PROZESSDATENANALYSE – ZUSAMMENHÄNGE AUS BETRIEBSDATEN DER PROZESSTECHNIK BEWERTEN

Sie erfahren, wie man gestörte Messungen z.B. mittels Ausreißererkennung und Filtern vorbehandelt ohne den Inhalt der Daten zu unterdrücken. Anschließend erkennen Sie maßgebliche Änderungen der Prozessdaten (z.B. durch Leckagen in Rohrleitungen oder Ablagerungen in Wärmetauschern) sowie signifikante Einflussfaktoren mittels Korrelationsanalyse.

Durch Datenregression ermittelte Kennlinien und Trends helfen, Zusammenhänge einzuschätzen und zu bewerten. Bei der experimentellen Modellbildung helfen schrittweise, partielle und Hauptkomponenten-Regression zur Modellreduktion und besserem Verständnis.

Die experimentelle Modellbildung liefert auch Prozessmodelle für die Regelungstechnik, insbesondere für modellprädiktive Regelung und modellbasierte Verfahrensoptimierung. Sie sind die Grundlage der gehobenen Regelungsalgorithmen (APC: Advanced Prozess Control). Anhand eines Simulationsmodells eines Wärmetauschers wird durch Prozesssimulation gezeigt, wie eine nichtlineare Modellbildung die Regelung verbessern kann.

Softsensoren dienen zur Überwachung von nicht direkt messbaren Größen. Mittels Regression und Hauptkomponentenanalyse werden die Oktanzahl im Raffinerieprozess und die Konzentration in einem Bioreaktor aus optischer Messung und Spektralanalyse berechnet.

Mittels statistischer Prozess- und Messgerätekontrolle (SPC) mit Regelkarten und Schwingungsanalyse erhalten Sie weitere Fehlerfrüherkennungsmethoden für Condition Monitoring und Instandhaltung. Zuletzt führt eine Clusterbildung zur Klassifikation neuer Messungen für die Fehlererkennung und Ursachenanalyse. Anhand der vorgestellten Methoden und Definitionen können Sie KPIs (Key Performance Index) definieren und aussagekräftige Dashboards erstellen.

Durch Kennenlernen der Methoden von neuronalen Netzen, Hauptkomponentenanalyse, Spektralanalyse, Clusterbildung und Klassifikation liefern wir die Grundlage zum Verständnis und Aufbau von Anwendungen der KI (künstlichen Intelligenz) und des maschinellen Lernens.

Zum Thema

Industrie 4.0 und immer modernere Messwerterfassungssysteme führen zu einer wachsenden Datenmenge. Verstehen Sie es, die im Unternehmen erfassten Daten der Prozess- und Verfahrenstechnik für Ihre Anforderungen Gewinn bringend zu nutzen? Erkennen Sie den Mehrwert der Vernetzung? Eine wirksame Datenanalyse unterstützt die Betriebssicherheit und Anlagenverfügbarkeit und kann helfen, Betriebs-, Personal-, Gewährleistungs- und Instandhaltungskosten drastisch zu senken.

Für einfache Beispiele kann die Datenauswertung mit Excel erfolgen, für komplexere Aufgaben stehen statistische Analyseverfahren wie z. B. die frei verfügbare statistische Programmiersprache R zur Verfügung.

Das Seminar gibt einen Überblick über die Methoden der Datenanalyse, praktische Beispiele der Datenauswertung in der Prozess- und Verfahrenstechnik werden gerechnet, auf kommerzielle Lösungswege wird hingewiesen und um eine Übersicht der gängigen kommerziellen und lizenzfreien Programmpakete zur Datenauswertung ergänzt.

Programm

1. Tag, 09:00 – 17:00 Uhr

• Prozessdatenvorbehandlung von gestörten Messungen mittels Ausreißererkennung, Glätten und Filtern (Anwendungsbeispiel: Druckmessung)
• Erkennung von signifikanten Einflussfaktoren auf relevante Größen, wie z.B. Umsatz mittels (einfacher, partieller und Rang-) Korrelationsanalyse (Anwendungsbeispiel: Zementzusammensetzung)
• Schätzung und Bewertung von Zusammenhängen wie Kalibrierkurven, Kennlinien und Trends mittels Regression (Anwendungbeispiele: Volumenbestimmung im Silo, Wärmeübertragermodell)
• Einführung in die statistische Versuchsplanung (Beispiel: Chemische Reaktion)
• Erkennung von Zusammenhängen und Datenreduktion bei vielen Einflussfaktoren (z. B. bei der Spektroskopie) mittels Hauptkomponentenanalyse (Anwendungsbeispiel: Oktanzahlbestimmung)
• Experimentelle Modellbildung bei großen Datenmengen durch Beibehaltung der wichtigsten Komponenten – Variablenreduktion mittels schrittweiser, partieller und Hauptkomponenten-Regression (Anwendungsbeispiel: Zementzusammensetzung)

2. Tag, 08:30 – 16:30 Uhr

• Softsensoren für nicht direkt messbare Größen basierend auf Regression oder neuronalen Netzen (Anwendungsbeispiel: Konzentrationsmessung)
• Statistische Prozess- und Messgerätekontrolle (SPC) mittels verschiedener ein- und mehrdimensionaler Regelkarten (Anwendungsbeispiel: Emissionsmessung)
• Schwingungsanalyse und Fehlerfrüherkennungsmethoden für die Instandhaltung. Erkennung von Ventilreibungen (Anwendungsbeispiele: Glasrisskontrolle, Lagerschaden)
• Clusterbildung und Klassifikation neuer Messungen für die Fehlererkennung und Ursachenanalyse (Anwendungsbeispiel: Strahlgutkontrolle)
• Erkennung von Änderungen in Prozessdaten mit statistischen Methoden (Beispiel: Leck in Rohrleitung)
• Vorstellung gebräuchlicher Datenanalyseprogramme