Online-Monitoring und Prädiktion der Prozessgüte komplexer Batchprozesse

Moderne verfahrenstechnische Prozesse zeichnen sich durch einen hohen Automatisierungsgrad und zunehmende Komplexität aus. Die Optimierung von instationären Prozessphasen wie z. B. dem Anfahren von Batchprozessen erfolgt bisher im Wesentlichen basierend auf rigorosen Prozessmodellen und dem Expertenwissen der Anlagenfahrer. Beide Ans atze sind jedoch zunehmend problematisch. Hier bieten sich Data-Mining-Methoden an, mittels derer die archivierten Prozessdaten systematisch ausgewertet und genutzt werden können. Im vorliegenden Beitrag wird ein Ansatz entwickelt welcher online während einer Produktion frühzeitig erkennt, ob der Prozess eine hohe Güte (gemessen z. B. über, Produktqualität, Rohstoffverbrauch oder Produktionskosten) erzielen wird. Es werden für mehrere Prozessphasen datengetriebene Modell generiert, welche mit einer geringen Anzahl an Merkmalen der Prozessvariablen einen definierten Güteindex möglichst genau wiedergeben. Dieser Ansatz bietet die Möglichkeit, während der Produktion im Falle einer drohenden, unbefriedigenden Güte frühzeitig gegenzusteuern. Die Leistungsfähigkeit des vorgeschlagenen Konzeptes wird anhand eines industriellen Batchprozesses dargestellt