Verbesserte Prognosen durch Kombination von Datenanalysen mit Erfahrungswissen von Mitarbeitern

Am Beispiel einer Anlage zur Wirbelschicht-Granulation wurde untersucht, ob sich eine beginnende Verstopfung der Düse aus den regulär aufgezeichneten Messdaten vorhersagen lässt. Der aktuelle Verstopfungsgrad ist an der diskontinuierlich betriebenen Anlage mittels Sensoren direkt nicht ermittelbar. Zunächst wurden in einem Interview mit Anlagenbetreibern aus der Vielzahl der Sensoren diejenigen identifiziert, in denen sich ein beginnendes Zusetzen der Düse am wahrscheinlichsten darstellt. Im Ergebnis wurden fünf kontinuierlich aufgezeichnete Sensordaten untersucht. Zudem wurden daraus abgeleitete Größen mit in die Auswertung einbezogen. Im untersuchten Zeitraum von 50 Betriebstagen innerhalb eines Jahres traten 20 bestätigte Verstopfungsfälle auf, die zum Ausfall der Anlage führten. Mit den Methoden Maschinelles Lernen und FuzzyLogik wurde im Zeitraum vor den Verstopfungsfällen der Grad der Verstopfung bzw. die Ausfallwahrscheinlichkeit der Düse approximiert. Diese steigt dabei innerhalb einer vorgegebenen Zeit mit einer festgelegten Funktion so an, dass sie zum Zeitpunkt der Verstopfung denWert1 (100%) erreicht und ist Zielwert des Regressionsmodells für das Maschinelle Lernen. Mit dem trainierten Modell lässt sich eine beginnende Verstopfung der Düse anhand der Messdaten prognostizieren und zeitlich detektieren. Das ermöglicht das Einleiten entsprechender Gegenmaßnahmen und Abwenden des Anlagenausfalls