Loading [MathJax]/extensions/tex2jax.js

Modellbasierte Steuerung von quasi-diskreten Batch-Prozessen auf Basis physikalischer und datenbasierter Modelle

Research output: Thesis › Doctoral thesis

Authors

  • Alexander Rose

Research Organisations

Details

Original languageGerman
QualificationDoctor of Engineering
Awarding Institution
Supervised by
  • Tobias Ortmaier, Supervisor
Date of Award11 Oct 2023
Place of PublicationHannover
Publication statusPublished - 2023

Abstract

Die Industrieproduktion steht besonders an Standorten mit hohen Energiepreisen unter einem starken internationalen Wettbewerbsdruck. Modellprädiktive Steuerungen, die übergeordnete Zielgrößen wie den Energiebedarf erfassen, können wesentlich zur Steigerung der Energieeffizienz industrieller Prozesse beitragen. Eine Erweiterung gegenüber dem Stand des Wissens stellt die entwickelte Methodik zur modellprädiktiven Steuerungen komplexer quasi-diskreter Batch-Prozesse, die sogenannte rückkopplungskorrigierte optimale Planung, dar. Die in der Methodik zur Prozessmodellierung vorgeschlagenen Standardelemente vereinen Totzeitsysteme mit den, zur Modellierung von festen Prozesszeiten quasi-diskreter Batch-Prozesse erforderlichen, Beschränkungen. Für das Erreichen von Echtzeitfähigkeit reduzieren binäre Totzeitsysteme den Rechenaufwand zur Lösung des Optimalplanungsproblems und ermöglichen eine einfache Berücksichtigung des Prozessfortschritts im ökonomischen Gütefunktional. Weiterhin ist eine Beeinflussung des Kompromisses zwischen Rechenaufwand und Reaktionsfähigkeit durch die Wahl der Dauer eines Zeitschritts möglich. Die Anwendbarkeit der über einen Horizont ausgeführten optimalen Planung hängt von der Genauigkeit der Vorhersage der Prozess- und Störgrößen ab. Da eine Störgrößenprädiktion durch physikalische Modelle oft nicht oder nur sehr aufwendig möglich ist, wird als Erweiterung zum Stand des Wissens eine generisch anwendbare Vorgehensweise zur datenbasierten Prädiktion industrieller Prozessgrößen entwickelt. Die in der Vorgehensweise verwendeten sequentiellen Long Short-Term Memory (LSTM) Netzwerke ermöglichen eine Berücksichtigung zeitlich verschobener Korrelationen. Durch die Verwendung sequentieller LSTM-Netzwerke in Verbindung mit den hier vorgeschlagenen Sensitivitätskennwerten, die eine schnelle Selektion nicht-sensitiver Prozessgrößen zulassen, erfolgt eine systematische und zeiteffiziente Bestimmung der Netzwerktopologie mit geringer Komplexität. Die industrielle Anwendbarkeit der Vorgehensweise zeigt das Beispiel der Vorsteuerung der Wasserzugabe im Mischprozess einer Gießerei. Deren Erprobung im realen Produktionsbetrieb führt zu einer erheblichen Stabilisierung der Prozessgröße Verdichtbarkeit um deren Sollwert. Am Beispiel der Formstoffbereitstellung der Gießerei wird die einfache Anwendbarkeit der Methodik zur optimalen Planung demonstriert und in der Erprobung an der realen Produktionsanlage eine hohe Reduktion des Energiebedarfes erreicht. Durch die Erweiterung der optimalen Planung um eine, nach der Vorgehensweise zur LSTM-basierten Prädiktion systematisch und zeiteffizient erstellten, Vorhersage der Störgröße steigt die Energieeinsparung deutlich.

Cite this

Modellbasierte Steuerung von quasi-diskreten Batch-Prozessen auf Basis physikalischer und datenbasierter Modelle. / Rose, Alexander.
Hannover, 2023. 121 p.

Research output: Thesis › Doctoral thesis

Download
@phdthesis{29f9d0e5e01a4797ba8077ab29ec4711,
title = "Modellbasierte Steuerung von quasi-diskreten Batch-Prozessen auf Basis physikalischer und datenbasierter Modelle",
abstract = "Die Industrieproduktion steht besonders an Standorten mit hohen Energiepreisen unter einem starken internationalen Wettbewerbsdruck. Modellpr{\"a}diktive Steuerungen, die {\"u}bergeordnete Zielgr{\"o}{\ss}en wie den Energiebedarf erfassen, k{\"o}nnen wesentlich zur Steigerung der Energieeffizienz industrieller Prozesse beitragen. Eine Erweiterung gegen{\"u}ber dem Stand des Wissens stellt die entwickelte Methodik zur modellpr{\"a}diktiven Steuerungen komplexer quasi-diskreter Batch-Prozesse, die sogenannte r{\"u}ckkopplungskorrigierte optimale Planung, dar. Die in der Methodik zur Prozessmodellierung vorgeschlagenen Standardelemente vereinen Totzeitsysteme mit den, zur Modellierung von festen Prozesszeiten quasi-diskreter Batch-Prozesse erforderlichen, Beschr{\"a}nkungen. F{\"u}r das Erreichen von Echtzeitf{\"a}higkeit reduzieren bin{\"a}re Totzeitsysteme den Rechenaufwand zur L{\"o}sung des Optimalplanungsproblems und erm{\"o}glichen eine einfache Ber{\"u}cksichtigung des Prozessfortschritts im {\"o}konomischen G{\"u}tefunktional. Weiterhin ist eine Beeinflussung des Kompromisses zwischen Rechenaufwand und Reaktionsf{\"a}higkeit durch die Wahl der Dauer eines Zeitschritts m{\"o}glich. Die Anwendbarkeit der {\"u}ber einen Horizont ausgef{\"u}hrten optimalen Planung h{\"a}ngt von der Genauigkeit der Vorhersage der Prozess- und St{\"o}rgr{\"o}{\ss}en ab. Da eine St{\"o}rgr{\"o}{\ss}enpr{\"a}diktion durch physikalische Modelle oft nicht oder nur sehr aufwendig m{\"o}glich ist, wird als Erweiterung zum Stand des Wissens eine generisch anwendbare Vorgehensweise zur datenbasierten Pr{\"a}diktion industrieller Prozessgr{\"o}{\ss}en entwickelt. Die in der Vorgehensweise verwendeten sequentiellen Long Short-Term Memory (LSTM) Netzwerke erm{\"o}glichen eine Ber{\"u}cksichtigung zeitlich verschobener Korrelationen. Durch die Verwendung sequentieller LSTM-Netzwerke in Verbindung mit den hier vorgeschlagenen Sensitivit{\"a}tskennwerten, die eine schnelle Selektion nicht-sensitiver Prozessgr{\"o}{\ss}en zulassen, erfolgt eine systematische und zeiteffiziente Bestimmung der Netzwerktopologie mit geringer Komplexit{\"a}t. Die industrielle Anwendbarkeit der Vorgehensweise zeigt das Beispiel der Vorsteuerung der Wasserzugabe im Mischprozess einer Gie{\ss}erei. Deren Erprobung im realen Produktionsbetrieb f{\"u}hrt zu einer erheblichen Stabilisierung der Prozessgr{\"o}{\ss}e Verdichtbarkeit um deren Sollwert. Am Beispiel der Formstoffbereitstellung der Gie{\ss}erei wird die einfache Anwendbarkeit der Methodik zur optimalen Planung demonstriert und in der Erprobung an der realen Produktionsanlage eine hohe Reduktion des Energiebedarfes erreicht. Durch die Erweiterung der optimalen Planung um eine, nach der Vorgehensweise zur LSTM-basierten Pr{\"a}diktion systematisch und zeiteffizient erstellten, Vorhersage der St{\"o}rgr{\"o}{\ss}e steigt die Energieeinsparung deutlich.",
author = "Alexander Rose",
year = "2023",
doi = "10.15488/14964",
language = "Deutsch",
school = "Gottfried Wilhelm Leibniz Universit{\"a}t Hannover",

}

Download

TY - BOOK

T1 - Modellbasierte Steuerung von quasi-diskreten Batch-Prozessen auf Basis physikalischer und datenbasierter Modelle

AU - Rose, Alexander

PY - 2023

Y1 - 2023

N2 - Die Industrieproduktion steht besonders an Standorten mit hohen Energiepreisen unter einem starken internationalen Wettbewerbsdruck. Modellprädiktive Steuerungen, die übergeordnete Zielgrößen wie den Energiebedarf erfassen, können wesentlich zur Steigerung der Energieeffizienz industrieller Prozesse beitragen. Eine Erweiterung gegenüber dem Stand des Wissens stellt die entwickelte Methodik zur modellprädiktiven Steuerungen komplexer quasi-diskreter Batch-Prozesse, die sogenannte rückkopplungskorrigierte optimale Planung, dar. Die in der Methodik zur Prozessmodellierung vorgeschlagenen Standardelemente vereinen Totzeitsysteme mit den, zur Modellierung von festen Prozesszeiten quasi-diskreter Batch-Prozesse erforderlichen, Beschränkungen. Für das Erreichen von Echtzeitfähigkeit reduzieren binäre Totzeitsysteme den Rechenaufwand zur Lösung des Optimalplanungsproblems und ermöglichen eine einfache Berücksichtigung des Prozessfortschritts im ökonomischen Gütefunktional. Weiterhin ist eine Beeinflussung des Kompromisses zwischen Rechenaufwand und Reaktionsfähigkeit durch die Wahl der Dauer eines Zeitschritts möglich. Die Anwendbarkeit der über einen Horizont ausgeführten optimalen Planung hängt von der Genauigkeit der Vorhersage der Prozess- und Störgrößen ab. Da eine Störgrößenprädiktion durch physikalische Modelle oft nicht oder nur sehr aufwendig möglich ist, wird als Erweiterung zum Stand des Wissens eine generisch anwendbare Vorgehensweise zur datenbasierten Prädiktion industrieller Prozessgrößen entwickelt. Die in der Vorgehensweise verwendeten sequentiellen Long Short-Term Memory (LSTM) Netzwerke ermöglichen eine Berücksichtigung zeitlich verschobener Korrelationen. Durch die Verwendung sequentieller LSTM-Netzwerke in Verbindung mit den hier vorgeschlagenen Sensitivitätskennwerten, die eine schnelle Selektion nicht-sensitiver Prozessgrößen zulassen, erfolgt eine systematische und zeiteffiziente Bestimmung der Netzwerktopologie mit geringer Komplexität. Die industrielle Anwendbarkeit der Vorgehensweise zeigt das Beispiel der Vorsteuerung der Wasserzugabe im Mischprozess einer Gießerei. Deren Erprobung im realen Produktionsbetrieb führt zu einer erheblichen Stabilisierung der Prozessgröße Verdichtbarkeit um deren Sollwert. Am Beispiel der Formstoffbereitstellung der Gießerei wird die einfache Anwendbarkeit der Methodik zur optimalen Planung demonstriert und in der Erprobung an der realen Produktionsanlage eine hohe Reduktion des Energiebedarfes erreicht. Durch die Erweiterung der optimalen Planung um eine, nach der Vorgehensweise zur LSTM-basierten Prädiktion systematisch und zeiteffizient erstellten, Vorhersage der Störgröße steigt die Energieeinsparung deutlich.

AB - Die Industrieproduktion steht besonders an Standorten mit hohen Energiepreisen unter einem starken internationalen Wettbewerbsdruck. Modellprädiktive Steuerungen, die übergeordnete Zielgrößen wie den Energiebedarf erfassen, können wesentlich zur Steigerung der Energieeffizienz industrieller Prozesse beitragen. Eine Erweiterung gegenüber dem Stand des Wissens stellt die entwickelte Methodik zur modellprädiktiven Steuerungen komplexer quasi-diskreter Batch-Prozesse, die sogenannte rückkopplungskorrigierte optimale Planung, dar. Die in der Methodik zur Prozessmodellierung vorgeschlagenen Standardelemente vereinen Totzeitsysteme mit den, zur Modellierung von festen Prozesszeiten quasi-diskreter Batch-Prozesse erforderlichen, Beschränkungen. Für das Erreichen von Echtzeitfähigkeit reduzieren binäre Totzeitsysteme den Rechenaufwand zur Lösung des Optimalplanungsproblems und ermöglichen eine einfache Berücksichtigung des Prozessfortschritts im ökonomischen Gütefunktional. Weiterhin ist eine Beeinflussung des Kompromisses zwischen Rechenaufwand und Reaktionsfähigkeit durch die Wahl der Dauer eines Zeitschritts möglich. Die Anwendbarkeit der über einen Horizont ausgeführten optimalen Planung hängt von der Genauigkeit der Vorhersage der Prozess- und Störgrößen ab. Da eine Störgrößenprädiktion durch physikalische Modelle oft nicht oder nur sehr aufwendig möglich ist, wird als Erweiterung zum Stand des Wissens eine generisch anwendbare Vorgehensweise zur datenbasierten Prädiktion industrieller Prozessgrößen entwickelt. Die in der Vorgehensweise verwendeten sequentiellen Long Short-Term Memory (LSTM) Netzwerke ermöglichen eine Berücksichtigung zeitlich verschobener Korrelationen. Durch die Verwendung sequentieller LSTM-Netzwerke in Verbindung mit den hier vorgeschlagenen Sensitivitätskennwerten, die eine schnelle Selektion nicht-sensitiver Prozessgrößen zulassen, erfolgt eine systematische und zeiteffiziente Bestimmung der Netzwerktopologie mit geringer Komplexität. Die industrielle Anwendbarkeit der Vorgehensweise zeigt das Beispiel der Vorsteuerung der Wasserzugabe im Mischprozess einer Gießerei. Deren Erprobung im realen Produktionsbetrieb führt zu einer erheblichen Stabilisierung der Prozessgröße Verdichtbarkeit um deren Sollwert. Am Beispiel der Formstoffbereitstellung der Gießerei wird die einfache Anwendbarkeit der Methodik zur optimalen Planung demonstriert und in der Erprobung an der realen Produktionsanlage eine hohe Reduktion des Energiebedarfes erreicht. Durch die Erweiterung der optimalen Planung um eine, nach der Vorgehensweise zur LSTM-basierten Prädiktion systematisch und zeiteffizient erstellten, Vorhersage der Störgröße steigt die Energieeinsparung deutlich.

U2 - 10.15488/14964

DO - 10.15488/14964

M3 - Dissertation

CY - Hannover

ER -