DE10354406A1 - Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen - Google Patents

Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen Download PDF

Info

Publication number
DE10354406A1
DE10354406A1 DE10354406A DE10354406A DE10354406A1 DE 10354406 A1 DE10354406 A1 DE 10354406A1 DE 10354406 A DE10354406 A DE 10354406A DE 10354406 A DE10354406 A DE 10354406A DE 10354406 A1 DE10354406 A1 DE 10354406A1
Authority
DE
Germany
Prior art keywords
arrangement
data
measure
process state
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE10354406A
Other languages
English (en)
Other versions
DE10354406B4 (de
Inventor
Steffen Dipl.-Ing. Patzwahl (FH)
Klaus-Dietrich Prof. Dr.-Ing. Kramer
Thomas Dipl.-Ing. Nacke
Denny Hellauer
Tobias Dipl.-Ing. Tautz (FH)
Tom Dipl.-Ing. Seifert (FH)
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Patzwahl Steffen Dring 38855 Wernigerode De
Original Assignee
HOCHSCHULE HARZ (FH)
HOCHSCHULE HARZ FH
ESA Patentverwertungsagentur Sachsen Anhalt GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by HOCHSCHULE HARZ (FH), HOCHSCHULE HARZ FH, ESA Patentverwertungsagentur Sachsen Anhalt GmbH filed Critical HOCHSCHULE HARZ (FH)
Priority to DE10354406A priority Critical patent/DE10354406B4/de
Publication of DE10354406A1 publication Critical patent/DE10354406A1/de
Application granted granted Critical
Publication of DE10354406B4 publication Critical patent/DE10354406B4/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12P—FERMENTATION OR ENZYME-USING PROCESSES TO SYNTHESISE A DESIRED CHEMICAL COMPOUND OR COMPOSITION OR TO SEPARATE OPTICAL ISOMERS FROM A RACEMIC MIXTURE
    • C12P5/00—Preparation of hydrocarbons or halogenated hydrocarbons
    • C12P5/02—Preparation of hydrocarbons or halogenated hydrocarbons acyclic
    • C12P5/023—Methane
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M21/00—Bioreactors or fermenters specially adapted for specific uses
    • C12M21/04—Bioreactors or fermenters specially adapted for specific uses for producing gas, e.g. biogas
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/26—Means for regulation, monitoring, measurement or control, e.g. flow regulation of pH
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/28—Means for regulation, monitoring, measurement or control, e.g. flow regulation of redox potential
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
    • C12M41/34—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of gas
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/48—Automatic or computerized control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E50/00—Technologies for the production of fuel of non-fossil origin
    • Y02E50/30—Fuel from waste, e.g. synthetic alcohol or diesel

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Sustainable Development (AREA)
  • Molecular Biology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft eine Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen, zum Beispiel in Anlagen zur anaeroben Biogasproduktion. DOLLAR A Die Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Prozessgrößen, bei denen prozessbedeutsame Änderungen im Bereich größerer Zeiteinheiten, z. B. Minuten oder Stunden, auftreten, die eine Einheit zur Datenbe- und -verarbeitung der genannten Prozessgrößen hinsichtlich Glättung, Filterung u. Ä. sowie eine neuronale und/oder fuzzybasierte Verarbeitungseinheit, die ein Prozesszustandssignal ausgibt, besitzt, DOLLAR A weist zusätzlich eine Einheit zur Prozessmerkmalsbildung auf, die die in der Einheit zur Datenbe- und -verarbeitung bearbeiteten Prozessgrößen zu Prozessmerkmalen verdichtet, die den Zustand des Prozesses innerhalb der Änderungsintervalle charakterisieren.

Description

  • Die Erfindung betrifft eine Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen, zum Beispiel in Anlagen zur anaeroben Biogasproduktion.
  • In den letzten Jahren sind eine Reihe von Biogasanlagen errichtet worden, die erfolgreich zur Energieversorgung beitragen. Jedoch treten in der Praxis immer wieder Probleme beim Anlagenbetrieb auf. Dies führt dazu, dass Anlagen ihre ökonomischen Potenziale nicht ausschöpfen. Ursachen dafür sind überwiegend in der unzureichenden Qualität der Prozessführung der Biogasanlagen zu sehen. Ungünstig gewählte Substratzufuhrmengen und Substratzusammensetzungen, insbesondere bei Anlagen im Co-Substratbetrieb und unzulängliche Kenntnisse des Anlagenpersonals auf der einen Seite und im Hinblick auf Online-Messtechnik unterinstrumentierte Anlagen auf der anderen Seite, verursachen die mangelnde Qualität der Prozessführung.
  • Anaerobe Fermentationen sind immer dann problematisch, wenn die Substratzufuhr hinsichtlich Raumbelastung und Zusammensetzung nicht homogen ist. In einer komplexen Mischkultur, wie sie bei der Biogaserzeugung aus organischen Reststoffen vorliegt, kann es dabei zu Schwankungen innerhalb einer adaptierten Population und damit in der Gesamtstoffwechselleistung kommen.
  • Der worst-case beim Betrieb von Biogasanlagen ist das „Umkippen" des Fermenters. Vom „Umkippen" wird gesprochen, wenn der Säuregehalt im Fermenter einen kritischen Wert erreicht, so dass keine Methanbildung mehr möglich ist. Der Gärprozess kommt damit zum Stillstand. Hauptgrund für das „Umkippen" ist eine Überladung des Fermenters mit organischer Substanz, z.B. durch Schwankungen der Zudosiermengen und der Substratzusammensetzungen. Besonders bei Co-Fermentationen ist die Gefahr des Prozessversagens sehr hoch.
  • Zur Verhinderung solch kritischer Verfahrenszustände wurden intelligente Regelsysteme entwickelt. Ein solches System unter Verwendung der Fuzzy Logik wird von Murnleitner (E. Murnleitner „Zustandserkennung und Regelung der anaeroben Abwasserreinigung mit Hilfe der Fuzzy Logik", Fortschritts-Berichte des VDI, Reihe 15: Umwelttechnik, Band 237 [2002], VDI Verlag Düsseldorf, ISBN 3-18-323715-6) vorgeschlagen. Ein Nachteil dieser Lösung besteht darin, dass u.a. Prozessgrößen verwendet werden, die nur offline erfassbar sind, wie COD (Chemische Sauerstoffzehrung (engl. chemical oxygen demand)), Gehalt an oTS (Organische Trockensubstanz) und die Konzentration an VFA (Flüchtige organische Fettsäuren (engl. volatile fatty acid)) und daher ein echtes Prozesszustandsmonitoring nicht ermöglichen.
  • Holubar u.a. schlagen die Verwendung neuronaler Netze für die Prozesskontrolle bzw. Prozessregelung von Biogasfermentationen vor (Holubar, P., Zani, L., Hager, M., Fröschl, W., Radak, Z., Braun, R.: Verwendung neuronaler Netze für die Prozesskontrolle bzw. Prozessregelung von Biogasfermentationen, Konferenz-Einzelbericht: Virtuelle Instrumente in der Praxis, Begleitband zum Kongress VIP 2000 (Automation), S. 135 ff., VDE-Verlag Berlin u. Offenbach, ISBN 3-8007-2473-1). Der Nachteil dieser Lösung besteht im fehlenden Prozessmonitoring hinsichtlich klassifizierter Prozesszustände.
  • Die Nachteile vorhandener Lösungen des Standes der Technik bestehen also in einer fehlenden Möglichkeit, die betreffenden Prozesse einer wirksamen und onlinefähigen Zustandskontrolle zu unterwerfen, die ein Prozessversagen mit hoher Sicherheit verhindert und eine stabile und hohe Biogasausbeute sichert.
    •
  • Die erfindungsgemäße Anordnung zur Prozesszustandsklassifikation kann die Gefahr eines Prozessversagens bei der Anaerobfermentation minimieren, den Prozessablauf verbessern und damit die Biogasausbeute erheblich steigern.
  • Die online verfügbare Information über den Prozesszustand, in Form der Ausgabe einer Betriebsklasse, kann entweder als Monitoring- bzw. Entscheidungshilfesystem den Anlagenfahrer bei seinen Prozesseingriffen (z.B. Zusammensetzung und Menge der zugeführten Substrate) unterstützen oder als Steuerinformation direkt für die Realisierung von automatischen Prozesseingriffen genutzt werden.
  • Die erfindungsgemäße Anordnung zur Prozesszustandsklassifikation ist entsprechend dem Hauptanspruch zusammengesetzt und gem. der Unteransprüche weiter ausgestaltet.
  • Das Wesen der Erfindung besteht darin, dass innerhalb der Anordnung zur Prozesszustandsklassifikation in einer speziellen Einheit zur Merkmalsbildung vorverarbeitete Daten zu Prozessmerkmalen verdichtet werden. Diese Prozessmerkmale charakterisieren den Prozesszustand innerhalb der Änderungsintervalle der Prozessgrößen und gestatten die optimale Steuerung des Prozesses mit den an sich bekannten Steuerungsverfahren.
    •
  • Die Erfindung wird nachstehend an einem Ausführungsbeispiel näher erläutert. Dabei zeigen zugehörige Zeichnungen in
  • 1: Bestandteile der Datenkonditionierung
  • 2: online erfasste Prozessgrößen und eine Verdeutlichung ihrer Separation in Zyklus- und Tageskurven
  • 3: die Struktur eines Systems zur Prozesszustandsklassifikation mit normierten Merkmalen
  • 4: Verläufe von Online-Merkmalen, Ergebnisse von Offline-Analysen, Prozesszustände in Form der Einordnung der Merkmale in Prozesszustandsklassen sowie die Trennungsgrundlage für Trainings- und Recalldatensatz
  • 5: einen Entscheidungsbaum zur Einschätzung des Prozesszustandes des Biogasprozesses mit Hilfe von Online- und Offline-Kenngrößen
  • 6: eine Darstellung der Werte der Prozessmerkmale als Gitterdiagramm für vier Prozesszustände
  • 7: Merkmale und Ergebnisse des Klassifikatorsystems in der Trainings- und Anwendungsphase (Recall)
  • 8: Merkmale zur Charakterisierung eines Einzelmesswertes und Merkmale zur Charakterisierung des zeitlichen Verlaufes eines Mess-Signals
  • 9: Berechnungsvorschriften der ausgewählten Merkmale Teil 1
  • 10: Berechnungsvorschriften der ausgewählten Merkmale Teil 2
  • Das Ausführungsbeispiel betrifft Biogasanlagen kleinerer Leistungsklasse mit unterschiedlicher Co-Substratzusammensetzung, bei denen aber ein relativ gleichbleibender Substratinput (Substratdosierung QS und hydraulische Verweilzeit HRT relativ konstant) und eine stoßweise Substratzu- und abfuhr vorhanden sind.
  • Ziel der Anwendung der Erfindung innerhalb des Prozesszustandserfassungsverfahrens soll die Einschätzung des Prozesszustandes durch Prozessmonitoring mittels definierter Prozesszustandsmerkmale auf Grundlage online erfasster Prozesskennwerte sein.
  • Das Verfahren basiert auf nachfolgend genannten Online-Prozessparametern bzw. -messgrößen:
    Figure 00040001
  • Die dem Ausführungsbeispiel der Erfindung zu Grunde liegende Biogasanlage besitzt 5,5 Liter Fermentervolumen. An dieser Anlage wird ein Fermentationsprozess mit Gülle als Grundsubstrat, Ei und Öl als Co-Substraten, sowie Katzenfutter als Modellsubstrat für Schlachtabfälle über eine Zeitraum von 59 Tagen durchgeführt. Die Anlage arbeitet mit einer konstanten Substratzu- und -abfuhr (Substratzufuhrmenge QS = 275 ml, hydraulische Verweilzeit HRT = 20 d). Die Prozessbeeinflussung wird durch Variation der Menge an organischer Trockensubstanz oTS im zugegebenen Co-Substrat realisiert. Die Abtastrate des Messdatenerfassungssystems liegt bei 10 Minuten.
  • Zusätzlich zur Erfassung der Online-Prozessparameter werden einmal pro Zykluszeit Offline-Analysen von Fermenterproben durchgeführt, um die Parameter Gesamtsäurekonzentration der Fermenterprobe cGS,Destille (ermittelt durch Destillationsverfahren), Essigsäurekonzentration der Fermenterprobe cES,HPLC (ermittelt durch Hochleistungsflüssigkeitschromatographie HPLC) und Propionsäurekonzentration der Fermenterprobe cPS,HPLC (ermittelt durch Hochleistungsflüssigkeitschromatographie HPLC) zu bestimmen. Die Erfassung dieser Offline-Prozessparameter ist notwendig, um unter Verwendung eines entwickelten Entscheidungsbaumes den Prozesszustand für die Lernmuster zu charakterisieren. Die Zykluszeit beschreibt den Zeitabstand zwischen zwei Substratzuführungen. Im vorliegenden Ausführungsbeispiel wird einmal täglich Substrat zu- und abgeführt, wodurch die Zykluszeit 24 h beträgt.
  • Das Verfahren, innerhalb dessen die erfindungsgemäße Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen zur Anwendung kommt, beginnt mit der Erfassung und Konditionierung der benötigten Daten.
  • Dies beinhaltet zunächst die Erfassung von Prozessdaten – Online-Prozessmessdaten, ggf. Prozesseingriffe sowie Offline-Prozessdaten – durch ein Messsystem, vorteilhafterweise ein PC-basiertes Messsystem. Die aufgezeichneten Daten müssen dabei einen weiten Bereich von Prozesszuständen abdecken. Die Art der Prozessmessdaten bzw. überwachten Prozessgrößen wurde in Hinblick auf ihre Relevanz für das zu erstellende Prozessmodell und/oder das Prozessführungssystem im Vorfeld der Messungen oder aber auch nach Sichtung der Zeitreihen mit Hilfe eines Prozessexperten ausgewählt und verifiziert. Nach Abschluss der Datenaufzeichnung erfolgt eine Datenkonditionierung mit den in 1 gezeigten Hauptschritten.
  • Die aufgezeichneten Prozessdaten spiegeln das Prozessverhalten wider und bilden quasi eine experimentelle Prozessanalyse. Zur Interpretation dieser Daten und zur Auswahl möglicher Verfahren der Datenkonditionierung ist es i.d.R. notwendig und zweckmäßig, einen Prozessexperten für die Datenanalyse zu Rate zu ziehen.
  • Den ersten Schwerpunkt der Datenkonditionierung bildet die Datenvorverarbeitung. Bei dieser steht die Aufbereitung der Rohdaten im Vordergrund. Da Rohdaten häufig störungsbehaftet sind, werden geeignete Verfahren zur Datenglättung oder Filterung eingesetzt, um die Zeitdatenreihen möglichst gut interpretierbar zu gestalten. Gebräuchliche Methoden sind Hochpassfilter und Spikeeliminierer zur Beseitigung punktueller Messwertausreißer. Weiterhin müssen die Messsignale in die physikalischen Einheiten der Größen umgerechnet werden, die sie prozesstechnisch repräsentieren. Für diese Skalierung werden häufig Umrechnungsvorschriften in Polynomform genutzt. Die Signalskalierung als erster Schritt der Datenvorverarbeitung wird durch eine übliche Mess-Software realisiert. Gleiches gilt für die Glättung und die Filterung der Mess-Signale.
  • Die Datenverarbeitung beginnt mit einer Normierung der Prozessgrößen auf bestimmte Wertebereiche. Dies kann auch mit Hilfe moderner Mess-Steuer-Regel-Softwaresysteme vollzogen werden. Die für die Normierung zu verwendenden Zeitreihen-Kenngrößen „Minima" und „Maxima" werden für eine spätere Möglichkeit zur Denormierung gespeichert. Bei Prozessen, bei denen sich bestimmte Vorgänge oder Zustände zyklisch wiederholen – z.B. Feed-Batch-Prozesse in der Biotechnologie mit stoßweisen Substratzu- und -abfuhren -, ist es sinnvoll, die Datenreihen dem Intervallzyklus anzupassen, d.h., die Separation der Messdatenreihen in Zykluskurven vorzunehmen.
  • Die stoßweise Substratzuführung erfolgt im vorliegenden Ausführungsbeispiel einmal täglich. Diese Betriebsart ist typisch für kleinere landwirtschaftliche Biogasanlagen. Ein Prozesszyklus entspricht der Zeitspanne zwischen zwei Substratzuführungen, d.h. 24 Stunden bzw. 1 Tag. Er enthält 144 Messwerte. Andere Zykluszeiten können bei der Systemerstellung Berücksichtigung finden.
  • 2 verdeutlicht diesen Separationsvorgang. Dargestellt sind Online-Verläufe der sechs Prozessgrößen über einen Zeitraum von 59 Tagen, wobei die Abtastrate der Messgrößen TADC 10 min beträgt. Unterhalb jeder Gesamtzeitreihe sind jeweils drei Zykluskurven abgebildet – es sind dies Reihe 8, 34, 42 und 54, die Reihen-Nummer entspricht der Anzahl der Tage ab Versuchsbeginn.
  • Der Separationszeitpunkt wurde so gewählt, dass noch 5 Abtastpunkte der jeweiligen Prozessgröße vor der Substratzugabe mit in die Zykluskurve des aktuellen Prozess zyklus eingeschlossen sind. Die Zykluskurven repräsentieren dadurch sehr gut das Prozessverhalten im Betrachtungszeitraum, z.B. fallende pH-Wertverläufe direkt nach der Zugabe, die in einer Stabilisierungsphase allmählich wieder ansteigen. Durch die tägliche Substratzugabe und die dadurch bedingten, sich zyklisch wiederholenden charakteristischen Signalverläufe in den Gesamtzeitreihen, weisen auch die Zykluskurven charakteristische Eigenschaften auf, die in allen Zykluskurven der beobachteten Prozessgröße auftreten.
  • Weiterhin repräsentieren die Zykluskurven in geeigneter Weise das Prozessverhalten. Ein nach der Zudosierung nicht ansteigender pH-Wert ist z.B. ein Indiz für eine fehlende Stabilisierungsphase, wodurch eine Versäuerung des Reaktors und damit eine Prozessinstabilität eintreten kann. Durch die Charakterisierung des zeitlichen Verlaufes der Zykluskurven der Prozessgrößen lässt sich damit eine Reihe von Aussagen über das Prozessverhalten treffen.
  • Von entscheidender Bedeutung für die Datenkonditionierung und damit für das Klassifikationssystem ist die erfindungsgemäße Merkmalsbildung in der zusätzlichen Einheit der beanspruchten Anordnung, auf die im Folgenden detailliert eingegangen wird.
  • Um eine dem menschlichen Verhalten bei der Anlagenbedienung/Prozessführung analoge Vorgehensweise mit einem automatisierten Prozessführungssystem nachbilden zu können, müssen Merkmale aus den Signalen gewonnen werden, die den Verlauf der Signale zweckmäßig beschreiben (Merkmalsextraktion). Diese Merkmale sind im Allgemeinen numerische Kennzahlen, die mit Methoden der digitalen Signalverarbeitung oder der Zeitreihenanalyse aus den Messsignalen gewonnen werden und müssen online berechenbar sein. Für diese spezielle Merkmalsbildung besitzt die beanspruchte Anordnung zur Prozesszustandsklassifikation die erfindungsgemäß zusätzlich vorhandene Einheit zur Prozessmerkmalsbildung, die die in der Einheit zur Datenbe- und -verarbeitung bearbeiteten Prozessgrößen zu Prozessmerkmalen verdichtet, die den Zustand des Prozesses definiert charakterisieren können.
  • Als geeignet für das zu erstellende Klassifikationssystem von Prozessmerkmalen erwiesen sich die nachfolgend aufgelisteten Merkmale. Diese wurden durch Expertengespräche, Korrelationsuntersuchungen und Zeitreihenanalysen aus einer Reihe möglicher Merkmalsbildungsvorschriften ausgewählt.
  • Figure 00080001
  • Die Bildungsvorschriften für die genannten Merkmale zeigen die 9 und 10. Durch die Merkmalsbildung werden aus den Zeitreihen definierte Informationen extrahiert, wodurch einerseits bestimmte Aussagen über die Signalverläufe ermöglicht werden und andererseits auch eine Kompression von Messwerten einer Zeitreihe zu einem oder mehreren diskreten Merkmalswerten erfolgt.
  • Die Merkmale zur Beschreibung des zeitlichen Verlaufes eines Mess-Signals besitzen i.d.R. einen höheren Informationsgehalt als die Merkmale eines Einzelwertes. Sie können dafür jedoch erst nach Ende des Betrachtungszeitraumes berechnet werden. Zur Charakterisierung des zeitlichen Verlaufes eines Mess-Signals existieren eine Reihe von Möglichkeiten. Häufig werden statistische Kenngrößen wie z.B. der Mittelwert, oder die Spannweite der betrachteten Zeitreihe, eingesetzt.
  • Ausgangsbasis für die Merkmalsbildung sind die vorverarbeiteten oder konfektionierten Signale, die eine Abtastung diskreter Funktionen der Zeit darstellen. Merkmale die zur Beurteilung von Signalen herangezogen werden, können nach 8 in zwei Gruppen gegliedert werden:
    • • Merkmale zur Charakterisierung eines Einzelmesswertes
    • • Merkmale zur Charakterisierung des zeitlichen Verlaufes eines Messsignals
  • Die Separation in Zykluskurven sowie die Merkmalsbildung kann, wie die Schritte der Datenvorverarbeitung und Datenverarbeitung, mit modernen MSR-Softwaresystemen durchgeführt werden. Diese erlauben häufig in Form einer eigenen Makrosprache auch komplexere Algorithmen.
  • Der Datenkonditionierung schließt sich die Erstellung des Klassifikators an. Grundlagen von Klassifikatoren sind beispielsweise Algorithmen von Selbstorganisierenden Neuronalen Netzen (SOM) und Fuzzy-Kohonen-Clustering-Netzen (FKCN).
  • Die Struktur des Systems zur Klassifikation des Prozesszustands an Biogasanlagen mit den benutzen Ein- und Ausgangsgrößen zeigt 3. Das System klassifiziert die unter Verarbeitung der online in jedem Zyklus berechneten Merkmale in eine vordefinierte Klasse des Prozesszustandes. Dabei wird nach jedem Prozesszyklus mit der Abtastzeit des Prozessführungs- bzw. Klassifikationssystems TPSF = 24h (bei täglicher Substratzugabe) das Klassifikationsergebnis berechnet, ausgegeben und auf einem Display angezeigt (Monitoringsystem).
  • Das Klassifikationssystem arbeitet mit Merkmalsdatensätzen, die auf Basis von Online-Prozessdaten, wie zuvor beschrieben, erzeugt wurden.
  • 4 zeigt die Verläufe von Merkmalen, die an der Biogasanlage des Ausführungsbeispiels während eines Komplexversuches gewonnen wurden und die als Eingangswerte des Klassifikators dienen. Für die Bestimmung des Prozesszustandes wurden zusätzlich Daten von offline durchgeführten Substratanalysen verwendet. Zusätzlich sind die Dauer und die Abfolge der Teilversuche, die Trennungsgrundlage für Trainings- und Recalldatensatz, die gewünschte vorgegebene Prozesszustandsklasse (Ausgang des Klassifikators), sowie die Ergebnisse der begleitenden (organische Trockensubstanz einer Fermenterprobe oTSFerm, Gesamtsäurekonzentration der Fermenterprobe cGS durch Hochleistungsflüssigkeitschromatografie HPLC) und zur Prozesszustandsidentifikation notwendigen (Gesamtsäurekonzentration der Fermenterprobe cGS durch Destillation, Essigsäurekonzentration cES durch Hochleistungsflüssigkeitschromatografie HPLC, Propionsäurekonzentration cPS durch Hochleistungsflüssigkeitschromatografie HPLC) Offline-Analysen von Fermenterproben dargestellt.
  • Zur Beurteilung des Prozesszustandes wird ein Entscheidungsbaum nach 5 verwendet. Mit Hilfe des Entscheidungsbaumes kann der Prozesszustand durch eine Klassierung von Prozessdaten (Online-Merkmale und Offline-Analyseergebnisse) in eine der vier Klassen beschrieben werden, die nachfolgend aufgezeigt sind:
    Figure 00100001
  • Die in den inneren Pfaden des Entscheidungsbaumes zur Klassierung notwendigen Ergebnisse der Offline-Analysen von Fermenterproben sind nur im Rahmen der Generierung des Trainingsdatensatzes notwendig (für den Recalldatensatz als Überprüfungsgrundlage). Aufgabe des Klassifikationssystems ist es, die diesem präsen tierten Merkmalswerte auf Basis der online erfassten Prozessparameter in die vier Prozessklassen einzuordnen (unüberwachtes Lernen). Die Labelingphase ordnet den Prozessklassen ihre Bedeutung zu. In der Anwendung (Recall) klassifiziert das System die Online-Merkmalswerte selbständig in eine der vier Prozesszustandsklassen.
  • Dass die Prozesszustandsklassifikation im Anwendungsfall bzw. im Recall ausschließlich auf Basis der Online – Merkmalswerte möglich ist (Anwendung des Systems durch Klassierung von Merkmalen des höher dimensionalen Merkmalsraums), zeigt 6 in der Darstellung aller Merkmale des Versuchsdatensatzes als Gitternetzdiagramm. Hier sind alle Kombinationen der Merkmale für jede Zustandsklasse im Diagramm eingetragen und flächenmäßig verbunden. Die Unterscheidung der sich durch die Punktepaare der Flächen ergebenden Formen ist visuell möglich.
  • Das Klassifikationssystem wurde in einer Realisierungsform auf Mikrocontroller-Basis durch die Beaufschlagung der Eingänge des Systems mit den Online-Prozessdaten bzw. Prozessmerkmalen des Trainings- und des Recalldatensatzes getestet.
  • 7 zeigt relevante Merkmalsverläufe, die Vorgaben für die zu detektierende Prozesszustandsklasse und die Klassifizierungsergebnisse des Systems bilden. Das System eignet sich sehr gut zur gewünschten Prozesszustandsklassifikation auf Grundlage der erläuterten Online-Merkmale. Sowohl beim Test mit Trainingsdaten als auch bei der Anwendung des Systems auf Datensätze, die nicht für den Lernvorgang verwendet wurden (Recall), kann der Prozesszustand fehlerfrei detektiert werden und entspricht der Einschätzung, die mit Hilfe des Entscheidungsbaumes aus 5 getroffen wurde.
    • CGS,Dest.
    Gesamtsäurekonzentration der Fermenterprobe, ermittelt durch
    Destillation
    CES,HPLC
    Essigsäurekonzentration der Fermenterprobe, ermittelt durch HPLC
    cPS,HPLC
    Propionsäurekonzentration der Fermenterprobe, ermittelt durch HPLC
    CH4
    Methan
    CO2
    Kohlendioxid
    FKCN
    Fuzzy-Kohonen-Clustering-Network
    (Neuronales Netz mit Fuzzy-Strukturen)
    GP
    Gasproduktion
    GPR
    Gasproduktionsrate
    HPLC
    Hochleistungsflüssigkeitschromatographie
    HRT
    Hydraulische Verweilzeit
    MSR
    Messen-Steuern-Regeln
    Nl
    Normliter
    oTS
    Organische Trockensubstanz
    pH
    pH-Wert
    PZ
    Prozesszustand
    QS
    Volumen an zu- und gleichzeitig abgeführtem Substrat (Substratdosie
    rung)
    SOM
    Selbstorganisierendes Neuronales Netz
    TADC
    Abtastzeit der Datenkonditionierung
    TPFS
    Abtastzeit des Prozessführungs- bzw. Klassifikatorsystems

Claims (5)

  1. Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Prozessgrößen, bei denen prozessbedeutsame Änderungen im Bereich größerer Zeiteinheiten, z. B. Minuten oder Stunden, auftreten, die eine Einheit zur Datenbe- und -verarbeitung der genannten Prozessgrößen hinsichtlich Glättung, Filterung u.ä. sowie eine neuronale und/oder fuzzybasierte Verarbeitungseinheit, die ein Prozesszustandssignal ausgibt, besitzt, dadurch gekennzeichnet, dass zusätzlich eine Einheit zur Prozessmerkmalsbildung vorhanden ist, die die in der Einheit zur Datenbe- und -verarbeitung bearbeiteten Prozessgrößen zu Prozessmerkmalen verdichtet, die den Zustand des Prozesses innerhalb der Änderungsintervalle charakterisieren.
  2. Anordnung zur Prozesszustandsklassifikation nach Anspruch 1 bei der anaeroben Biogasfermentation mit zyklischer Dosierung, dadurch gekennzeichnet, dass eine Prozesszustandsklasse als Maß für die Prozesssicherheit ausgegeben wird.
  3. Anordnung zur Prozesszustandsklassifikation nach Anspruch 2, dadurch gekennzeichnet, dass als Maß für die Prozesssicherheit die Werte für pH und/oder Redox und/oder der Quotient der Gasvolumina von Methan und Kohlendioxid bestimmt werden.
  4. Anordnung zur Prozesszustandsklassifikation nach Anspruch 2, dadurch gekennzeichnet, dass ein Prozessmerkmal als Maß für die Gasproduktion und/oder die Gasproduktionsrate pro Zyklus bestimmt wird.
  5. Anordnung zur Prozesszustandsklassifikation nach Anspruch 2, dadurch gekennzeichnet, dass ein Prozessmerkmal als Maß für die Methankonzentration bestimmt wird.
DE10354406A 2003-11-19 2003-11-19 Verfahren zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Prozessgrößen Expired - Fee Related DE10354406B4 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE10354406A DE10354406B4 (de) 2003-11-19 2003-11-19 Verfahren zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Prozessgrößen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE10354406A DE10354406B4 (de) 2003-11-19 2003-11-19 Verfahren zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Prozessgrößen

Publications (2)

Publication Number Publication Date
DE10354406A1 true DE10354406A1 (de) 2005-06-30
DE10354406B4 DE10354406B4 (de) 2013-07-11

Family

ID=34625170

Family Applications (1)

Application Number Title Priority Date Filing Date
DE10354406A Expired - Fee Related DE10354406B4 (de) 2003-11-19 2003-11-19 Verfahren zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Prozessgrößen

Country Status (1)

Country Link
DE (1) DE10354406B4 (de)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004037798A1 (de) * 2004-08-03 2006-02-23 Hochschule für Angewandte Wissenschaften Hamburg Verfahren zur Vergärung von Biomasse
DE102009024423A1 (de) * 2009-06-09 2010-12-16 Knoten Weimar An-Institut an der Bauhaus-Universität Weimar Internationale Transferstelle Umwelttechnologien GmbH Verfahren zur energetischen abfallfreien Verwertung von pflanzlichen Rohstoffen, insbesondere von Zuckerrüben oder Süßkartoffeln, die in Energieträger wie Ethanol und Methan und in Düngemittel umgewandelt werden
DE102009025329A1 (de) * 2009-06-18 2011-01-27 Denis Deuschl Gasaustausch zwischen Bioreaktoren
WO2012175701A1 (de) * 2011-06-22 2012-12-27 Hermos Systems Gmbh Verfahren zur biogaserzeugung
WO2014060423A1 (de) * 2012-10-15 2014-04-24 Renergon International AG Verfahren und vorrichtung zur erzeugung von biogas
EP2772529A4 (de) * 2011-10-28 2015-07-01 Siemens Ag System zur überwachung eines produktionsprozesses und steuerverfahren dafür
JP2019147106A (ja) * 2018-02-27 2019-09-05 三菱重工業株式会社 バイオガス品質評価装置、バイオガス品質評価方法、およびプログラム
WO2024115429A1 (en) 2022-11-29 2024-06-06 Hitachi Zosen Inova Ag Method for process state classification of a biogas digester based on process variables of a biogas plant

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DD264234A1 (de) * 1987-09-09 1989-01-25 Akad Wissenschaften Ddr Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung
DD277701A1 (de) * 1988-12-07 1990-04-11 Akad Wissenschaften Ddr Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems
DE69200150T2 (de) * 1991-02-11 1994-09-15 Agronomique Inst Nat Rech Verfahren für die Regelung einer Vorrichtung zur Abwasserreinigung.
DE19819875C1 (de) * 1998-04-27 1999-11-04 Tat Ingenieurgesellschaft Mbh Verfahren zum Steuern und Regeln der Belüftung von intermittierenden Kläranlagen

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DD264234A1 (de) * 1987-09-09 1989-01-25 Akad Wissenschaften Ddr Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung
DD277701A1 (de) * 1988-12-07 1990-04-11 Akad Wissenschaften Ddr Verfahren zur automatischen steuerung von prozessen der biotechnischen stoffwandlung auf der basis eines wissensbasierten on-line-steuerungssystems
DE69200150T2 (de) * 1991-02-11 1994-09-15 Agronomique Inst Nat Rech Verfahren für die Regelung einer Vorrichtung zur Abwasserreinigung.
DE19819875C1 (de) * 1998-04-27 1999-11-04 Tat Ingenieurgesellschaft Mbh Verfahren zum Steuern und Regeln der Belüftung von intermittierenden Kläranlagen

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BIOSIS-Abstract Prev. 200300477608 *
Chemical Abrabcts 128:66012 *
Chemical Abrabcts 136:251652 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004037798B4 (de) * 2004-08-03 2007-04-19 Hochschule für Angewandte Wissenschaften Hamburg Verfahren zur Vergärung von Biomasse
DE102004037798A1 (de) * 2004-08-03 2006-02-23 Hochschule für Angewandte Wissenschaften Hamburg Verfahren zur Vergärung von Biomasse
DE102009024423A1 (de) * 2009-06-09 2010-12-16 Knoten Weimar An-Institut an der Bauhaus-Universität Weimar Internationale Transferstelle Umwelttechnologien GmbH Verfahren zur energetischen abfallfreien Verwertung von pflanzlichen Rohstoffen, insbesondere von Zuckerrüben oder Süßkartoffeln, die in Energieträger wie Ethanol und Methan und in Düngemittel umgewandelt werden
DE102009025329A1 (de) * 2009-06-18 2011-01-27 Denis Deuschl Gasaustausch zwischen Bioreaktoren
DE102009025329B4 (de) * 2009-06-18 2012-03-22 Denis Deuschl Gasaustausch zwischen Bioreaktoren
WO2012175701A1 (de) * 2011-06-22 2012-12-27 Hermos Systems Gmbh Verfahren zur biogaserzeugung
US9798304B2 (en) 2011-10-28 2017-10-24 Siemens Aktiengesellschaft Production process monitoring system and control method therefor
EP2772529A4 (de) * 2011-10-28 2015-07-01 Siemens Ag System zur überwachung eines produktionsprozesses und steuerverfahren dafür
WO2014060423A1 (de) * 2012-10-15 2014-04-24 Renergon International AG Verfahren und vorrichtung zur erzeugung von biogas
JP2019147106A (ja) * 2018-02-27 2019-09-05 三菱重工業株式会社 バイオガス品質評価装置、バイオガス品質評価方法、およびプログラム
EP3741831A4 (de) * 2018-02-27 2021-03-24 Mitsubishi Heavy Industries, Ltd. Biogasqualitätauswertungsvorrichtung, biogasqualitätauswertungsverfahren und programm
US11119092B2 (en) * 2018-02-27 2021-09-14 Mitsubishi Heavy Industries, Ltd. Biogas quality evaluation device, biogas quality evaluation method, and program
JP7213018B2 (ja) 2018-02-27 2023-01-26 三菱重工業株式会社 情報出力装置、情報出力方法、およびプログラム
WO2024115429A1 (en) 2022-11-29 2024-06-06 Hitachi Zosen Inova Ag Method for process state classification of a biogas digester based on process variables of a biogas plant

Also Published As

Publication number Publication date
DE10354406B4 (de) 2013-07-11

Similar Documents

Publication Publication Date Title
DE69033328T2 (de) Unterstützungsverfahren und -vorrichtung für den Betrieb einer Anlage
DE102006041347B3 (de) Verfahren und Vorrichtung zur Detektion lebender Phytoplanktonzellen in Wasser
DE69213478T2 (de) Methode zur steuerung von abwasserreinigungsanlagen unter anwendung von mehreren steuerfunktionen
CH558017A (de) Verfahren und vorrichtung zur analyse und regelung biochemischer prozesse.
DE102017107622A1 (de) Digital gesteuerte Stromversorungsvorrichtung und Produktionsmanagementsystem
DE212015000026U1 (de) Automatisches Alkoholmischsystem auf Grundlage einer Geruchssteuerung
EP3282399A1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
DE10354406A1 (de) Anordnung zur Prozesszustandsklassifikation bei der Messdatenverarbeitung träger Eingangsgrößen
EP1550861A1 (de) Verfahren und Vorrichtung zur Bestimmung des Zustandes einer Messsonde
DE102019108058A1 (de) Verfahren zur Bestimmung, ob eine Prüfprobenzufuhr erfolgt
DE69713600T2 (de) System zur überwachung und diagnose von automatischen regelschleifen
CN113848307A (zh) 一种针对污泥膨胀的特征提取主成分分析在线监测方法
DE102013104203A1 (de) Verfahren und Vorrichtung zur Bestimmung einer Restbetriebsdauer eines Messaufnehmers
DE19914277B4 (de) Verfahren und Vorrichtung zur Erfassung der Klassen von System- oder Prozeßzuständen
DE19850720A1 (de) Verfahren zur Regelung der Brennstoffkonzentration in einem Alkohol oder Ether als Brennstoff und Wasser enthaltenden Brennstoffgemisch einer Brennstoffzelle und Brennstoffzellensystem
DE102021206044A1 (de) Überwachung der produktion von werkstoffplatten, insbesondere holzwerkstoffplatten, insbesondere unter verwendung einer selbstorganisierenden karte
DE10106312B4 (de) Regelungsverfahren für die Methangaserzeugung
DE102014103346A1 (de) Verfahren und Vorrichtung zur Durchführung einer hydrothermalen Karbonisierungsreaktion und Verwendung eines Sensors oder Analysegeräts hierfür
EP3593895B1 (de) Verfahren zur optimierung der produktionssicherheit von membrananlagen
DE4415602C2 (de) Prozeßführung der aeroben Abwasserbehandlung mit Hilfe eines Verfahrens und einer Anlage, die eine an der Substratabbaurate der Organismen ausgerichtete Steuerung/Regelung ermöglicht
DE69931988T2 (de) Schnelles Funktionsprüfverfahren für Kühlgeräte
DE102016013068B4 (de) Verfahren zur automatisierten Bestimmung des FOS/TAC-Wertes in Biogasanlagen zur anaeroben Nassvergärung von organischen Stoffen
WO2008086793A1 (de) Verfahren und datenverarbeitungssystem zur automatischen erkennung, verarbeitung, interpretation und schlussfolgerung von als digitale daten vorliegenden objekten, insbesondere auch von unbekannten objekten
DE3139310C2 (de) System zur Steuerung der Kultivierung von Mikroorganismen
DE102014219771A1 (de) Verfahren zum Ermitteln des Energiebedarfs einer Produktionsmaschine oder eines aus mehreren Produktionsmaschinen bestehenden Produktionssystems sowie zur Durchführung des Verfahrens geeignetes Messgerät

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8127 New person/name/address of the applicant

Owner name: INSTITUT FUER BIOPROZESS- UND ANALYSENMESSTECHNIK E

Owner name: ESA PATENTVERWERTUNGSAGENTUR SACHSEN-ANHALT GMBH,

Owner name: HOCHSCHULE HARZ (FH), 38855 WERNIGERODE, DE

8127 New person/name/address of the applicant

Owner name: PATZWAHL, STEFFEN, DR.ING., 38855 WERNIGERODE, DE

8120 Willingness to grant licences paragraph 23
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee

Effective date: 20130601