DE19519627C2 - Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen - Google Patents

Description

Die Erfindung bezieht sich auf ein Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen, bei dem Prozeß­ einstellungen einer Anlage vorgegeben werden.

Mit der älteren, nichtvorveröffentlichten EP 0 658 833 A1 wird bereits eine Vorrichtung zur Prozeßführung vorgeschla­ gen, die nach Art des sogenannten "fallbasierten Lernens" arbeitet. Beim zugehörigen Betriebsverfahren werden die Para­ meter von typischen Fällen während der Produktion erfaßt, untereinander verglichen und werden mittels eines Fallerzeu­ gers einerseits und eines Fallauswählers andererseits ent­ sprechend optimierte Sollwerte erzeugt. Dabei kann gegebenen­ falls auf die Technologie von Fuzzy-Logik und/oder neuronalen Netzen zurückgegriffen werden. In der US 2 582 261 A wird ein computergestütztes neuronales Netz beschrieben, das zur Pro­ zeßführung von technischen Prozessen eingesetzt werden kann. Dafür ist der Prozeßkette eine Einheit mit einem Datenspei­ cher für bekannte Fälle zugeordnet, über welche die einzelnen Fälle laufen und dort abgespeichert werden. Von dem Daten­ speicher wird ein neuronales Netzwerk konfiguriert, wobei durch die Wechselwirkung zwischen Datenspeicher und neurona­ lem Netzwerk Eigenschaften des im Prozeß hergestellten Pro­ duktes ableitbar sein sollen.

Davon ausgehend ist es Aufgabe der Erfindung, die Optimierung der Prozeßführung bei Produktionsvorgängen weiter zu verbes­ sern.

Die Aufgabe ist erfindungsgemäß bei einem Verfahren der ein­ gangs genannten Art mit folgenden Verfahrensschritten gelöst:

• - aus den Prozeßdaten und den Prozeßeinstellungen einzelner Produktionsvorgänge werden mittels eines Fallerzeugers Fälle erstellt und über einen Fallklassifizierer auf eine Datenbank gegeben,
• - ein einzelner, auf der Anlage laufender Fall wird auf eine Prognoseeinrichtung gegeben, wodurch aus den Prozeßdaten und den Prozeßeigenschaften Produkteigenschaften vorher­ gesagt werden,
• - der einzelne Fall wird mit einem Fitneßfaktor bewertet, in den neben den Modellparametern die Koten, die Qualität und/oder ökologische Faktoren eingehen, wobei die Fitneß­ faktoren unterschiedlicher Fälle zu einer vergleichenden Bewertung herangezogen werden, und
• - durch Fallmodifizierung werden neue Fälle erzeugt, welche die Prognoseeinrichtung durchlaufen, bis ein Optimum des Fitneßfaktors erreicht ist.

Im Rahmen der Erfindung können beim Stand der Technik im anderen Zusammenhang bereits vorgeschlagenen genetischen Algorithmen zur Optimierung großtechnischer Prozesse einge­ setzt werden. Diese werden beispielsweise in der Monographie "Genetische Algorithmen und Evolutionsstrategien" (1994), Seiten 197, 282 bis 291, 356 bis 366, insbesondere für die Anwendung in der Technik, beschrieben. Es ist möglich, die von den genetischen Algorithmen bekannten Populationen als Fälle für typische Prozeßeinstellungen zu definieren und so als Basis für die Optimierung des Prozesses zu verwenden. Dieses Verfahren läßt sich insbesondere in der Anwendung bei der Papierherstellung einsetzen.

Vorteilhaft ist bei der Erfindung, daß mit Zuführung des je­ weils auf der Anlage laufenden Falles zur vorhandenen Progno­ seeinrichtung aus den Prozeßeigenschaften die Produkteigen­ schaften vorhergesagt werden können. Dies kann mit einem analytischen Modell, einem neuronalen Netz, einem Fuzzy-Ent­ scheidungssystem oder dergleichen erfolgen. Es entsteht so ein "kompletter Fall", der mit dem Fitneßfaktor bewertet wird. Die Bewertung erfolgt anhand der Kosten, Qualität und/­ oder auch ökologischen Faktoren, insbesondere beispielhaft über eine Kostenfunktion.

Im Rahmen der Erfindung wird der Fitneßfaktor zur verglei­ chenden Bewertung unterschiedlicher Fälle ausgenutzt. Der Fitneßfaktor wird im Normalbetrieb dem Anlagenfahrer ange­ zeigt. Ist der Anlagenfahrer mit dem Fitneßfaktor nicht zu­ frieden oder liefert die Prognose nicht das gewünschte Ergeb­ nis vorrangig die geforderten Produkteigenschaften kann auf Simulation umgeschaltet werden. Wahlweise kann eine solche Umschaltung ereignisgetriggert sein.

Bei der Erfindung können vorteilhafterweise aus laufenden Fällen abgeleitete Prozeßeinstellungen, wie insbesondere veränderbare Prozeßzustände, Sollwerte, Stellwerte, Chemi­ kaliendosierungen od. dgl., modifiziert werden. Ein auf diese Weise entstehender Tochterfall wird wiederum der Prognoseein­ richtung zugeführt und erneut der Fitneßfaktor berechnet. Dies bedeutet, daß der Tochterfall dem gleichen Bewertungs­ verfahren unterzogen wird wie der ursprüngliche Fall. Der sich neu ergebende Fitneßfaktor wird mit dem des vorher­ gehenden Falles verglichen. Dieser Vorgang wird so lange wiederholt, bis der Fitneßfaktor ein Optimum erreicht hat. Anschließend kann der Operator bzw. der Anlagenfahrer ent­ scheiden, ob er die zugehörigen und jeweils gespeicherten Prozeßeinstellungen für den tatsächlichen Produktionsablauf übernehmen will.

Weitere Einzelheiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Figurenbeschreibung eines Ausführungs­ beispiels anhand der Zeichnung in Verbindung mit den weiteren Patentansprüchen. Es zeigen

Fig. 1 als Blockschaltbild die Anwendung von genetischen Algorithmen bei Optimierung der Prozeßführung eines Produktionsvorganges, wobei die Art des Produktions­ vorganges offengehalten wird,

Fig. 2 die Berechnung des Fitneßfaktors mit neuronalen Netzen und Fuzzy-Logik,

Fig. 3 die Berechnung des Fitneßfaktors aus einer Wissens­ basis vorheriger Produktionsfälle und

Fig. 4 die Berechnung des Fitneßfaktors mit sogenannten konzeptionellen Klustern.

Die Erfindung ist insbesondere bei der Papierherstellung vor­ teilhaft einsetzbar.

In Fig. 1 bezeichnet der Block 1 eine Einheit von Prozeß­ daten, die bei einem bestimmten Produktionsvorgang anfällt. Bei der Papierherstellung sind solche Vorgänge im einzelnen die Prozeßführung bei der Zellstoffherstellung einerseits und der entsprechenden Weiterverarbeitung zu Papier andererseits.

Der Einheit 1 ist eine Einheit 2 nachgeschaltet, die als so­ genannter Fallerzeuger dient. In der Einheit 2 werden aus den Prozeßdaten des Blockes 1 und weiteren in einer Einheit 21 gespeicherten Offline-Daten typische Fälle abgeleitet, wobei jeweils ein aktueller Fall ausgewählt wird. Die so generier­ ten Fälle des Fallerzeugers 2 werden in einen Fallklassifi­ zierer 3 und einer nachfolgenden Datenbank 4 für die einzel­ nen Fälle gegeben.

In einer nachgeschalteten Einheit 5 wird jeweils ein aktuel­ ler Fall vom Fallerzeuger 2 einerseits und der Datenbank 4 der Fälle angesteuert. Parallel ist eine Einheit 6 für einen sogenannten Tochterfall geschaltet.

Von den Einheiten 5 oder 6 wird alternativ über einen Schal­ ter 7 eine Prognoseeinrichtung 8 angesteuert. Der Prognose­ einrichtung 8 folgt eine Einheit 9 zur Berechnung des soge­ nannten Fitneßfaktors, die auch einen Alarmgenerator beinhal­ ten kann.

Der sogenannte Fitneßfaktor ist in der Theorie der geneti­ schen Algorithmen eindeutig definiert, beispielsweise in der Monographie D. E. Goldberg "GENETIC ALGORITHM in search, optimization and machine learning", Addison-Wesley Publishing Comp. Inc. (1989). Damit ist im einzelnen die Gültigkeit des angewandten Prozeßmodells für die jeweilige Steuerungsaufgabe beschrieben.

Für eine Optimierung wird das Ausgangssignal der Einheit 9 zwecks Berechnung des Fitneßfaktors auf eine Einheit 10 zur Erzeugung von genetischen Algorithmen gegeben. In der Einheit 10 werden eine Anzahl von Tochterfällen generiert, aus denen jeweils die günstigsten ausgewählt werden können. Über einen sog. Fallmodifizierer 11 werden die Signale auf die Einheit 1 zur Speicherung der Prozeßdaten zurückgegeben. Dabei ist an dieser Stelle der Anlagenfahrer bzw. Operator zwischenge­ schaltet, von dem manuelle Modifikationen eingegeben werden können.

Das Konzept der in der Figur nur abstrahiert dargestellten Anlage ist, unter Verwendung der genetischen Algorithmen die vorhandenen Fälle derart zu modifizieren, daß ein Toch­ terfall mit einem aktuellen Fall verglichen werden kann und jeweils der bessere Fall zur Grundlage des Prozeßmodelles herangezogen wird. Somit ist eine kontinuierliche Optimierung der Prozeßführung möglich.

Für die Praxis ist ein Training der Prognoseeinrichtung wich­ tig. Dabei kann bei einer ersten Variante als Arbeitspunkt der zur Zeit anliegende Prozeßzustand, d. h. der aktuelle Fall, gewählt werden. Für die Prognose wird das Prognose­ modell mit ähnlichen Fällen trainiert, d. h. die Modellkon­ stanten werden in der Nähe des aktuellen Arbeitspunktes be­ stimmt. Dadurch verbessert sich bei komplexen nichtlinearen Prozessen die Prognosegenauigkeit. Ähnliche Fälle sind dabei die in der Datenbank der Fälle vorhandenen Daten, die in der Nähe des aktuellen Falles liegt.

Bei einer alternativen Variante wird dagegen mit einem Ge­ samtmodell gearbeitet, das Offline trainiert wird.

Bei der Bewertung mit dem Fitneßfaktor können vorteilhafter­ weise die Kosten, die Qualität oder aber auch insbesondere ökologische Faktoren herangezogen werden. Dabei ist die Be­ wertungsfunktion, d. h. die Zielstellung der Optimierung, ver­ änderbar und jeweiligen Randbedingungen der Produktion anpaß­ bar. In der Figur ist dafür eine Einheit 18 vorhanden, die eine Datenbank zur Kostenermittlung beinhaltet.

In Fig. 2 ist die Anordnung gemäß Fig. 1 speziell für eine Papiermaschine ausgeführt. Dabei wird die Prognose der Papierqualität, z. B. des sogenannten CMT-Wertes (Stauchwider­ stand), mit einem neuronalen Netz 22 vorgenommen, dem Meß­ größen als Variable x₁ bis x_n von einer Eingangseinheit 21 zugeführt werden. Die Kostenprognose erfolgt dagegen parallel mit einem linearen Modell gemäß der Einheit 23. Dafür werden einer Datenbank 24 für die spezifischen Kosten Werte entnom­ men, jeweils über Verknüpfungsglieder 231 bis 234 mit den Variablen x₁ bis x_n die einen Fall repräsentieren, verbunden und in einem Summationsglied 238 aufsummiert.

Durch eine Fuzzy-Bewertung wird der prognostizierten Qualität und den prognostizierten Kosten nach Fuzzifizierung in den Einheiten 26 und 27 unter Berücksichtigung entsprechender Fuzzy-Bewertungsregeln in der Einheit 28 und einer nachge­ schalteten Einheit 29 zur Defuzzyfizierung der Fitneßfaktor berechnet. Dabei können vorteilhafterweise neben den Kosten und der Qualität auch die Abweichung des spezifischen Falles von den Auslegungsdaten der Papiermaschine (Auslegungspunkt) und/oder der aktuelle Fall (aktueller Arbeitspunkt) heran­ gezogen werden. Zu große Sprünge wirken sich negativ auf den Fitneßfaktor aus. Wahlweise kann aber auch nur eine Größe zur Festlegung des Fitneßfaktors herangezogen werden.

In Fig. 3 ist der Einheit 31 mit den einen aktuellen Fall oder bereits einen Tochterfall repräsentierenden Variablen x₁ bis x_n eine Einheit 32 nachgeschaltet, die einen Auswahl- und Integrationsalgorithmus liefert, und die einer Datenbank 34 der einzelnen Fälle zugeordnet ist. Dabei wird aus der Daten­ bank der Fälle mit dem vorgegebenen Auswahl- und Integra­ tionsalgorithmus der ähnlichste Fall herausgesucht bzw. kon­ struiert und in der Einheit 35 wiedergegeben.

Speziell bei einer Zellstoff-Fabrik kann letzteres in der einfachsten Konstellation beispielsweise die Reißfestigkeit für die Qualität und die Ausbeute (Holzeinsatz/erzeugte Zellstoffmenge) für den Kostenfaktor sein. Daraus läßt sich eine Bewertungsfunktion gemäß folgendem Muster ableiten:

FF = k1 . Kosten + k2 . Qualität.

Durch eine Datenbank 37 für spezifische Kosten lassen sich die Kostenfaktoren in einem Verknüpfungsglied 38 mit entspre­ chenden Werten verbinden und läßt sich über eine Bewertungs­ einheit 39 der Fitneßfaktor ermitteln.

In Fig. 4 definieren die Variablen x₁ bis x₄ der Einheit 41 einen unvollständigen Fall, bei dem Einflußgrößen fehlen können. Es ist eine Einheit 42 vorhanden, die zur Bildung von sogenannten konzeptionellen Klustern dient und die einer Datenbank der Fälle 44 zugeordnet ist.

Mit Hilfe des konzeptionellen Klusterns wird aus der Daten­ bank der Fälle 44 ein prognostiziertes Kluster ermittelt und an die Einheit 45 gegeben. Die weitere Verarbeitung erfolgt entsprechend Fig. 3 mit einer Datenbank 47 für die spezifi­ schen Kosten und einer Bewertungseinheit 49, um den Fitneß­ faktor zu bestimmen.

Beispielsweise bei einem Zellstoff-Kocher ist die Qualität des herzustellenden Zellstoffes durch die sogenannte Kappa- Zahl gegeben, die mit den Kostenfaktoren "Holzverbrauch" und "Holzanteil" (Langfaserholz/Kurzfaserholz) korreliert und bewertet wird. Daraus ergibt sich ebenfalls ein Fitneßfaktor. Bei diesem Beispiel wird eine Ungenauigkeit bewußt in Kauf genommen, da es nur darum geht, eine Reihenfolge der Fälle vorzunehmen.

Claims (12)

1. Verfahren zur Optimierung der Prozeßführung von Produk­ tionsvorgängen, bei denen Prozeßeinstellungen einer Anlage vorgegeben werden, mit folgenden Verfahrensschritten:

• 1. aus den Prozeßdaten und den Prozeßeinstellungen einzelner Produktionsvorgänge werden mittels eines Fallerzeugers Fälle erstellt und über einen Fallklassifizierer auf eine Datenbank gegeben,
• 2. ein einzelner, auf der Anlage laufender Fall wird auf eine Prognoseeinrichtung gegeben, wodurch aus den Prozeßdaten und den Prozeßeigenschaften Produkteigenschaften vorher­ gesagt werden,
• 3. der einzelne Fall wird mit einem Fitneßfaktor bewertet, in den neben den Modellparametern die Kosten, die Qualität und/oder ökologische Faktoren eingehen, wobei die Fitneß­ faktoren unterschiedlicher Fälle zu einer vergleichenden Bewertung herangezogen werden, und
• 4. durch Fallmodifizierung werden neue Fälle erzeugt, welche die Prognoseeinrichtung durchlaufen, bis ein Optimum des Fitneßfaktors erreicht ist.

2. Verfahren nach Anspruch 1, dadurch gekenn­ zeichnet, daß der Fitneßfaktor als Bewertungsfunk­ tion veränderbar ist und den aktuellen Randbedingungen der Produktion angepaßt wird.

3. Verfahren nach Anspruch 1, dadurch gekenn­ zeichnet, daß zur Bestimmung der Produkteigen­ schaften ein analytisches Modell herangezogen wird.

4. Verfahren nach Anspruch 1, dadurch gekenn­ zeichnet, daß zur Bestimmung der Produkteigenschaf­ ten ein Neuronales Netz herangezogen wird.

5. Verfahren nach Anspruch 1, dadurch gekenn­ zeichnet, daß zur Bestimmung der Produkteigenschaf­ ten ein Fuzzy-System herangezogen wird.

6. Verfahren nach Anspruch 1, dadurch gekenn­ zeichnet, daß zur Modifizierung von Prozeßeinstel­ lungen genetische Algorithmen herangezogen werden und daß jeder durch genetische Algorithmen generierte Fall der Pro­ gnoseeinrichtung zugeführt und der Fitneßfaktor berechnet wird.

7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Prognosemodell online trainiert wird und daß die Modellkon­ stanten in der Nähe des aktuellen Arbeitspunktes bestimmt werden.

8. Verfahren nach einem der vorhergehenden Ansprüche 3 bis 6, dadurch gekennzeichnet, daß ein Ge­ samtmodell gewählt wird, das offline trainiert wird.

9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Ein­ flußgrößen mit Fuzzy-Logik bewertet und daraus der Fitneß­ faktor abgeleitet wird.

10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die ge­ forderten Größen über fallbasiertes Lernen als spezifische Art der Modellbildung bestimmt werden.

11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Bewertung der Größen über das sogenannte konzeptionelle Klustern vorgenommen wird.

12. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Bewertung über neuronale Netze vorgenommen wird.