DE10306024B3

DE10306024B3 - Multivariate, prädiktive Regelung eines Herstellungsprozesses, insbesondere eines Direktreduktionsprozesses

Info

Publication number: DE10306024B3
Application number: DE10306024A
Authority: DE
Inventors: Franz Dr. Görner; Bernhard Lang; Stephen Craig Montague
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2003-02-13
Filing date: 2003-02-13
Publication date: 2004-05-06
Anticipated expiration: 2023-02-14
Also published as: EP1593090B1; US20060149694A1; DE502004009504D1; RU2005128510A; RU2346327C2; ATE431952T1; EP1593090A2; WO2004072309A3; US7634451B2; MXPA05008624A; WO2004072309A2

Abstract

Für die Prognose eines Wertes einer Eigenschaft eines herzustellenden Produktes mit Hilfe eines neuronalen Netzes wird die Produkthistorie bei der Bestimmung einer Eingangsgröße eines Eingangsneurons des neuronalen Netzes berücksichtigt.

Description

Die Direktreduktion von Eisenerz zu dem Produkt Eisenschwamm in Form von DRI (Direct Reduced Iron) oder HBI (Hot Briquetted Iron) findet unter Verwendung von erhitzten Prozessgasen vorzugsweise in einem Schachtofen statt. Vereinfacht gesprochen ereignen sich dabei chemische Reaktionen, die Eisenerz (Fe₂O₃) und Erdgas (CH₄) in Eisen Fe, Kohlendioxid CO₂ und Wasser H₂O umwandeln.
Der Schachtofen wird kontinuierlich betrieben, indem laufend von oben Rohmaterial in Form von Eisenerz-Pellets hinzu gegeben wird und ebenso kontinuierlich unten der Eisenschwamm entnommen wird.

Verfahren zur Herstellung von Eisenschwamm sind beispielsweise aus US 4,093,455 , US 4,178,151 , US 4,234,169 und WO 02/097138 A1 bekannt. Weitere Veröffentlichungen hierzu sind Thompson, M.: "Control Innovations in MIDREX Plants: An Introduction" in "Direct from MIDREX", lst Quarter 2001, S. 3-4, 2001 und Görner, F., Bacon, F.: "Development of Process Automation for the MIDREX Process" in "Direct from MIDREX", lst Quarter 2002, S. 3-5, 2002.

Bei der Herstellung von Eisenschwamm ist es wünschenswert, ein Produkt mit möglichst konstanten, genau spezifizierten Eigenschaften herzustellen. Hierzu ist es bekannt, alle Einflussfaktoren für das herzustellende Produkt Eisenschwamm möglichst konstant zu halten und somit den Prozess an einem bekannten Arbeitspunkt zu betreiben. Allerdings ist beispielsweise bereits die Annahme eines völlig homogenen Eisenerzes als Rohmaterial in der Praxis oft nicht erfüllt.

Aus DE 197 48 310 C1 ist ein Verfahren zur Steuerung der Schaumschlackenbildung in einem Lichtbogenofen bekannt, bei dem die Menge des Kohlenstoffs, der dem Lichtbogenofen zugeführt wird, mittels eines Schaumschlackenmodells ermittelt wird.

Davon ausgehend liegt der Erfindung die Aufgabe zugrunde, eine Eigenschaft eines herzustellenden Produktes zu prognostizieren, insbesondere von durch Direktreduktion hergestelltem Eisenschwamm.

Diese Aufgabe wird durch die in den unabhängigen Ansprüchen angegebenen Erfindungen gelöst. Vorteilhafte Ausgestaltungen ergeben sich aus den Unteransprüchen.

Den Erfindungen liegt der allgemeine Gedanke zugrunde, bei der Prognose eines Wertes einer zu prognostizierenden Eigenschaft mit Hilfe eines neuronalen Netzes die Produkthistorie zu berücksichtigen, indem Werte in die Prognose Eingang finden, die die zu prognostizierende Eigenschaft bei bereits hergestellten Produkten aufweist. Solche Werte können bei der Bestimmung einer Eingangsgröße des neuronalen Netzes berücksichtigt werden. Alternativ oder ergänzend ist es aber auch möglich, bei der Bestimmung derselben Eingangsgröße oder einer anderen Eingangsgröße des neuronalen Netzes die Differenz zwischen einem zu einem bestimmten Zeitpunkt gemessenen Wert der Eigenschaft und einem für diesen Zeitpunkt prognostizierten Wert der Eigenschaft zu berücksichtigen.

Dementsprechend erfolgt in einem Verfahren, insbesondere einem Herstellungsverfahren, eine Prognose eines, insbesondere erst in Zukunft messbaren, Wertes einer Eigenschaft eines in der Gegenwart und/oder Zukunft herzustellenden Produktes mit Hilfe eines neuronalen Netzes. Dabei wird ein Wert der Eigenschaft, sei es vollständig oder mit Hilfe von Stichproben, jeweils für mehrere, zu unterschiedlichen Zeitpunkten in der Vergangenheit hergestellte Produkte gemessen. Danach wird aus den für die Zeitpunkte in der Vergangenheit gemessenen Werten der Eigenschaft der Wert der Eigenschaft des in der Gegenwart und/oder Zukunft herzustellenden Produkts in einer Vorprognose prognostiziert. Es handelt sich dabei sozusagen um eine Prognose ins Unreine, bei der im Wesentlichen nur die für die Zeitpunkte in der Vergangenheit gemessenen Werte der Eigenschaft eingehen.

Dieser in der Vorprognose prognostizierte Wert wird bei der Bestimmung einer Eingangsgröße für ein Eingangsneuron des neuronalen Netzes berücksichtigt. Mit Hilfe des neuronalen Netzes wird schließlich der Wert der Eigenschaft des in der Gegenwart und/oder Zukunft herzustellenden Produktes in der eigentlichen Prognose prognostiziert.

Die Vorprognose lässt sich vorzugsweise mit Hilfe eines rekursiven Filters vornehmen. Das rekursive Filter kann relativ einfach dadurch realisiert werden, dass man eine lineare Hochrechnung vornimmt. Genauere Prognosen sind möglich, indem als rekursives Filter ein zweites neuronales Netz eingesetzt wird, insbesondere ein rekurrentes neuronales Netz. Dafür ist eine zusätzliche mathematische Beschreibung des Ursache-Wirkungszusammenhanges zwischen Prozessparametern und der Eigenschaft zweckmäßig.

Zur Bestimmung einer Eingangsgröße des neuronalen Netzes kann aber auch ein Vergleich zwischen einem für einen Zeitpunkt in der Vergangenheit gemessenen Wert der Eigenschaft und einem für diesen Zeitpunkt prognostizierten Wert der Eigenschaft bei der Bestimmung einer Eingangsgröße für das neuronale Netz berücksichtigt werden.

Dementsprechend wird eine Prognose eines, insbesondere erst in der Zukunft messbaren, Wertes einer Eigenschaft eines in der Gegenwart und/oder Zukunft herzustellenden Produktes mit Hilfe eines neuronalen Netzes vorgenommen. Dazu wird ein Wert der Eigenschaft bei einem zu einem bestimmten Zeitpunkt hergestellten Produkt gemessen. Weiterhin wird ein Wert der Eigenschaft bei dem zu diesem Zeitpunkt hergestellten Produkt mit der Prognose prognostiziert. Dazu muss die Prognose für die Vergangenheit mit zufällig oder sinnvoll gewählten Werten aus einer noch weiter zurückliegenden Vergangenheit initialisiert werden. Dann wird die Differenz zwischen dem gemessenen und dem prognostizierten Wert der Eigenschaft des Produkts zu diesem Zeitpunkt gebildet. Diese Differenz geht dann in die Bestimmung einer Eingangsgröße für ein Eingangsneuron des neuronalen Netzes ein. Mit Hilfe des neuronalen Netzes wird schließlich der Wert der Eigenschaft des in der Gegenwart und/oder Zukunft herzustellenden Produktes in der Prognose prognostiziert.

Ziel einer guten Prognose ist es, den Herstellungsprozess des Produktes intelligent zu steuern. Im Verfahren oder durch das Verfahren werden deshalb vorzugsweise Parameter im Herstellungsprozess des herzustellenden Produktes geändert, bis der in der Prognose prognostizierte Wert der Eigenschaft des herzustellenden Produkts zumindest in etwa einem Sollwert der Eigenschaft des herzustellenden Produkts entspricht.

Das beschriebene Verfahren eignet sich zwar generell für alle möglichen Produkte, insbesondere ist es aber für solche Produkte relevant, deren Eigenschaften nicht schon bei ihrer Herstellung oder kurz danach gemessen werden können, sondern erst mit einer Zeitverzögerung von unter Umständen mehreren Stunden. Besonders vorteilhaft lässt sich das Verfahren bei kontinuierlichen Produktionsprozessen einsetzen.

Das beschriebene Prognoseverfahren ist insbesondere für die Prognose von Eigenschaften von im Direktreduktionsverfahren hergestellten Eisenschwamm geeignet. Dementsprechend kann die Eigenschaft aus einer oder mehreren der im Folgenden genannten Größen bestehen:

– Der Metallisierungsgrad, das heißt das Verhältnis zwischen dem absoluten Eisengehalt im Eisenerz und dem freigesetzten Eisen (Fe),
– der Gewichtsanteil des Eisenschwamms, der als metallisches Eisen (Fe) vorliegt,
– der Kohlenstoffgehalt im Eisenschwamm.

Selbstverständlich liegt im Rahmen der Erfindung, mit Hilfe des Prognoseverfahrens nicht nur eine Eigenschaft, sondern mehrere Eigenschaften des herzustellenden Produktes zu prognostizieren.

Bei der Prognose mit Hilfe des neuronalen Netzes sollten neben der Historie der bereits hergestellten Produkte auch weitere Parameter im Herstellungsprozess des herzustellenden Produktes berücksichtigt werden, indem sie Eingangsgrößen von Eingangsneuronen des neuronalen Netzes beeinflussen bzw. darstellen. Solche Parameter sind insbesondere Prozesstemperaturen, Gaszusammensetzungen verwendeter Prozessgase und/oder Eigenschaften von Rohmaterialien.

Die Erfindung betrifft weiterhin eine Anordnung, die eingerichtet ist, eines der vorstehend genannten Verfahren auszuführen. Eine solche Anordnung lässt sich zum Beispiel durch entsprechendes Programmieren und Einrichten eines Computers oder einer Rechenanlage realisieren. Zu der Anordnung kann auch eine Direktreduktionsanlage gehören, insbesondere mit einem Schachtofen.

Ein Programmprodukt für eine Datenverarbeitungsanlage, das Codeabschnitte enthält, mit denen eines der geschilderten Verfahren auf der Datenverarbeitungsanlage ausgeführt werden kann, lässt sich durch geeignete Implementierung des Verfahrens in einer Programmiersprache und Übersetzung in von der Datenverarbeitungsanlage ausführbaren Code ausführen. Die Codeabschnitte werden dazu gespeichert. Dabei wird unter einem Programmprodukt das Programm als handelbares Produkt verstanden. Es kann in beliebiger Form vorliegen, so zum Beispiel auf Papier, einem computerlesbaren Datenträger oder über ein Netz verteilt.

Weitere wesentliche Vorteile und Merkmale der Erfindung ergeben sich aus der Beschreibung eines Ausführungsbeispiels anhand der Zeichnung. Dabei zeigt:
1 einen Schachtofen zur Herstellung von Eisenschwamm;
2 eine Vorprognose eines Wertes einer Eigenschaft eines herzustellenden Produktes aufgrund von Werten der Eigenschaften bei bereits hergestellten Produkten.
3 eine Vorprognose eines Wertes einer Eigenschaft eines herzustellenden Produktes aufgrund eines gemessenen Wertes der Eigenschaft bei einem bereits hergestellten Produkt und eines prognostizierten Wertes der Eigenschaft bei diesem bereits hergestellten Produkt.
In 1 erkennt man einen Schachtofen 1 mit einer Zufuhr 2 zum Zuführen von Eisenerz-Pellets, die sich im Inneren des Schachtofens 1 auf einem oder mehreren Haufen 3 häufen. Der Schachtofen 1 verfügt weiterhin über Mittel 4 zum Zuführen von Reaktionsgasen, insbesondere Wasserstoff und Kohlenmonoxid, und Mittel 5 zum Abführen von Reaktionsgasen, insbesondere Kohlendioxid und Wasser.
Im Inneren des Schachtofens 1 wird das Eisenerz unter hohen Temperaturen und unter Einwirkung der Prozessgase in einer Direktreduktion zu Eisenschwamm reduziert, der am unteren Ende des Ofens über eine Entnahmevorrichtung 6 entnommen und über ein Förderband 7 abtransportiert wird.
In regelmäßigen Abständen, beispielsweise alle zwei bis vier Stunden, werden von abgekühlten Produkten Stichproben entnommen und im Labor auf die Eigenschaften Metallisierung bzw. Kohlenstoffgehalt untersucht. Die Zeitdifferenz vom Abschluss des Entstehungsprozesses bis zur ausgewerteten Probe beträgt ca. 5 bis 9 Stunden bei der Metallisierung und ca. 3,5 bis 7,5 Stunden bei der Anreicherung mit Kohlenstoff. Dies liegt daran, dass die Metallisierung als Teilprozess des Herstellungsprozesses, etwa in der Mitte des Schachtofens 1 abgeschlossen ist. Das hergestellte Produkt verbleibt aber noch für weitere, etwa 3 Stunden zur Abkühlung im Schachtofen 1, bis es diesen an seiner Entnahmevorrichtung 6 verlässt. Der Teilprozess Anreicherung mit Kohlenstoff ist etwa nach drei Vierteln der Zeit, d.h. nach etwa 4,5 Stunden, abgeschlossen. Außerdem werden im Labor etwa 2 Stunden für die Messung des Wertes der Metallisierung und die Messung des Wertes der Anreicherung mit Kohlenstoff benötigt. Unter der Voraussetzung, dass die Messung etwa alle 4 Stunden vorgenommen wird, ergibt sich also eine Totzeit von 5 bis 9 bzw. 3,5 bis 7,5 Stunden.
Damit ließen sich unter der Voraussetzung, dass alle Einflussfaktoren konstant geblieben sind, Regeleingriffe am laufenden Prozess durchführen. Für die vorausgegangenen 3,5 bis 9 Stunden des Prozesses besteht allerdings keine Eingriffsmöglichkeit mehr. In der Praxis ist es darüber hinaus aus verschiedenen Gründen nicht möglich, alle Einflussfaktoren konstant zu halten.
In 2 erkennt man, dass der zum Zeitpunkt t_-3 vorliegende Wert W_-3 einer Eigenschaft, also beispielsweise der Metallisierung oder des Kohlenstoffgehalts, des Produktes erst zum Zeitpunkt t_-3 + 5 Stunden gemessen werden kann. Gleiches gilt sinngemäß für den Wert W_-2 der Eigenschaft des Produkts zum Zeitpunkt t_-2 und den Wert W_-1 des Produktes zum Zeitpunkt t_-1, die ebenfalls erst 5 Stunden nach der Herstellung gemessen werden können.
Aus den gemessenen Werten W_-3, W_-2 und W_-1, die beispielsweise eine Metallisierung von 94,1%, 94,2% und 94,3% angeben, wird nun in einer Vorprognose V der Wert W^V _P,0 der Eigenschaft des herzustellenden Produktes im aktuellen Zeitpunkt t₀ prognostiziert. Im in 2 dargestellten Ausführungsbeispiel geschieht dies einfach durch lineare Hochrechnung, was durch die gestrichelte Linie angedeutet ist. Hier können allerdings auch kompliziertere Algorithmen zum Einsatz kommen.
Der in der Vorprognose prognostizierte Wert W^V ₀ wird nun bei der Bestimmung einer Eingangsgröße für ein Eingangsneuron eines neuronalen Netzes berücksichtigt.
Darüber hinaus wird, wie in 3 dargestellt, auch noch die Differenz eines für einen Zeitpunkt t_-1 in der Vergangenheit gemessenen Wertes W_-1 und eines für diesen Zeitpunkt mit der Eigentlichen Prognose P prognostizierten Wertes W_P,-1 in einer zweiten Vorprognose V' berücksichtigt.
Dies geschieht mit Hilfe der Formel: WV' 0 = W-1 + α · (WP -1 – W-1);
Mit α = {0; 1}, beispielsweise α = 0,25.
Dieser unter Berücksichtigung der Differenz zwischen dem gemessenen Wert W_-1 und dem mit der Prognose prognostizierten Wert W^P _-1 der Eigenschaft des Produkts zum Zeitpunkt t_-1 gebildete Wert W^V' ₀ einer zweiten Vorprognose wird nun als Eingangsgröße für ein zweites Eingangsneuron des neuronalen Netzes herangezogen.
Die Eingangsgrößen weiterer Eingangsneuronen des neuronalen Netzes werden durch weitere Prozessparameter gebildet bzw. unter Berücksichtigung weiterer Prozessparameter berechnet. Solche Prozessparameter sind:

– Die Gaszusammensetzung aller Prozessgase (trocken und nass), die in der Direktreduktionsanlage zum Einsatz kommen,
– quantitative und zeitliche Aussagen bei Gasen zu Durchflüssen (beispielsweise Tonnen pro Stunde) und Temperaturen,
– alle Temperaturmessungen im und am Schachtofen,
– Eigenschaften, die das Rohmaterial beschreiben (Porosität, chemische Zusammensetzung, Größe und Form der Pellets, Dichte, Temperatur),
– Eigenschaften, die das hergestellte oder herzustellende Produkt beschreiben (Dichte, chemische Zusammensetzung, Kohlenstoffgehalt, Eisengehalt, Gehalt des metallischen Eisens, Metallisierungsgrad),
– Massenflüsse des Rohmaterials und des Endproduktes sowie
– Luft (Temperatur und Feuchtigkeit über der Zeit).

In die Modellbildung gehen vorteilhaft etwa 100 gemessene und berechnete Eingangsgrößen ein.
Beim neuronalen Netz hat es sich als besonders vorteilhaft erwiesen, ein Ensemble von neuronalen Netzen zu verwenden und dessen Median auszuwerten. Auch eine Kombination von Feed-Forward-Netzen mit rekursiven Filtern ist vorteilhaft.
An bevorzugten Trainingsverfahren für das neuronale Netz sind folgende zu nennen: Der Einsatz von digitalen Filtern für die Trainingsdaten, eine automatische Ausreißerentfernung, Bagging, das Einhalten von Randbedingungen für die Monotonie bezüglich relevanter Steuergrößen und der Zielgrößen.
Die Eingangsgrößen des neuronalen Netzes werden vorzugsweise aus den genannten Prozessparametern analytisch modelliert. Dies geschieht beispielsweise durch die Integration von Größen, die quantitative Beschreibung chemischer Umwandlung einschließlich der Reaktionskinetik mit Hilfe von Differenzialgleichungen und einer Berechnung, wann welches Materialstück wo im Schachtofen ist, mit Hilfe des Produktausstoßes pro Stunde.
Zur Ausführung werden vorteilhaft verschiedene, miteinander verknüpfte Software-Programme in Fortran, C, C++ und MATLAB verwendet. Ein User-Interface lässt sich in Visual-Basic programmieren.
Durch die Erfindung ergeben sich folgende Vorteile:

– Die Abweichung von vorgegebenen Sollwerten kann reduziert werden. In der Praxis ergibt sich eine Reduzierung der Standardabweichung um ca. 40% bei der Metallisierung und ca. 30% beim Kohlenstoffgehalt.
– Geringere Abweichungen erlauben einen Betrieb des Schachtofens näher am Optimum, was dem Durchsatz und der Qualität zugute kommt.
– Es wird eine Produktionssteigerung von ca. 1% erzielt.
– Durch die konstantere und höhere Materialgüte können die Abnehmer des Eisenschwamms, nämlich Betreiber von Elektrolichtbogenöfen, ihre Öfen optimierter betreiben. Dieser Vorteil wirkt sich noch stärker aus, als die Vorteile beim Betreiben der Direktreduktionsanlage, so dass sich für das hergestellte Produkt entsprechend höhere Preise erzielen lassen.
– Die Berechnung der Materialeigenschaften kann Laborproben ersetzen.
– Die Berechnungen können jederzeit durchgeführt werden können. Das heißt, es können zum Beispiel alle 0,1 Sekunden aktuelle Werte berechnet, statt alle zwei bis vier Stunden im Labor analysiert werden.
– Da maßgebliche chemische Reaktionen bereits in der ersten Hälfte bzw. dem ersten Drittel des Prozesses von ca. 6 Stunden abgeschlossen sind, können die Materialeigenschaften bereits ermittelt werden, bevor der Eisenschwamm dem Schachtofen entnommen wird. Damit verkürzen sich die Reaktionszeiten für eine Regelung der Materialeigenschaften von 3,5 bis 9 Stunden auf die Berechnungsdauer für die Modelle, die unter 0,1 Sekunden liegt.

Claims

Verfahren, insbesondere Verfahren zur Steuerung eines Herstellungsprozesses, zur Prognose eines Wertes einer Eigenschaft eines herzustellenden Produktes mit Hilfe eines neuronalen Netzes, – bei dem ein Wert der Eigenschaft jeweils für mehrere, zu unterschiedlichen Zeitpunkten hergestellte Produkte gemessen wird, – bei dem aus den für die Zeitpunkte gemessenen Werten der Eigenschaft der Wert der Eigenschaft des herzustellenden Produkts in einer Vorprognose prognostiziert wird, – bei dem der in der Vorprognose prognostizierte Wert bei der Bestimmung einer Eingangsgröße für ein Eingangsneuron des neuronalen Netzes berücksichtigt wird, – bei dem mit Hilfe des neuronalen Netzes der Wert der Eigenschaft des herzustellenden Produktes in der Prognose prognostiziert wird.
Verfahren nach Anspruch 1, bei dem die Vorprognose mit Hilfe eines rekursiven Filters vorgenommen wird.
Verfahren nach Anspruch 1 oder 2, bei dem das rekursive Filter eine lineare Hochrechnung ist und/oder enthält.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das rekursive Filter ein zweites neuronalen Netz ist und/oder enthält, insbesondere ein rekurrentes neuronalen Netz.
Verfahren, insbesondere nach einem der Ansprüche 1 bis 4, zur Prognose eines Wertes einer Eigenschaft eines herzustellenden Produktes mit Hilfe eines neuronalen Netzes, – bei dem ein Wert der Eigenschaft eines zu einem Zeitpunkt hergestellten Produktes gemessen wird, – bei dem ein Wert der Eigenschaft des zu diesem Zeitpunkt hergestellten Produktes mit der Prognose prognostiziert wird, – bei dem die Differenz zwischen dem gemessenen und dem prognostizierten wert der Eigenschaft des Produktes zu diesem Zeitpunkt gebildet wird, – bei dem diese Differenz bei der Bestimmung eine Eingangsgröße für einen Eingangsneuron des neuronalen Netzes berücksichtigt wird, – bei dem mit Hilfe des neuronalen Netzes der Wert der Eigenschaft des herzustellenden Produkts in der Prognose prognostiziert wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem Parameter im Herstellungsprozess des herzustellenden Produktes geändert werden, bis der in der Prognose prognostizierte Wert der Eigenschaft des herzustellenden Produkts zumindest in etwa einem Sollwert der Eigenschaft des herzustellenden Produktes entspricht.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das herzustellende Produkt mit Hilfe einer Direktreduktion hergestellt wird.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem das herzustellende Produkt Eisenschwamm ist und/oder enthält.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Eigenschaft der Gehalt des herzustellenden Produktes an metallischem Eisen ist.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem die Eigenschaft der Kohlenstoffgehalt des herzustellenden Produktes ist.
Verfahren nach einem der vorhergehenden Ansprüche, bei dem bei der Prognose mit Hilfe des neuronalen Netzes weitere Parameter im Herstellungsprozess des herzustellenden Produktes berücksichtigt werden, insbesondere Prozesstemperaturen, Gaszusammensetzungen verwendeter Prozessgase, Eigenschaften von Rohmaterialien und/oder durch analytische Berechnungen der chemischen Umwandlungen und der Reaktionskinetik ermittelte Parameter.
Anordnung, die eingerichtet ist, ein Verfahren, insbesondere ein Verfahren zur Steuerung eines Herstellungsprozesses, zur Prognose eines Wertes einer Eigenschaft eines herzustellenden Produktes mit Hilfe eines neuronalen Netzes auszuführen, mit Einrichtungen, die so eingerichtet sind, – dass ein Wert der Eigenschaft jeweils für mehrere, zu unterschiedlichen Zeitpunkten hergestellte Produkte gemessen wird, – dass aus den für die Zeitpunkte gemessenen Werten der Eigenschaft der Wert der Eigenschaft des herzustellenden Produkts in einer Vorprognose prognostiziert wird, – dass der in der Vorprognose prognostizierte Wert bei der Bestimmung einer Eingangsgröße für ein Eingangsneuron des neuronalen Netzes berücksichtigt wird, – dass mit Hilfe des neuronalen Netzes der Wert der Eigenschaft des herzustellenden Produktes in der Prognose prognostiziert wird.
Programmprodukt für eine Datenverarbeitungsanlage, das Codeabschnitte enthält, mit denen ein Verfahren nach einem der Ansprüche 1 bis 11 auf der Datenverarbeitungsanlage ausgeführt werden kann.