DE19643884A1 - Verfahren und Anordnung zur Optimierung der Prozeßführung von Produktionsvorgängen - Google Patents
Verfahren und Anordnung zur Optimierung der Prozeßführung von ProduktionsvorgängenInfo
- Publication number
- DE19643884A1 DE19643884A1 DE19643884A DE19643884A DE19643884A1 DE 19643884 A1 DE19643884 A1 DE 19643884A1 DE 19643884 A DE19643884 A DE 19643884A DE 19643884 A DE19643884 A DE 19643884A DE 19643884 A1 DE19643884 A1 DE 19643884A1
- Authority
- DE
- Germany
- Prior art keywords
- process settings
- fitness factor
- settings
- fitness
- case
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- D—TEXTILES; PAPER
- D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
- D21C—PRODUCTION OF CELLULOSE BY REMOVING NON-CELLULOSE SUBSTANCES FROM CELLULOSE-CONTAINING MATERIALS; REGENERATION OF PULPING LIQUORS; APPARATUS THEREFOR
- D21C7/00—Digesters
- D21C7/12—Devices for regulating or controlling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Paper (AREA)
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 Ci ab.
In Fig. 1 ist beispielhaft und schematisch ein Zusammenhang
von Konzentration Ci, Kochzeit t und Temperatur T darge
stellt. Die Konzentrationen Ci können entweder die Konzentra
tion Cl, d. h. von Lignin, oder die Konzentration Ck, 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 Ci 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, mZellstoff
(= Kochungen pro Tag × Anzahl Kocher × Holzmenge ×
Ausbeute)
- 2. Gewinn G pro Tonne Zellstoff
PZellstoff
= Preis Zellstoff in DM/Tonne = 1,200 DM/Tonne
PHolz
PHolz
= Preis Holz in DM/Tonne = 130 DM/Tonne
PGK
PGK
= Gemeinkosten pro Tag = 128,500 DM/Tag
to
to
= Umtriebszeit - Kochzeit = 6,5 h
n = Anzahl Kocher = 8
t = Kochzeit = zu optimieren
A = Ausbeute = zu optimieren
mHolz/Ko
n = Anzahl Kocher = 8
t = Kochzeit = zu optimieren
A = Ausbeute = zu optimieren
mHolz/Ko
= Holzmasse pro Kocher = 42 t/Kocher.
Als Fitneßfaktoren fi 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 fi, 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 fi 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 dcl/dt und
den Kohlehydratabbau dck/dt, nach folgender Vorschrift gebil
det werden:
mit folgenden Beziehungen für die Reaktionsgeschwindigkeiten:
Die Anfangsbedingungen bei t = 0 lauten:
CL, O = 0,2212
CK, O = 0,7788.
CL, O = 0,2212
CK, O = 0,7788.
Ergänzend sind folgende algebraische Beziehungen definiert:
Ausbeute = CL + CK
Kappazahl ≈ 6,50 . (CL/(CL+CK)) × 100 + 4,27.
Kappazahl ≈ 6,50 . (CL/(CL+CK)) × 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 (16)
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.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19643884A DE19643884C2 (de) | 1996-10-30 | 1996-10-30 | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19643884A DE19643884C2 (de) | 1996-10-30 | 1996-10-30 | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19643884A1 true DE19643884A1 (de) | 1998-05-07 |
DE19643884C2 DE19643884C2 (de) | 1998-11-26 |
Family
ID=7809658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19643884A Expired - Fee Related DE19643884C2 (de) | 1996-10-30 | 1996-10-30 | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19643884C2 (de) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0957416A1 (de) * | 1998-05-14 | 1999-11-17 | Yamaha Hatsudoki Kabushiki Kaisha | Globales Steuerungsverfahren |
DE19902056C1 (de) * | 1999-01-20 | 2000-10-19 | Daimler Chrysler Ag | Verfahren zur Festlegung einer Auftragsreihenfolge für Fertigungsanlagen |
US7002273B2 (en) | 2003-11-27 | 2006-02-21 | Nexans | Magnetic bearing |
WO2010092430A1 (en) * | 2009-02-13 | 2010-08-19 | Abb Research Ltd | A method and a system for optimization of parameters for a recovery boiler |
WO2010128354A1 (en) * | 2009-05-06 | 2010-11-11 | Abb Research Ltd | A method and a system for on-line optimization of a batch pulp digester |
WO2015039788A1 (de) * | 2013-09-18 | 2015-03-26 | Ambrosys GmbH | Verfahren zur optimierung der leistungsfähigkeit eines turbulenten oder chaotischen system mittels genetischer programmierung |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004013924B3 (de) * | 2004-03-22 | 2005-09-01 | Siemens Ag | Vorrichtung zur kontextabhängigen Datenanalyse |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4200260A1 (de) * | 1992-01-08 | 1993-07-22 | Dieter W Dr Ing Vetterkind | Prozess-evolutionsrechner |
EP0658833A1 (de) * | 1993-11-23 | 1995-06-21 | Siemens Aktiengesellschaft | Vorrichtung zur Führung eines technischen Prozesses, welche aus On-line- und Off-line-Prozessmesswerten Sollwerteinstellungen für die optimale Prozessführung in Form von klassifizierten, komprimierter Zuordnungsmesswertesätzen automatisch generiert |
DE19518804A1 (de) * | 1994-05-27 | 1995-12-21 | Fraunhofer Ges Forschung | Verfahren zur Überwachung eines Produktionsprozesses |
DE19519627A1 (de) * | 1995-05-29 | 1996-12-05 | Siemens Ag | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen |
-
1996
- 1996-10-30 DE DE19643884A patent/DE19643884C2/de not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4200260A1 (de) * | 1992-01-08 | 1993-07-22 | Dieter W Dr Ing Vetterkind | Prozess-evolutionsrechner |
EP0658833A1 (de) * | 1993-11-23 | 1995-06-21 | Siemens Aktiengesellschaft | Vorrichtung zur Führung eines technischen Prozesses, welche aus On-line- und Off-line-Prozessmesswerten Sollwerteinstellungen für die optimale Prozessführung in Form von klassifizierten, komprimierter Zuordnungsmesswertesätzen automatisch generiert |
DE19518804A1 (de) * | 1994-05-27 | 1995-12-21 | Fraunhofer Ges Forschung | Verfahren zur Überwachung eines Produktionsprozesses |
DE19519627A1 (de) * | 1995-05-29 | 1996-12-05 | Siemens Ag | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen |
Non-Patent Citations (1)
Title |
---|
Rüdiger Brause, "Neuronale Netze", B.G. Teubner Stuttgart, 1995, S. 398-407 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0957416A1 (de) * | 1998-05-14 | 1999-11-17 | Yamaha Hatsudoki Kabushiki Kaisha | Globales Steuerungsverfahren |
US6397113B1 (en) | 1998-05-14 | 2002-05-28 | Yamaha Hatsudoki Kabushiki Kaisha | Integrated control system |
DE19902056C1 (de) * | 1999-01-20 | 2000-10-19 | Daimler Chrysler Ag | Verfahren zur Festlegung einer Auftragsreihenfolge für Fertigungsanlagen |
US7002273B2 (en) | 2003-11-27 | 2006-02-21 | Nexans | Magnetic bearing |
WO2010092430A1 (en) * | 2009-02-13 | 2010-08-19 | Abb Research Ltd | A method and a system for optimization of parameters for a recovery boiler |
CN102395926A (zh) * | 2009-02-13 | 2012-03-28 | Abb研究有限公司 | 用于优化回收锅炉参数的方法和系统 |
US8914142B2 (en) | 2009-02-13 | 2014-12-16 | Abb Research Ltd | Method and a system for optimization of parameters for a recovery boiler |
CN102395926B (zh) * | 2009-02-13 | 2016-02-10 | Abb研究有限公司 | 用于优化回收锅炉参数的方法和系统 |
WO2010128354A1 (en) * | 2009-05-06 | 2010-11-11 | Abb Research Ltd | A method and a system for on-line optimization of a batch pulp digester |
WO2015039788A1 (de) * | 2013-09-18 | 2015-03-26 | Ambrosys GmbH | Verfahren zur optimierung der leistungsfähigkeit eines turbulenten oder chaotischen system mittels genetischer programmierung |
Also Published As
Publication number | Publication date |
---|---|
DE19643884C2 (de) | 1998-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016209032B3 (de) | Bildbegebendes Verfahren zum Durchführen einer medizinischen Untersuchung nebst zugehörigem Bildgebenden System und zugehörigem Computerprogrammprodukt | |
DE102016009106A1 (de) | Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine | |
DE10341764A1 (de) | Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems | |
DE102016011525B4 (de) | Vorrichtung für maschinelles Lernen und Spulen-Produktionsvorrichtung | |
DE4008510A1 (de) | Regeleinheit mit optimal-entscheidungsmitteln | |
DE4338615A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE102010048409A1 (de) | Verfahren und Vorrichtung zur Optimierung eines Produktionsprozesses | |
DE102018126429A1 (de) | Bearbeitungsbedingungsanpassungsvorrichtung und Maschinenlernvorrichtung | |
DE19637917C2 (de) | Verfahren und Einrichtung zum Entwurf oder zur Steuerung des Prozeßablaufs einer Anlage der Grundstoffindustrie | |
DE19643884C2 (de) | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen | |
WO2021190921A1 (de) | Computerimplementiertes verfahren für eine produktionsplanung und/oder -steuerung eines produktionssystems und produktionsplanung und/oder-steuerungssystem zur produktionsoptimierung | |
WO2021190919A1 (de) | Computerimplementiertes verfahren für eine produktionsplanung und/oder -steuerung eines produktionssystems und produktionsplanung und/oder -steuerungssystem | |
DE4121453C2 (de) | Näherungsschlußfolgerungsvorrichtung | |
WO2009053137A2 (de) | Verfahren zum computergestützten ermitteln mindestens einer eigenschaft einer haarcoloration | |
EP4047431A1 (de) | Verfahren und vorrichtung zum automatisierten bestimmen einer optimierten prozesskonfiguration eines prozesses zur herstellung oder bearbeitung von produkten | |
AT522639B1 (de) | Vorrichtung und Verfahren zum Visualisieren oder Beurteilen eines Prozesszustandes | |
DE19519627C2 (de) | Verfahren zur Optimierung der Prozeßführung von Produktionsvorgängen | |
DE102022127260A1 (de) | Prozesskennzahlermittlung | |
DE10011607A1 (de) | Verfahren und Vorrichtung sowie Computerprogrammprodukt zum Betrieb einer technischen Anlage | |
WO2018041581A1 (de) | Verfahren zur steuerung einer faserstoffbahnherstellungsmaschine | |
DE112018003770T5 (de) | Anzeige, Anzeigeverfahren und Anzeigesystem | |
DE10116773A1 (de) | Verfahren zur Ermittlung von Spannungs-Dehnungskurven mittels Splineinterpolation auf Basis charakteristischer Punkte und unter dem Einsatz neuronaler Netze | |
DE4117790C2 (de) | Vorrichtung zur Signalverarbeitung | |
DE102022123025A1 (de) | Verfahren zur Unterstützung einer Durchführung eines Prozesswechsels, Computerprogrammprodukt sowie System | |
DE1288825B (de) | Vorrichtung zur Steuerung einer Mehrzahl von Anlagen eines Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |