Monitoring-Systeme für die chemische Industrie

Kurzbeschreibung des Projekts

Moderne automatisierte Produktionsanlagen zeichnen sich einerseits durch eine wachsende Komplexität und Vernetzung, andererseits durch eine zunehmende Dynamik bedingt durch zufällige Störungen aus. Die Überprüfung der korrekten Funktionalität, die Fehlersuche, das frühzeitige Erkennen von drohenden Störungen und insbesondere die Diagnose und das Monitoring des zugrundeliegenden physikalischen Prozesses sind von entscheidender Bedeutung für das wirtschaftliche Betreiben komplexer Produktionsprozesse in der Industrie.

Projektziele

Das Grundprinzip der modellgestützten Diagnose technischer Systeme stützt sich dabei auf ein quantitatives mathematisches Modell des zu überwachenden Prozesses. Die Schwierigkeit bei der Realisierung solcher modellbasierten Diagnosesysteme liegt in der Erstellung des Prozessmodells. So ist es z. B. bei verfahrenstechnischen, industriellen Prozessen oft nur mit großem Entwicklungsaufwand unter Einbezug von detailliertem Expertenwissen über die physikalischen Zusammenhänge des Prozesses möglich, ein robustes Prozessmodell zur Merkmalgenerierung aufzustellen.

Eine Alternative zu den analytisch modellbasierten Methoden bieten datengetriebene, lernfähige Modellansätze. In der Anwendungsklasse „Performance und Condition Monitoring von verfahrenstechnischen Prozessen“ werden Methoden des maschinellen Lernens / Data Mining bereitgestellt, welche es ermöglichen, auf Basis von „unüberwachten“ Lerndatensätzen geeignete Prozessmodelle zum Performance und Condition Monitoring zu generieren.

Projektergebnis

Die ProDaMi-Suite stellt für das Performance und Condition Monitoring verschiedene Funktionalitäten bereit:

1. Unterstützung bei der datengetriebenen Modellierung komplexer verfahrenstechnischer Prozesse in der chemischen Industrie: Modellierung des Prozessverhaltens auf Basis historischer Prozessaufzeichnungen durch Methoden des maschinellen Lernens insbesondere für technische Prozesse mit langsam veränderlichem Prozessverhalten (quasi-statische Prozessdynamik)
2. Erfassung von Prozesswissen durch strukturentdeckende Data-Mining-Methoden:
   Erkennung und Beschreibung von Prozessphasen in verfahrenstechnischen Produktionsanlagen durch strukturentdeckende „unüberwachte“ Lernverfahren
3. Online-Monitoring und Diagnose des Prozessverhaltens:
   Nutzung der datengetriebenen Modelle zum Monitoring des Prozessverhaltens, Überwachung der Prozessparameter, Erkennung von schleichenden Veränderungen der Betriebspunkte.
   Diagnose von Fehlern, Komponentenausfällen und Lokalisierung (FDI)

Typische Anwendungsgebiete sind kontinuierliche Prozesse in der chemischen / pharmazeutischen Industrie. Diese Prozesse sind insbesondere durch die folgenden charakteristischen Eigenschaften gekennzeichnet:

• Kontinuierliche langandauernde Prozesse für eine Produktvariante, z. B. Kolonnenprozesse.
• Beispiele:
  Großindustrielle Herstellung von Grundstoffen für z. B. Lacke, Pharmaprodukte, etc.

Neben diesen chemischen Großanlagen werden in der Anwendungsklasse auch Batchprozesse in der chemischen / pharmazeutischen Industrie behandelt. Dabei konzentriert sich die Anwendungsklasse auf folgende Prozesse:

• Batchprozesse zur Herstellung qualitativ hochwertiger chemischer und pharmazeutischer Produkte in Universal-Batchreaktoren
  Beispiele:
  Grundstoffe für Pharmaprodukte, Impfstoffe, Pflanzenschutzmittel, etc.