Neuronale Netze für die Prozessoptimierung

Publications of 1999 - Abstract

 

Neuronale Netze für die Prozessoptimierung

Prof. Dr.-Ing. K. Görner ; Dipl.-Ing. R. Mühlhaus
Lehrstuhl für Umweltverfahrens- und Anlagentechnik, Universität Duisburg-Essen

Dr.-Ing. M. Pollack, Dr.-Ing. W. Moll,
RWE Energie AG Hauptverwaltung, Essen

Dipl.-Ing. K. Pflipsen,
RWE Energie AG Kraftwerk Weisweiler, Weisweiler

 

Für die Prozessidentifikation und -analyse komplexer technischer Systeme, wie sie technische Feuerungen darstellen, bieten sich Neuronale Netze an. Bei der Prozessidentifikation werden Systemein- und -ausgänge dazu benutzt, auf das Übertragungsverhalten des Prozesses selbst und damit mit Einschränkungen auf die innere Struktur des Prozesses Rückschlüsse zu ziehen. Klassisch werden hierzu Methoden der Statistik oder der Systemidentifikation eingesetzt, die jedoch bei mehrdimensionalen Abhängigkeiten sehr schnell unübersichtlich und mathematisch aufwendig werden. Bei Neuronalen Netzen ist nicht die Dimensionalität bzw. Komplexität des Systems von limitierender Bedeutung, sondern die wenig anschauliche interne Verknüpfung von Ein- und Ausgangsgrößen. Dieser Nachteil wird jedoch durch die Fähigkeit, eine große Anzahl von Daten strukturell zu verknüpfen, bei weitem kompensiert. Die Datenanalyse nach unterschiedlichen Kriterien wie Verzugszeiten, Korrelationen, Sensitivitäten u.a. lässt darüber hinaus einen sehr weitgehenden Einblick in ein System zu. Nach dem Identifikationsprozess, dem Modelltraining, kann die Übertragungsfunktion für den Prozess bzw. die Anlage invertiert werden und damit zu vorgegebenen Prozessausgangs-größen die zugehörigen Eingangsgrößen bestimmt werden. Mit einer solchen Vorgehens-weise ist dann eine Optimierungsmöglichkeit gegeben.

Um die dargestellten Leistungsmerkmale eines solchen Modells in Bezug auf technische Feuerungen zu untersuchen, wurde ein braunkohlegefeuerter Block der RWE Energie AG im Kraftwerk Weisweiler mit dem Ziel analysiert, unter Einhaltung der gesetzlichen Emissions-grenzwerte auf die eingebaute Rauchgasrezirkulation im Betrieb zu verzichten. Die für den Identifikationsprozess notwendigen Daten wurden aus dem Prozessleitsystem auf Basis von 1-Minuten-Mittelwerten ausgelesen und damit das Modelltraining durchgeführt. Der Vergleich von Mess- und Modellwerten zeigt eine sehr gute Modellgüte. Anhand von grafischen Dar-stellungen, Korrelations- und Sensitivitätsanalysen, die aus diesen Daten bzw. dem trainierten Modell entnommen werden können, kann eine anschauliche Prozessanalyse durchgeführt werden. Insbesondere konnte aber das Werkzeug Neuronale Netze für ein besseres Prozess- bzw. Anlagenverständnis genutzt werden. Dies wird an einigen Beispielen erläutert.

pdf Vollversion