Zur Früherkennung sicherheitsrelevanter Betriebszustände in Chemieanlagen mit neuronalen Netzen

En savoir plus sur le livre

Die Konzentration aufwendiger Verfahrenstechnik in Verbindung mit mehrstufiger Prozessführung macht Chemieanlagen anfällig für Betriebsstörungen, die sich negativ auf die Produktqualität und den Gesamtwirkungsgrad auswirken. Der Zeitaufwand zur Behebung solcher Störungen kann zu erheblichen Produktionsausfällen führen. Zur Überwachung des Betriebs von verfahrenstechnischen Anlagen wird eine Methodik mit neuronalen Netzen vorgestellt. Die während des Betriebs erfassten Messgrößen sind als zeitabhängige Muster interpretierbar, was die Automatisierung komplexer Bewertungs- und Entscheidungsprozesse ermöglicht. An einer Versuchsanlage werden gezielt Störungen erzeugt, um das Prozessverhalten aufzuzeichnen und mithilfe von Mustererkennungsverfahren auf Basis neuronaler Netze eine automatisierte Zustandsbewertung durchzuführen. Der Ansatz beginnt mit einem Semibatch-Prozess und überträgt die Erkenntnisse von Simulation und Experiment auf die kontinuierliche Fahrweise, einschließlich der Anfahrphase. Unerwünschte Betriebszustände müssen nicht an realen Anlagen erzeugt werden; sie können auch durch Simulationen an Modellen trainiert werden. Die Leistungsfähigkeit der Methodik zur Identifizierung von bestimmungsgemäßen und nichtbestimmungsgemäßen Betriebszuständen wird erfolgreich nachgewiesen.