ML-Modell

Die Aufgabe des Machine Learning(ML)-Modells ist es, möglichst genau die Restlebenszeit des Katalysators vorherzusagen. Um dieses Ziel zu erreichen, musste sowohl die Sensorik als auch das Domänenwissen der Prozessexpertin in das ML-Modell integriert werden. Konkret bedeutete dies, das Domänenwissen der Prozessexpertin in eine Funktion zu überführen und diese Funktion als Ausgangsgröße zu nutzen, auf Grundlage dieser das ML-Modell trainiert wird.

Die folgenden Punkte erläutern Aufbau und Funktionsweise des ML-Modells:

Quantifizierung des Prozesswissens

Auswahl relevanter Messgrößen und Verlauf

Beschreibung der Messdaten

Architektur des ML-Modells

Trainieren / Validierung des Modells

Die Abschätzung der Restlebenszeit des verwendeten Katalysators ist von den im Folgenden beschriebenen Faktoren abhängig:

1. Die initiale Lebensdauer des Katalysators beträgt 100 Tage.
2. Die Funktion folgt ohne Temperaturänderungen einer abfallenden Gerade.
3. Das sprunghafte Erhöhen der Reaktortemperatur, die sogenannte Reaktivierung des Katalysators, reduziert die Lebenszeit des Katalysators.
4. Eine Reduktion der Ofentemperatur erhöht nicht die Lebenszeit des Katalysators.
   

Eine Reaktivierung bedeutet, dass der Katalysator wieder mehr Methan in Kohlendioxid umsetzen kann. Dies geht allerdings zu Lasten der Lebenszeit. Die sich ergebende Funktion für die Restlebenszeit des untersuchten Katalysators mit drei Reaktivierungsprüngen ist in der Abbildung links dargestellt.

Links ist der Verlauf der relevanten Messdaten dargestellt. Darin lässt sich die prinzipielle Funktionsweise des Katalysators für die Umwandlung von Methan in Kohlendioxid anhand der zugrundeliegenden chemischen Gleichung CH₄ + O₂ → CO₂ + H₂O erkennen. Der Katalysator selbst verliert über die Zeit an Fähigkeit, CH₄ in CO₂ umzuwandeln. Dies zeigt sich daran, dass der CO₂-Gehalt über die Zeit weniger wird, gleichzeitig aber der CH₄-Gehalt ansteigt. Wird die Temperatur im Ofen erhöht, erlangt der Katalysator wieder die Möglichkeit, mehr CH₄ in CO₂ umzuwandeln. Bei Rücknahme der Temperatur wechselt der Katalysator wieder in seinen alten Betriebszustand. Das H₂O ist bei der Reaktion ein Nebenprodukt und folgt daher dem Verhalten des CO₂.

Für das ML-Verfahren ist das Lernen des Zusammenhangs zwischen gemessenen Größen und Restlebenszeit möglich. Anhand der Temperatur lassen sich einzelne Anlagenzustände lernen. Beispielsweise, dass die abfallende Gerade bei konstanter Temperatur dem Verhalten der Messgrößen CO₂ und H₂O folgt.

Wie so häufig bei der Entwicklung von ML-Modellen im Produktionsbereich, reicht auch hier eine relativ einfache Struktur des Lernverfahrens. Als Vorverarbeitungsschritt wird eine Zscore-Standardisierung angewandt. Insgesamt besitzt das künstliche neuronale Netz lediglich ein »hidden layer« (dt. verborgene Schicht) mit vier Knoten. Als Aktivierungsfunktion lieferte die ReLU-Funktion die besten Ergebnisse.

Am Versuchsstand des Fraunhofer UMSICHT wurden Versuche mit mehreren Katalysatoren durchgeführt, um eine ausreichend große Datenbasis zum Trainieren und Validieren des ML-Modells zu haben. Nach jedem Versuch wurde dazu von der Prozessexpertin der Verlauf der Restlebenszeit des Katalysators beschrieben und in eine Funktion übersetzt. Für das Modell diente diese Funktion schließlich als Ausgangsgröße, auf die trainiert wurde. Im laufenden Betrieb (siehe Abschnitt Systemarchitektur) wurde das Modell schließlich dazu verwendet, kontinuierlich die Restlebenszeit des Katalysators vorherzusagen.

Um einen Eindruck der Güte des ML-Modells zu bekommen, ist in der Abbildung links sowohl der Verlauf des Expertenwissens als auch der prädizierte Verlauf des ML-Modells dargestellt. Sprünge in der Restlebenszeit bedeuten wie bereits erwähnt, dass hier eine Reaktivierung des Katalysators stattgefunden hat. Allgemein zeigt sich, dass das Modell dem Verlauf des Expertenwissens sehr gut folgt. Lediglich in den Bereichen, in denen der Katalysator seinen Zustand wechselt (also durch eine Temperaturerhöhung eine Reaktivierung erfolgt) und die Restlebenszeit sprunghaft reduziert wird, liefert das Modell größere Abweichungen zum Expertenwissen.