der Grundstoffindusrie. Um Kosten hierbei senken zu können, ist es unablässig, alle Möglichkeiten zur Verringerung des Energieverbrauchs zu beschreiten.

Abbildung 6: Prinzipielles Fließbild einer Zementmahlanlage(1)

In einem Zementwerk werden Kugelmühlen zum Zermahlen von Klinker, Gips und Kalkstein zu Zementpulver eingesetzt. Diese Mühlenbauform (Abbildung 6) besteht aus einem horizontal gelagerten, drehbaren Zylinder und setzt als Mahlkörper Stahlkugeln verschiedener Größe zum Zerkleinern des eingebrachten Materials ein.

Das Mahlen des Zements ist ein kontinuierlich ablaufender Prozess. Die Mühle ist mit Sichtern im Kreislauf geschaltet, so dass der anfallende Grieß zum Teil wieder in die Mühle zurückgeführt wird. Der Gutstrom fließt dem Speichersilo zu. Zum Abtransport der mit dem Mahlgut und durch die Mahlung zugeführten Wärme wird die Mahlkammer von einem Luftstrom durchflossen. Zusätzlich kann durch Wassereindüsung in die Mahlkammer die Wärmeabfuhr verbessert werden.

Die Mühle wird mit neben den Grundstoffen mit weiteren Einsatzstoffen wie granulierter Hochofenschlacke, Puzzolan, Flugasche und anderen anorganischen, mineralischen Substanzen je nach Zementart in verschiedener Zusammensetzung befüllt. Der Mahlprozess lässt sich ausserdem über die Sichterdrehzahl, die Sichterventilation und die Wassereindüsung in die Mahlkammern beeinflussen.

Das Mahlen als letzter Verarbeitungsschritt bei der Zementherstellung dient der Erzeugung größerer spezifischer Oberflächen und bestimmt somit die Feinheit des Zementpulvers. Die Pulverfeinheit ist ein wichtiges Qualitätsmerkmal. Sie beeinflusst die Leistungsfähigkeit des Zements. Je feiner das Zementpulver ist, desto schneller läuft die Reaktion mit Wasser ab. Daraus resultiert dann schnelleres Abbindeverhalten und höhere Festigkeit.

Während des Mahlens werden die Quantitäten und die Zusammensetzung des Materialflusses gesteuert und geregelt, indem aus ständig überwachten Qualitätsmerkmalen Stelleingriffe zur Prozessführung abgeleitet werden. Ziel der Prozessoptimierung ist es, die Transparenz des Prozesszustands und damit die Prozessführung zu verbessern, indem die Zementfeinheit als qualitätsrelevante Größe über ein neuronales Netz aus Prozess- und Steuergrößen abgebildet wird.

Mit diesem Prozessmodell kann man zunächst vorhersagen, zu welcher Produktqualität eine bestimmte Einstellung der Kugelmühle führt. Umgekehrt lässt sich in einem zweiten Schritt durch Invertierung des Modells die wichtige Information gewinnen, wie die Stellgrößen einzurichten sind, damit eine vorgegebene Zementfeinheit hergestellt werden kann. Abschließend ist in einem dritten Schritt derjenige Betriebspunkt zu suchen, für den die gewünschte Zementfeinheit zu minimalen Kosten erzielt werden kann.

a.) Prozessmodellierung

Um die spezifische Oberfläche des Zements zu ermitteln, wird in einem physikalischen Testverfahren die Blaine-Feinheit bestimmt. Sie gibt für körnige Materialien die gesamte Oberfläche der Körner pro Maßeneinheit an Material an.(2)

Zunnächst trainiert man das neuronale Netz auf den Zusammenhang zwischen dem Momentanzustand der Kugelmühle und der zukünftigen Zementfeinheit, Abbildung 8 (links). Das Netz verhält sich nach erfolgreichem Training wie ein Modell des Mahlprozesses, vgl. Abbildung 7 (links), und sagt aus dem momentanen Betriebszustand die zu erwartende Zementfeinheit voraus. Der rechte Teil dieser Abbildung zeigt dazu in Form einer Sensitivitätsanalyse exemplarisch, wie sich Änderungen von Stellgrößen der Kugelmühle auf das gewählte Qualitätsmerkmal auswirken, wenn für alle anderen Prozessgrößen der Arbeitspunkt beibehalten wird.

Abbildung 7: Approximationsgenauigkeit von Blaine-Wert (links) mit Hilfe eines neuronalen Netzes als Prozessmodell und Sensitivitätsanalyse hinsichtlich Luftstrom- und Drehzahländerungen des Sichters um einen Arbeitspunkt (rechts, normierte Größen).

b) Invertierung des Prozessmodells

Ziel der Invertierung ist es, aus der Vorgabe des betrachteten Qualitätsmerkmals eine Handlungsanweisung für die Prozessführung abzuleiten. Die Invertierung des Prozessmodells kann über zwei Vorgehensweisen erreicht werden:

(1.) Man trainiert ein weiteres neuronales Netz auf den inversen Zusammenhang mit Daten, die durch Simulation aus dem neuronalen Netz des Prozessmodells abgerufen werden. Diese Methode zeigt Abbildung 8. Am inversen Modell vertauscht man die Steuergrößen und die Zielgröße(n). Sichterdrehzahl, Sichterventilation und injizierte Wassermenge werden zu Outputgrößen, die Zementfeinheit wird als Inputgröße dem zweiten neuronalen Netz zugeführt. Voraussetzung hierbei ist, dass das Modell invertierbar ist, d.h. der Zusammenhang zwischen der Zielgröße als Inputvariable und den Stellgrößen des Prozesses als abhängige Größen muss eindeutig sein.

Abbildung 8: Eine Vorgehensweise beim Engineering einer neuronalen Prozessführung. Mit Prozessdaten wird das Modell M erzeugt (links), das inverse Modell M-1 wird mit Daten des Modells M trainiert (rechts).

(2.) Der andere Weg zur Invertierung des Prozessmodells ist die Verwendung des bereits erstellten Prozessmodells in Verbindung mit einem genetischen Algorithmus. Der Algorithmus durchsucht den Lösungsraum, der für jeden Prozesszustand durch die einstellbaren Prozessvariablen aufgespannt wird. Für zufällig erzeugte Inputvektoren wird die zu erwartende Zementfeinheit über Prozesssimulation ermittelt. Der euklidische Abstand der aktuellen Zielgrößenausprägung von einem vorgegebenen Zielwert wird im Verlaufe des Verfahrens minimiert. Das Verfahren schließt ab, wenn eine Anlageneinstellung gefunden ist, die zu dem betrachteten Vorgabewert führt oder ihr nach einer begrenzten Suchzeit am nächsten kommt. Die Verwendung des genetischen Algorithmus zur Betriebspunktermittlung ist universell einsetzbar, insbesondere unabhängig von der Invertierbarkeit des Prozessmodells nach der zuerst beschriebenen Vorgehensweise.

c) Kostenoptimale Anlageneinstellung

Ein weiterer Vorteil des Einsatzes genetischer Algorithmen besteht darin, dass durch Definition von Kostenfunktionen für die Einsatzmengen der beeinflussbaren Prozessvariablen die Betriebspunktermittlung ohne weiteres zu einer Vorgehensweise für die Ermittlung der kostenoptimalen Anlageneinstellung erweitert werden kann.

Abbildung 9: Verlauf der minimalen Kosten (normiert) über der Zielgröße Zementfeinheit

Dazu ist lediglich die Bewertungsfunktion für den Grad der Zielerreichung zu erweitern. Die ursprüngliche Bewertung des Abstands zum Vorgabewert für die Zielgröße Zementfeinheit wird linear kombiniert mit der Kostenfunktion für steuerbare Einsatzmengen. Existieren mehrere Anlageneinstellungen zu einem Vorgabewert, dann findet der genetische Algorithmus aus diesen möglichen Einstellungen diejenige mit den minimalen Kosten.

Abbildung 9 enthält das Ergebnis der Kostenminimierung. Sie gibt zu jedem Zielwert der Zementfeinheit an, welche Kosten für eine feste, exemplarisch gewählte Kostenbewertung der Stellgrößen im Verfahrensschritt Zementmahlen mit optimierter Anlageneinstellung minimal erreicht werden können. Aufgrund der modellbasierten Prozessoptimierung sind damit gleichzeitig auch die verschiedenen Handlungsanweisungen für die Prozessführung realisiert.

3.3.2 Erzielte Nutzensteigerung durch Prozessoptimierung

Neuronale Netze stellen ein zusätzliches Hilfsmittel dar, um intelligente Automatisierungssysteme höherer Leistungsfähigkeit zu realisieren. Dabei sind im wesentlichen zwei Ansatzpunkte von Interesse:

• Erstellen eines Modells des zu automatisierenden Prozesses („What-If-Analyse“)
• Optimieren der Anlageneinstellung je nach gewünschtem Zielgrößenniveau

Bei einer verbesserten Prozessführung sind erhebliche wirtschaftliche Vorteile durch schnellere Einregelvorgänge, optimierten Ressourceneinsatz und geringere Qualitätstoleranzen zu erwarten. Im vorliegenden Anwendungsfall unterstützt das neuronale Netz den Bediener der Kugelmühle hierbei durch folgende Leistungen:

• Vorschlag von Steuerhandlungen für die kostenoptimale Fahrweise der Zementmühle im Normalbetrieb
• Vorhersage des Verfahrensablaufs zur Bestätigung der eigenen Fahrweise - das Prozesswissen steht jederzeit reproduzierbar zur Verfügung
• Früherkennung von Prozessstörungen in der Mühle und sichere Einflussnahme auf den Prozessablauf
• Verbesserte Kontinuität in der Zementproduktion

3.4 Prozessoptimierung und modellgestütztes Messen

Die moderne Prozessleittechnik mit dezentral strukturierter Informationsverarbeitung hat das Potential des Informationshaushaltes für Steuerung, Regelung, Beobachtung, Bedienung, Optimierung und sichere Prozessführung wesentlich erhöht. Zur Ausschöpfung dieses steigenden Potentials der Informationsverarbeitung ist auch eine Steigerung der direkt oder indirekt erfassten Information über den Prozesszustand erforderlich. Hier besteht ein relativer Engpass: Die Entwicklung der Sensorik(1) bleibt hinter der Entwicklung der Informationsverarbeitung zurück. Kritisches Glied der messtechnischen Wirkungskette ist daher der Sensor.

Aufgabe der Informationsverarbeitung ist es, die Signalgröße des Sensors zu ihrer Ursache in Beziehung zu setzen, um durch Interpretation eine nutzbare Information zu ergeben. Hierbei kann durch serielle, parallele oder assoziative Verknüpfung von Einzelinformationen die verfügbare Information erweitert werden.

Oft sind die relevanten Eigenschaften, die einen Prozess oder ein Produkt hinreichend beschreiben, nur sehr schwierig zu ermitteln. Dann kann auf leichter messbare Eigenschaften ausgewichen werden. Die bessere verfahrenstechnische Durchdringung als Voraussetzung für die Optimierung zwingt, noch stärker als bisher relevante Eigenschaften messbar zu machen, die als signifikante Verfahrensindikatoren für eine verbesserte Prozessführung nutzbar sind.(2)

Durch Integration von „a priori“-Wissen in den Messprozess wird die Aussagefähigkeit von Messgrößen sowohl in ihrem Umfang als auch in ihrer Zuverlässigkeit entscheidend erhöht. Voraussetzung hierfür ist ein hinreichend genaues Modell des jeweiligen Prozesses. Der Einsatz intelligenter Methoden zur Modellierung bietet verbesserte Lösungsmöglichkeiten, weil sie auch für solche Prozesse einsetzbar sind, die sich der klassischen Vorgehensweise über eine mathematischen Modellierung entziehen oder in denen Produkteigenschaften nur qualitativ beschreibbar sind.

3.4.1 Prozessbeschreibung

Als Anwendung intelligenter Technologien zur Prozessoptimierung mit Hilfe der Methode des modellgestützten Messens wird die Herstellung eines Vorprodukts von Gummiformartikeln betrachtet.(3) Zur Qualitätskontrolle des Vorprodukts ist es erforderlich, bei der Produktion physikalische Eigenschaften der hergestellten Kautschukmischung zu überprüfen. Insbesondere beeinflusst die Viskosität als Qualitätsmerkmal der Mischung die nachfolgenden Verarbeitungsschritte des Vorprodukts. Die Viskositätsmessung durch Probenentnahme und Laboranalyse wird hierbei durch ein Messsystem ersetzt, mit dem die Viskosität aus Prozessgrößen online über ein neuronales Netz bestimmt werden kann.

Das Messsystem wird an einem Walzwerk eingesetzt, das eine stark aufgeheizte Kautschukmischung kühlt. Dieser Verarbeitungsprozess beeinflusst maßgeblich die Fließfähigkeit der Mischung. Beim Walzprozess bildet sich auf der Arbeitswalze ein konstantes Gummifell aus. Seine Dicke ist abhängig ist vom eingestellten Abstand zwischen der Arbeitswalze und einer zweiten Walze sowie von physikalischen Eigenschaften der Gummimischung. Infolge intensiver Wasserkühlung der Walzenkörper sowie Konvektion an der Umgebungsluft nimmt die Temperatur des Fells während der Walzzeit kontinuierlich ab.

Die Messeinrichtung (Abbildung 10) erfasst über eine Kraftmessdose und einen Messkeil, der zu etwa 30% in das Kautschukfell eintaucht, die entstehende Reaktionskraft. Da die Reaktionskraft des Fells auf den Messkeil stark von der Temperatur des Kautschuks abhängig ist, wird die Oberflächentemperatur vor dem Einlauf in den Messkeil mit einem Infrarot-Thermometer gemessen. Die Felldicke in der Spur vor dem Messkeil nimmt ein Laser-Abstandssensor auf. Darüber hinaus können, wenn erforderlich, weitere Daten wie z.B. Walzendrehzahl oder Walzenspalt gemessen werden.

Abbildung 10: Arbeitsprinzip des Viskositäts-Messsystems.

Zur Modellierung der Viskositätsabhängigkeit von den erfassten Prozessgrößen wird ein neuronales Netz mit den Mittelwerten der Zeitreihen und den im Labor bestimmten Viskositätsdaten trainiert. Als Eingangsinformationen dienen die Kraft, Felltemperatur und Felldicke aus 27 Datensätzen.

3.4.2 Erzielte Nutzensteigerung durch modellbasierte Messung

Die folgende graphische Darstellung belegt die Qualität der Modellierung. Sie stellt die durch das neuronale Netz berechneten Viskositätswerte den Sollwerten aus der Laboranalyse gegenüber und zeigt die relativen Fehler der Approximation. Die Annäherung ist mit einem maximalen relativen Fehler von 1.9% und einem mittleren relativen Fehler von unter 0.15% sehr gut erfolgt.

Durch die modellbasierte Messung der Viskosität wird

• der Analyseaufwand während der Produktion verringert,
• hinsichtlich des Qualitätsmerkmals Viskosität der regelnde Eingriff in den Walzprozess ermöglicht
• die Ausschussproduktion somit reduziert und
• das Niveau und die Konstanz der Qualität erhöht.

Abbildung 11: Ergebnisse der Viskositätsbestimmung und relativer Fehler.

In einem weiteren Schritt der Prozessoptimierung können darauf aufbauend die Schwankungsbreite und die Toleranzgrenze der Produktqualität minimiert werden.

Top|Home|Contact Us|Back