DE19643884A1

DE19643884A1 - Verfahren und Anordnung zur Optimierung der Prozeßführung von Produktionsvorgängen

Info

Publication number: DE19643884A1
Application number: DE19643884A
Authority: DE
Inventors: Herbert Dr Furumoto; Klaus Dr Nagel
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 1996-10-30
Filing date: 1996-10-30
Publication date: 1998-05-07
Anticipated expiration: 2016-10-31
Also published as: DE19643884C2

Description

Die Erfindung bezieht sich auf ein Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen, bei denen Pro zeßeinstellungen einer Produktionsanlage vorgegeben werden, wobei aus den Prozeßeinstellungen einzelner Produktionsvor gänge Fälle erstellt werden, jeweils der aktuelle Fall durch eine Prognoseeinrichtung geschickt wird, die aus den Pro zeßeinstellungen die fehlenden Produkteigenschaften berechnet und wobei der einzelne Fall mit einem sogenannten Fitneßfak tor bewertet und angezeigt wird. Daneben bezieht sich die Er findung auf die zugehörige Anordnung zur Durchführung des Verfahrens.

Ein Verfahren obiger Art ist in der älteren, nicht vorveröf fentlichten deutschen Patentanmeldung P 195 19 627.9 vorbe schrieben. Dabei wird von einer Vorrichtung zur Prozeßführung gemäß der EP-A-0 658 833 ausgegangen, welche Vorrichtung nach Art des sogenannten "fallbasierten Lernens" arbeitet. Bei dieser vorbekannten Vorrichtung wird ein Betriebsverfahren angewandt, bei dem die Parameter von typischen Fällen während der Produktion erfaßt, untereinander verglichen und mittels eines sogenannten Fallerzeugers einerseits und eines Fallaus wählers andererseits entsprechend optimierte Sollwerte er zeugt werden. Dabei soll auch auf die Technologie von Fuzzy- Logik und neuronalen Netzen zurückgegriffen werden.

Davon ausgehend ist es Aufgabe der Erfindung, das eingangs genannte Verfahren weiter zu verbessern und eine zugehörige Vorrichtung zu schaffen.

Die Aufgabe ist erfindungsgemäß dadurch gelöst, daß zur Vor gabe und/oder zur Modifizierung von Prozeßeinstellungen gene tische Algorithmen herangezogen werden und daß der sog. Fit neßfaktor berechnet wird und als Vergleichsgrundlage für Fit neßfaktoren der späteren Prozeßeinstellungen dient.

Wesentlich ist bei der Erfindung, daß durch die evolutionären Methoden mit vergleichsweise einfachen Mitteln geeignete Pro zeßeinstellungen erzeugt werden können. Dazu werden mit den Mitteln der evolutionären bzw. genetischen Algorithmen aus einer Anfangspopulation einzelne Individuen herausgegriffen und zu neuen Individuen kombiniert bzw. mutiert. Vorteilhaft ist dabei, daß für das fallbasierte Lernen bereits an den tatsächlichen Prozeßverlauf optimal angepaßte Prozeßeinstel lungen erzeugt werden können.

Das erfindungsgemäße Verfahren kann auf einem Rechner bzw. einer Workstation ausgeführt werden. Die zugehörige erfin dungsgemäße Anlage beinhaltet dabei insbesondere einen Digi talrechner mit Eingängen und Ausgängen sowie zugehörigen Speichern und einer Schnittstelle zum Datenaustausch mit ei nem Automatisierungsgerät.

Das erfindungsgemäße Verfahren und die zugehörige Anordnung eignen sich insbesondere zur Prozeßautomatisierung in der Pa pierindustrie und dabei speziell zur Steuerung des Kochvor ganges bei der Zellstoffherstellung. Ein solches Verfahren ist aber auch mit prinzipiell gleicher Anordnung auch bei an deren Prozessen als der Zellstoffherstellung durchführbar. Bei der allgemeinen Prozeßführung ist immer für einen aktuel len Fall ein Satz von Stellgrößen festzulegen, der den Prozeß zu einem optimalen Ergebnis führt. Der aktuelle Fall wird da bei beschrieben durch eine Auswahl relevanter, meßbarer Pro zeßdaten. Das zu erwartende Ergebnis bzw. der Fitneßfaktor, wird mit der Prognoseeinrichtung gewonnen. Die Prognoseein richtung benutzt die aktuellen Falldaten und eine vorgeschla gene Ermittlung der Stellgrößen.

Wie vorstehend angegeben, werden die genetischen Algorithmen benutzt, um einen optimalen Satz von Stellgrößen zu finden. Ein Satz von Stellgrößen entspricht einem Individuum. Eine Population solcher Individuen wird zufällig erzeugt, der Fit neßfaktor jedes Individuums wird mit der Prognoseeinrichtung ermittelt. Anschließend wird insbesondere folgender Evoluti onsschritt wiederholt durchgeführt: Drei Individuen werden aus der Population zufällig ausgewählt. Das Individuum aus diesen dreien, das den schlechtesten Fitneßfaktor hat, wird aus der Population entfernt und durch eine Kombination aus den beiden besseren ersetzt. Je nach Art der Stellgröße kann die Kombination unterschiedlich angepaßt gebildet werden.

Weitere Einzelheiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Figurenbeschreibung anhand der Zeich nung in Verbindung mit den Patentansprüchen. Es zeigen

Fig. 1 ein Diagramm für den Konzentrationsverlauf typischer Kenngrößen bei der Zellstoffkochung,

Fig. 2 eine Anlage zur Prozeßsteuerung von Vorgängen, bei denen beispielsweise Prozesse entsprechend Fig. 1 stattfinden,

Fig. 3 das mathematische Prinzip zur Berechnung des Fitneß faktors als Qualitätskennzahl und

Fig. 4 eine Darstellung zur Verdeutlichung der Kriterien zum Abbruch einer Optimierung mit genetischen Algorith men.

Bei der Zellstoffkochung laufen bekanntermaßen zwei Reaktio nen parallel ab: Diese sind zum einen eine Delignifizierung und zum anderen ein Kohlehydratabbau. Beide Reaktionen hängen unterschiedlich stark von der Temperatur T, der Kochzeit t und den Chemikalienkonzentrationen C_i ab.

In Fig. 1 ist beispielhaft und schematisch ein Zusammenhang von Konzentration C_i, Kochzeit t und Temperatur T darge stellt. Die Konzentrationen C_i können entweder die Konzentra tion C_l, d. h. von Lignin, oder die Konzentration C_k, d. h. der Kohlehydrate, sein.

Die Durchführung von Zellstoffkochungen soll in der Praxis optimiert werden. Aufgabe solcher Optimierungen ist es, die Temperatur T, die Chemikalienkonzentrationen C_i und die Koch zeit t so aufeinander abzustimmen, daß bei konstanter Zell stoffqualität, die beispielsweise durch die sogenannte Kappa zahl gemessen wird, die Produktionsmenge maximal ist. Letzte res stellt unmittelbar den Gewinn pro Tonne Zellstoff dar.

Für letztere Problemlösung können im Prinzip zwei Optimie rungskriterien fakultativ benutzt werden:

1. Produktionsmenge pro Tag, m_Zellstoff (= Kochungen pro Tag × Anzahl Kocher × Holzmenge × Ausbeute)
2. Gewinn G pro Tonne Zellstoff

Konstanten

P_Zellstoff

= Preis Zellstoff in DM/Tonne = 1,200 DM/Tonne
P_Holz

= Preis Holz in DM/Tonne = 130 DM/Tonne
P_GK

= Gemeinkosten pro Tag = 128,500 DM/Tag
t_o

= Umtriebszeit - Kochzeit = 6,5 h
n = Anzahl Kocher = 8
t = Kochzeit = zu optimieren
A = Ausbeute = zu optimieren
m_Holz/Ko

= Holzmasse pro Kocher = 42 t/Kocher.

Als Fitneßfaktoren f_i können wahlweise die Produktionsmengen pro Tag oder unmittelbar der Gewinn pro Tonne Zellstoff ge wählt werden. Beide Größen hängen explizit von der Ausbeute A und der Kochzeit t ab, bei der die gewünschte Kappazahl er reicht ist.

Durchgeführt wird der Prozeß in einer Anlage gemäß Fig. 2. In Fig. 2 stellt der Block 1 eine Einheit von Prozeßdaten dar, die bei der Zellstoffkochung anfallen. Der Einheit 1 ist eine Einheit 2 nachgeschaltet, die als sogenannter Fallerzeu ger dient. In der Einheit 2 werden aus den Prozeßdaten des Blockes 1 und weiteren in einer Einheit 21 gespeicherten Offlinedaten typische Fälle abgeleitet, wobei jeweils ein ak tueller Fall ausgewählt wird. Die so generierten Fälle des Fallerzeugers 2 werden in einen Fallklassifizierer 3 und ei ner nachfolgenden Datenbank 4 für die einzelnen Fälle einge geben. In einer nachgeschalteten Einheit 5 kann jeweils der aktuelle Fall vom Fallerzeuger 2 einerseits oder ein Fall von der Datenbank der Fälle 4 angesteuert werden.

Parallel ist eine Einheit 6 für einen sogenannten Tochterfall geschaltet. Von den Einheiten 5 oder 6 wird alternativ über einen Schalter 7 eine Prognoseeinrichtung 8 angesteuert. Die Prognoseeinrichtung 8 können ein neuronales Netz sein, das zyklisch oder bei Bedarf mit den Prozeßwerten aus der Daten bank der Fälle 4 trainiert wird, oder aber durch algebraische Gleichungen realisiert werden, welche die zur Berechnung des Fitneßfaktors notwendigen Qualitätskennwerte oder Stellgrößen erzeugen. Der Prognoseeinrichtung 8 folgt also eine Einheit 9 zur Berechnung eines Fitneßfaktors f_i, die auch einen Alarm generator beinhalten kann.

Für eine Optimierung wird das Ausgangssignal der Einheit 9 zwecks Berechnung des Fitneßfaktors fi 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 sogenannten Fallmodifizierer 11 werden die Signale auf die Einheit 1 zur Speicherung und Weiterleitung der Pro zeßdaten an den Prozeß zurückgegeben. An dieser Stelle ist zudem noch der Operator zwischengeschaltet, von dem manuelle Modifikationen eingegeben werden können.

Bei der Anordnung gemäß Fig. 2 können unter Verwendung von genetischen Algorithmen die vorhandenen Fälle derart mutiert werden, daß beispielsweise ein Tochterfall mit einem aktuel len Fall verglichen wird und jeweils der bessere Fall zur Grundlage des Prozeßmodells herangezogen wird. Damit ist eine kontinuierliche Optimierung der Prozeßführung möglich. We sentlich ist dafür, den jeweiligen Fitneßfaktor f_i zu defi nieren.

Wie bereits erwähnt, können bei der Zellstoffkochung wahlwei se die Produktionsmenge pro Tag oder der Gewinn pro Tonne Zellstoff sinnvolle Fitneßfaktoren definieren. Beide Größen hängen explizit von der Ausbeute A und von der Kochzeit t, bei der die gewünschte Kappazahl erreicht ist, ab.

In Fig. 2 kann die Prognoseeinrichtung, mit der der jeweili ge Fitneßfaktor bestimmt wird, durch zwei Differentialglei chungen für die beiden Reaktionen, den Ligninabbau dc_l/dt und den Kohlehydratabbau dc_k/dt, nach folgender Vorschrift gebil det werden:

mit folgenden Beziehungen für die Reaktionsgeschwindigkeiten:

Die Anfangsbedingungen bei t = 0 lauten:
C_{L, O} = 0,2212
C_{K, O} = 0,7788.

Ergänzend sind folgende algebraische Beziehungen definiert:

Ausbeute = C_L + C_K
Kappazahl ≈ 6,50 . (C_L/(C_L+C_K)) × 100 + 4,27.

Die Stellgrößen für die Kochzeit und die Ausbeute sind:

Die Optimierung kann nunmehr in zwei Stufen erfolgen: In ei ner ersten Offline-Stufe werden alle Stellgrößen variiert. In der laufenden Produktion stellt sich die Flotte FV zwangsläu fig ein, da Hackschnitzel und Kochsäure randvoll in den Ko cher eingefüllt sind. Der Gehalt an SO₂ als Säure und MgO als Base kann über die Säurebereitung nur mit einer Totzeit von mehreren Tagen verändert werden. Deshalb werden in einer zweiten Onlinestufe zu Beginn der Kochung, d. h. sobald das Flottenverhältnis und die Chemikalienkonzentration bekannt sind, nur noch die Kochzeit und die Kochtemperatur optimiert.

Die Optimierung erfolgt mit einem genetischen Algorithmus: Ein Satz von Stellgrößen entspricht einem Individuum. Eine Anfangspopulation solcher Individuen wird im Block 10 der Fig. 2 zufällig erzeugt und der Fitneßfaktor eines jeden Indi viduums wird mit der Prognoseeinrichtung 8 bzw. der Einheit 9 ermittelt. Anschließend werden weitere Evolutionsschritte wiederholt durchgeführt.

Beispielsweise werden drei Individuen aus der Population zu fällig ausgewählt. Dasjenige Individuum aus diesen drei Indi viduen, das den schlechtesten Fitneßfaktor hat, wird aus der aktuellen Population entfernt und durch eine Kombination, d. h. den einen Tochterfall, aus den beiden besseren Individu en, dem sogenannten Elternfall, ersetzt. Im Sinne der Evolu tion wird also durch die genetischen Algorithmen die Popula tion ständig verbessert.

In Fig. 2 geht dabei der Fallmodifizierer wie folgt vor. Die Stellgröße für den Tochterfall wird gleich dem Mittelwert der entsprechenden Größen der Elternfälle gesetzt, zu der noch eine normal verteilte Störung, d. h. eine Mutation, addiert wird. Dieser Evolutionsschritt wird solange wiederholt, bis keine wesentliche Verbesserung des Fitneßfaktors mehr auf tritt.

Bei dem vorstehend beschriebenen Verfahren setzt die Parame teroptimierung mit den genetischen Algorithmen eine funktio nierende Offline-Simulation voraus. Dabei muß beachtet wer den, daß die Zielfunktionen in Qualität und Quantität wech seln können, wobei ein Kompromiß aus verschieden unterschied lichen Zielvorstellungen mit unterschiedlicher Gewichtung verwendet wird. Hierzu benötigt man eine automatische Anpas sung des ermittelten Fitneßfaktors f an unterschiedliche Zielvorgaben.

In Fig. 3 ist die mathematische Vorgehensweise zur Berech nung der Qualitätskennzahl bei wechselnden Zielvorgaben dar gestellt. Dabei ergeben sich anhand der einzelnen Matrizen bzw. Einheiten 31 und 35 aus den Sollwertvorgaben vom Opera tor, den Istwerten der Simulation und dem Gewichtungsvektor vom Operator über die Berechnung relativer quadratischer Feh ler als Ergebnis die Berechnung des darauf bezogenen quadra tischen Summenfehlers und daraus der oben definierte Fitneß faktor f als

In Fig. 4 sind die Kriterien zum Abbruch einer Optimierung mit genetischen Algorithmen dargestellt: In Fig. 4a bedeutet 41 eine Einheit, in die der Fitneßfaktor f aus Fig. 3 einge geben wird und die einen Abbruch der Optimierung bei Unter schreiten einer vorgebbaren Fehlergrenze bewirkt.

In Fig. 4b ist eine Fuzzy-Logik-Einheit 45 vorhanden, der über Eingänge bestimmte Werte bzw. Funktionen eingegeben wer den, wobei für die Fuzzy-Einheit 45 bestimmte Regeln vorgege ben sind. Im einzelnen können die Istwerte aus einer Simula tion und spezifische Kosten aus einer Datenbank über eine Einheit 44 zur Kostenberechnung als Kosten der Fuzzy-Logik- Einheit neben der Qualitätskennzahl f aus Fig. 3 und Fig. 4 angegeben werden. Durch Anwendung der entsprechenden Regeln wird von der Fuzzy-Logik-Einheit 45 ein Abbruch des Kochvor ganges dann erzeugt, wenn ein Optimum aus den Einflußfaktoren "Kosten" und "Qualität" erreicht ist.

Claims

1. Verfahren zur Optimierung der Prozeßführung von Produk tionsvorgängen, bei denen Prozeßeinstellungen einer Anlage vorgegeben werden, wobei aus den Prozeßeinstellungen ein zelner Produktionsvorgänge Fälle erstellt werden, jeweils der aktuelle Fall durch eine Prognoseeinrichtung geschickt wird, die aus den Prozeßeinstellungen die fehlenden Produkteigen schaften berechnet, und wobei der einzelne Fall mit einem sogenannten Fitneßfaktor bewertet und angezeigt wird, da durch gekennzeichnet, daß zur Vorgabe und/oder Modifizierung von Prozeßeinstellungen genetische Algorithmen herangezogen werden und daß der Fitneßfaktor (f) berechnet wird und als Vergleichsgrundlage für Fitneßfaktoren (fi) der späteren Prozeßeinstellungen dient.

2. Verfahren nach Anspruch 1, dadurch gekenn zeichnet, daß mittels der genetischen Algorithmen aus einer Ausgangspopulation von Prozeßeinstellungen drei Individuen zufällig ausgewählt werden, daß dasjenige Indivi duum, das den schlechtesten Fitneßfaktor (f) hat, entfernt und durch eine Kombination aus den beiden anderen Individuen ersetzt wird.

3. Verfahren nach Anspruch 1, dadurch gekenn zeichnet, daß mittels der genetischen Algorithmen Prozeßeinstellungen als einzelne Individuen mutiert werden und daß die alten Prozeßeinstellungen durch Mutationen er setzt werden.

4. Verfahren nach Anspruch 1, dadurch gekenn zeichnet, daß zur Berechnung der Produkteigenschaf ten aus den Prozeßeinstellungen ein analytisches Modell her angezogen wird.

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

6. Verfahren nach Anspruch 1, dadurch gekenn zeichnet, daß zur Berechnung der Produkteigenschaf ten aus den Prozeßeinstellungen ein Neuronales Netz, das zyk lisch oder bei Bedarf trainiert wird, herangezogen wird.

7. Verfahren nach Anspruch 1, dadurch ge kennzeichnet, daß zur Berechnung der Produkt eigenschaften aus den Prozeßeinstellungen das sogenannte "Fallbasierte Lernen" eingesetzt wird.

8. Verfahren nach Anspruch 1, dadurch gekenn zeichnet, daß durch einen Evolutionsprozeß der Fitneßfaktor (f) zu einem Optimum gebracht wird.

9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß in den Fitneßfaktor (f) neben den Prozeßgrößen die Kosten, die Qualität und/oder ökologische Faktoren als Bewertungsfunktion eingehen.

10. Verfahren nach Anspruch 9, dadurch ge kennzeichnet, daß die Bewertungsfunktion der zusätzlichen Faktoren veränderbar ist und den aktuellen Randbedingungen der Produktion angepaßt wird.

11. Verfahren nach Anspruch 10, dadurch ge kennzeichnet, daß eine Online-Kopplung zum Prozeß besteht und daß der laufende Fall Ausgangspunkt zur Modifizierung der Prozeßeinstellungen ist.

12. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet in der Anwendung in der Papier industrie.

13. Verfahren nach Anspruch 12, gekennzeichnet in der Anwendung bei der Zellstoffkochung.

14. Verfahren nach Anspruch 1 und 12, dadurch ge kennzeichnet, daß der Fitneßfaktor die Produk tionsmenge pro Tonne Rohstoff "Holz" beinhaltet.

15. Verfahren nach Anspruch 1 und 12, dadurch ge kennzeichnet, daß der Fitneßfaktor der Gewinn pro Tonne "Zellstoff" beinhaltet.

16. Anordnung zur Durchführung des Verfahrens nach Anspruch 1 oder einem der Ansprüche 2 bis 15, gekennzeich net durch einen entsprechend programmierten Digitalrech ner mit einer Schnittstelle zu einem Automatisierungsgerät.