Vorhersagbares Prozessverhalten

Prof. Dr.-Ing. Norbert Becker, Dipl.-Ing. Christian Brenncke

Als Beispiel für eine solche Prozessausgangsgröße sei hier die labortechnische Ermittlung von komplexen Qualitätsparametern genannt, die später ein gewünschtes Produkt ausmachen sollen. Läuft die Dynamik des Prozesses deutlich schneller ab als die zeitintensive Ermittlung dieser kritischen Prozessausgangsgröße, kann dies die gezielte Beeinflussung des Prozesses behindern. Eine Vorhersage dieser Prozessausgangsgröße mit Hilfe eines Softsensors auf der Basis der schneller erhältlichen Ersatzmessgrößen kann hier Abhilfe schaffen: Zwischen den langsam einlaufenden tatsächlichen Messungen der Prozessausgangsgröße kann man dann die vorhergesagten Werte verwenden bzw. ersetzt die Prozessausgangsgröße vollständig durch die vorhergesagten Werte.

Damit der Softsensor diese Aufgabenstellung leisten kann, muss er ein mathematisches Modell enthalten, das aus den Ersatzmessgrößen eine Schätzung der schwer messbaren Prozessausgangsgröße errechnet. Dieses mathematische Modell kann z.B. ein neuronales Netz sein, so wie es bei DeltaV Neural der Fall ist. Neuronale Netze können stark nichtlineare Zusammenhänge zwischen den Ersatzmessgrößen und der interessierenden Prozessausgangsgröße modellieren. Um diesen Zusammenhang herstellen zu können, muss das neuronale Netz mit diesen Messgrößen trainiert werden. Für die Trainingsphase sollte die Software-Umgebung sinnvollerweise auf abgespeicherte historische Messdaten innerhalb des Prozessautomatisierungssystems zurückgreifen können.

Das Prozessautomatisierungssystem DeltaV von Emerson Process Management ist seit 1996 auf dem Markt. Es bietet eine hohe Funktionalität und ist von kleinen bis zu sehr großen Mengengerüsten skalierbar. Bild 1 zeigt eine typische Gesamtkonfiguration. Neben vielen Standardfunktionen beinhaltet die Funktionalität von DeltaV u.a. auch so genannte Advanced-Control-Funktionen, wie z.B. selbsteinstellende Regler (DeltaV Tune), Fuzzy-Regler (DeltaV Fuzzy), Mehrgrößen-Prädiktive-Regler (DeltaV Predict) und auch neuronale Netze (DeltaV Neural). DeltaV Neural benötigt eine separate Lizenz. Sämtliche Advanced-Control-Funktionen sind vollständig in das Gesamtsystem integriert, so dass das Look and Feel des Engineering und der späteren Anwendung sich prinzipiell nicht von dem anderer Standardfunktionen unterscheidet.

Die Anwendung eines neuronalen Netzes beinhaltet die Phasen:

Folgendes Beispiel, das aus der Säureherstellung stammt, illustriert die vier Phasen: Ein Qualitätsparameter für die Säureherstellung soll hier aus vier Ersatzmessgrößen vorhergesagt werden.

Bild 2 zeigt den im Control Studio anzulegenden Funktionsplan, der sich prinzipiell nicht von dem Funktionsplan eines beliebigen anderen Loops unterscheidet. Der dargestellte Funktionsplan beinhaltet den eigentlichen Funktionsblock des neuronalen Netzes (NN), die vier Ersatzmessgrößen (bis zu 20 sind erlaubt), die jeweils durch einen Analog-Input-Function-Block (AI) repräsentiert werden und die eigentliche Prozessausgangsgröße. Diese wird hier durch einen Lab-Entry-Function-Block (LE) dargestellt. Der LE ermöglicht es, mittels des zugehörigen Faceplates im Prozessbild, die Laborwerte der Prozessausgangsgröße inklusiv Zeitstempel manuell einzugeben. Das Messdatenarchivierungssystem (Continuous Historian) speichert die eingegebenen Laborwerte und die Ersatzmessgrößen. Liegt die Prozessausgangsgröße als abgetastete kontinuierliche Messung vor, so wird sie im Bild 2 über einen Analog-Input(AI)-Function-Block berücksichtigt. Der Anwender lädt diesen Funktionsplan anschließend auf den zugehörigen Controller. Damit ist die Engineeringphase abgeschlossen.

Nun folgt die Trainingsphase. Das Training basiert auf den im Messdatenarchivierungssystem gespeicherten Messdaten. Der Anwender markiert per Mausklick den Bereich der Messdaten, den er für das Training des neuronalen Netzes verwenden will (Bild 3). Anschließend startet er das Training, ohne dass er sich dabei mit mathematischen Details beschäftigen muss. Das Programm führt nun eine Analyse durch, indem es automatisch folgende Daten ermittelt:

Nur diejenigen Ersatzmessgrößen, die bei der Empfindlichkeitsanalyse eine ausreichende Auswirkung auf die Prozessausgangsgröße besitzen, werden für die weitere Trainingsphase mit den ermittelten zugehörigen Zeitverzögerungen berücksichtigt.

Anschließend verändert das Programm automatisch die Anzahl der verdeckten Neuronen des Netzes bis zu einem Maximalwert (= Anzahl der verwendeten Ersatzmessgrößen). Für jede Anzahl minimiert es, durch entsprechende Wahl interner Parameter, einen mittleren Fehler. Diejenige Konfiguration, die den kleinsten mittleren Fehler (tatsächlich ist dies ein kombinierter Fehler) aufweist, wird verwendet. Für den erfahrenen Anwender steht noch eine Expert Option zur Verfügung, die es ermöglicht, detaillierter in die Trainingsphase einzugreifen, z.B. um Empfindlichkeiten und Zeitverzögerungen für Ersatzmessgrößen einzugeben oder um Ersatzmessgrößen zu streichen. Nach erfolgreicher Trainingsphase steht das Modell des neuronalen Netzes in einer Modellübersicht mit Zeitstempel zur Verfügung. DeltaV Neural gestattet es dem Anwender, für eine Prozessausgangsgröße verschiedene Netze zu trainieren und anschließend miteinander zu vergleichen.

Für die Verifikation stellt der Anwender die reale Prozessausgangsgröße und die durch das neuronale Netz vorhergesagte Prozessausgangsgröße dar (Bild 4) und verschafft sich somit einen visuellen Eindruck von der Übereinstimmung mit der gemessenen Prozessausgangsgröße und der Qualität.

Ein zufriedenstellendes Modell eines neuronalen Netzes kann dann auf den Ziel-Controller (hier der leistungsstärkste MD-Controller) geladen werden und steht anschließend für den operativen Online-Einsatz zur Verfügung.

Ein Problem beim Online-Einsatz von neuronalen Netzen besteht darin, dass das mathematische Modell des Prozesses sich gegenüber der Trainingsphase ändern kann. DeltaV Neural begegnet diesem Problem, indem es einlaufende Online-Abtastwerte oder online eingegebene Laborwerte der Prozessausgangsgröße zur dynamischen Korrektur der durch das Netz vorhergesagten Prozessausgangsgröße nutzt. Über einen geeigneten Filteralgorithmus berechnet DeltaV Neural daraus automatisch eine Korrektur für die vorhergesagte Prozessausgangsgröße. Diese Berechnung findet immer beim Eintreffen eines neuen Online-Wertes statt. Liegt kein neuer Online-Wert vor, so wird die letzte vorliegende Korrektur genommen. Falls der Anwender auf die weitere messtechnische Ermittlung der Prozessausgangsgröße verzichtet und somit ausschließlich auf den Softsensor setzt, findet natürlich keine dynamische Korrektur statt, da dann immer die vorhergesagte Größe ausgegeben wird.

dei 432