DE19727795C1 - Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser Größe - Google Patents
Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser GrößeInfo
- Publication number
- DE19727795C1 DE19727795C1 DE19727795A DE19727795A DE19727795C1 DE 19727795 C1 DE19727795 C1 DE 19727795C1 DE 19727795 A DE19727795 A DE 19727795A DE 19727795 A DE19727795 A DE 19727795A DE 19727795 C1 DE19727795 C1 DE 19727795C1
- Authority
- DE
- Germany
- Prior art keywords
- time
- variable
- permanganate number
- variables
- process variable
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Description
Die Erfindung bezieht sich auf die Modellierung einer schwer
zu bestimmenden Prozeßgröße eines technischen oder chemischen
Prozesses.
Bei technischen oder chemischen Prozessen tritt häufig das
Problem auf, daß für den Prozeßablauf relevante Entschei
dungsgrößen schwer bestimmbar, bzw. nicht meßbar sind. Diese
Prozeßgrößen können beispielsweise Indikatoren darstellen,
anhand denen der Prozeß weitergeführt werden muß, bzw. anhand
denen das Prozeßende bestimmt werden kann.
Ein Beispiel eines solchen technischen bzw. chemischen Pro
zesses ist die Zellstoffkochung. Bei der Zellstoffkochung ist
die Permanganatzahl ein wichtiger Prozeßindikator. Durch sie
wird hauptsächlich die Qualität des produzierten Zellstoffes
bestimmt. Aus diesem Grund hängt die Regelung des Kochprozes
ses und dabei insbesondere die Prozeßdauer, die Temperatur
und das Druckprofil von der aktuellen Permanganatzahl ab.
Dieser wichtige Indikator ist jedoch während des Prozesses
der Zellstoffkochung nicht meßbar. Folglich muß die Regelung
des Prozesses auf einer Schätzung der Permanganatzahl basie
ren, die durch die Messung anderer, verfügbarer Prozeßgrößen
und durch die Nutzung von Vorwissen über den Prozeß erreicht
wird.
Im Stand der Technik existieren verschiedene Permanganatzahl
modelle. Die meisten davon basieren auf der Korrelationsana
lyse und sind statisch, während die existierenden dynamischen
Modelle gewöhnlicherweise nur in bestimmten Intervallen des
Kochprozesses gültig sind. Ein Beispiel ist in: K. Fischer
und I. Schmidt "Kinetics of cellulose and lignin degradation
during the acid bisulfite process and the possibilities for
cooking control", Tappi Journal, Vol. 74, No. 1, January
1991, pp. 181-185, angegeben. Derzeit existieren keine prak
tikablen Lösungen die auf Basis von Differentialgleichungen
die Permanganatzahl bestimmen.
Aus US 5 486 996 A ist ein neuronaler Regler bekannt, bei dem
vorgegebene Referenzwerte mit gemessenen Werten eines
technischen Systems einem neuronalen Netz zugeführt werden.
Ferner werden dem neuronalen Netz Prozeßparameter zugeführt.
Die Ausgangsgröße u des neuronalen Netzes ist eine
Eingangsgröße des Systems. Mit der Ausgangsgröße u wird das
System gesteuert. Das System ist durch ein
Differentialgleichungssystem beschreibbar, wobei die
Ausgangsgröße u des neuronalen Netzes einen Parameter
innerhalb des Differentialgleichungssystems darstellt.
Aus EP 0 609 999 A1 ist bekannt, für mehrere Prozeßgrößen
mehrere neuronale Netze zu deren Modellierung einzusetzen.
Aus DE 195 10 008 C2 ist ein Verfahren zur Prozeßführung bei
der Zellstoff- und/oder Papierherstellung unter Verwendung
mindestens einer Meßeinrichtung zur Erfassung physikalischer
Kennwerte und wenigstens einer Regeleinrichtung bekannt. Bei
dem Verfahren und der Vorrichtung werden mit der
Meßeinrichtung spektrale Kennwerte bei unterschiedlichen
Wellenlängen mindestens der Ausgangsstoffe bei der Zellstoff-
und/oder Papierherstellung erfaßt und die Ausgangsstoffe
(entweder der Rohstoff "Holz" in Form Holzhackschnitzeln oder
in Form von aus Baumstämmen erzeugten Holzschliffteilchen,
oder der Sekundärrohstoff "Altpapier") kontinuierlich an der
Meßeinrichtung zur Erfassung der spektralen Kennwerte
vorbeigeführt werden.
Die der Erfindung zugrundeliegende Aufgabe besteht darin, ein
Verfahren und eine Anordnung zur Modellierung einer Prozeß
größe anzugeben, die schwer zu bestimmen ist und für deren
Zeitabhängigkeit lediglich die Form der Differentialgleichung
bekannt ist, deren Parameter jedoch wieder von weiteren Pro
zeßgrößen nicht linear abhängig sind.
Die Aufgabe wird für das Verfahren gemäß den Merkmalen des
Patentanspruches 1 und für die Anordnung gemäß den Merkmalen
des Patentanspruches 7 gelöst.
Weiterhin liegt der Erfindung die Aufgabe zugrunde ein Ver
fahren und eine Anordnung zur Steuerung eines Prozesses mit
dieser modellierten Prozeßgröße anzugeben.
Diese Aufgabe wird für das Verfahren gemäß den Merkmalen des
Patentanspruches 6 und für die Anordnung gemäß den Merkmalen
des Patentanspruches 9 gelöst.
Weiterbildungen der Erfindung ergeben sich aus den abhängigen
Ansprüchen.
Besonders vorteilhaft wird durch die Erfindung ein unbekann
ter Parameter von der Lösung der Differentialgleichung, deren
Form bekannt ist und der von weiteren Prozeßgrößen nicht li
near abhängig ist, durch mindestens ein neuronales Netz mo
delliert. Dazu wurde dieses neuronale Netz mit Hilfe von be
kannten Prozeßdaten trainiert. Die Erfindung stellt somit
eine Kombination eines analytischen und eines Modellansatzes
dar.
Besonders vorteilhaft werden bei dem erfindungsgemäßen Ver
fahren statische und dynamische Prozeßgrößen unterschieden
und jeweils verschiedenen neuronalen Netzen zugeordnet. Damit
lassen sich die Anfangsbedingungen der Lösungsgleichung und
die dynamischen Komponenten separat modellieren.
Besonders vorteilhaft werden die zeitlich variablen Prozeß
größen, welche die zu modellierende Prozeßgröße stark beein
flussen, gemessen und bezüglich zeitlichen Veränderung bewer
tet. Dies führt dazu, daß Größen die sich nicht so stark än
dern dem neuronalen Netz, dem sie zugeführt werden, nicht
eine so hohe Rechenleistung abfordern.
Besonders vorteilhaft wird die Permanganatzahl eines Zell
stoffkochprozesses modelliert, da mit dem erfindungsgemäßen
Verfahren über die Vorhersage der Prozeßdauer, Zellstoff mit
hoher Qualität hergestellt werden kann.
Besonders vorteilhaft werden als dynamische Größen bei der
Zellstoffkochung der PH-Wert, die Temperatur bzw. die Hellig
keit des Zellstoffs verwendet und bezüglich ihrer zeitlichen
Veränderung bewertet, da diese Größen den dynamischen Prozeß
verlauf in starkem Maße beeinflussen.
Besonders vorteilhaft wird ein Zellstoffkochprozeß über eine
erfindungsgemäß modellierte Permanganatzahl gesteuert, welche
sukzessive mit einer gewünschten Permanganatzahl verglichen
wird, indem in das Modell eine Probeprozeßdauer eingegeben
wird, worauf das Modell für diese Prozeßdauer die entspre
chende Permanganatzahl ausgibt. Durch einen Vergleich dieser
Permanganatzahl mit der gewünschten Permanganatzahl, kann die
Zeitdauer des Prozesses entsprechend erhöht oder erniedrigt
werden und auf diese Weise die Prozeßdauer, die zur gewünsch
ten Permanganatzahl führt, sehr genau bestimmt werden. Beson
ders vorteilhaft wird durch die erfindungsgemäße Bewertung
der dynamischen Kenngrößen die Aussage der Prozeßdauer gegen
Prozeßende immer genauer, da die Dynamikcharakteristik der
dynamischen Kenngrößen des Prozesses über eine längere Pro
zeßdauer gemessen wurde und somit die Aussage des neuronalen
Netzes, welches die Dynamik des Prozesses modelliert, immer
genauer wird.
Besonders vorteilhaft ist eine Anordnung zur Modellierung der
Permanganatzahl eines Zellstoffkochprozesses, bei der zwei
separate neuronale Netze zur Nachbildung der Lösungsglei
chungsparameter für die Anfangsbedingungen bzw. für die dyna
mischen Bedingungen des Zellstoffkochprozesses vorgesehen
sind. Diese werden vorteilhaft durch eine Recheneinheit er
gänzt, der diese von den neuronalen Netzen bestimmten Lö
sungsgleichungsparameter zugeführt werden und welches daraus
in Abhängigkeit einer vorgegebenen Prozeßzeit und der Lö
sungsgleichung eine zustandekommende Permanganatzahl berech
net. Auf diese Weise läßt sich die Erfindung mit möglichst
geringem Aufwand realisieren.
Vorteilhaft ist eine zusätzliche Recheneinheit vorgesehen,
welche die dynamischen Meßgrößen des Prozesses bezüglich ih
rer Zeitabhängigkeit aufbereitet und dem zweiten neuronalen
Netz lediglich die Zeitcharakteristika dieser Kenngrößen zu
führt, weil dadurch eine On-line-Adaption des zweiten neuro
nalen Netzes gewährleistet ist.
Besonders vorteilhaft ist eine Anordnung zur Steuerung des
Prozesses der Zellstoffkochung, die sich die Anordnung zu der
Modellierung der Permanganatzahl bei der Zellstoffkochung zu
nutze macht und diese durch einen Vergleicher ergänzt, der
die berechnete Permanganatzahl mit einer Zielpermanganatzahl
vergleicht und fallweise einen Zeitgeber ansteuert, der die
Vorgabezeit für die Recheneinheit, welche die Permanganatzahl
berechnet entsprechend abändert, bis die Zielpermanganatzahl
gefunden wird. Vorteilhaft wird der Prozeß genau nach der für
diese Permanganatzahl zuständigen Prozeßdauer abgestoppt, da
dadurch eine hohe Zellstoffqualität erzielt wird.
Im folgenden wird die Erfindung anhand von Figuren weiter er
läutert.
Fig. 1 zeigt als Beispiel einen Aufbereitungsprozeß für ein
erfindungsgemäßes Verfahren.
Fig. 2 zeigt als Beispiel den Ablauf eines erfindungsgemäßen
Verfahrens im Betrieb.
Fig. 3 zeigt als Beispiel eine erfindungsgemäße Anordnung
zur Zellstoffkochung.
Wie Fig. 1 zeigt, besteht eine Aufbereitungsphase für ein
erfindungsgemäßes Verfahren beispielsweise im Prozeßschritten
100 bis 600. In einem Prozeßschritt 100 werden beispielsweise
über mehrere Prozeßverläufe Prozeßgrößen, die den Prozeß be
einflussen, gemessen und gespeichert. In einem Prozeßschritt
200 wird dann beispielsweise eine Prozeßgröße PG1 definiert,
welche schwer zu bestimmen ist und welche einen wichtigen In
dikator für den Prozeß darstellt. In einem Prozeßschritt 300
wird, wie Fig. 1, weiter zeigt beispielsweise die Differen
tialgleichung bestimmt, welche den Prozeßverlauf beschreibt,
bzw. die Abhängigkeit der Prozeßgröße PG1 von weiteren Pro
zeßgrößen angibt und eine Lösung bekannter Form gesucht. Eine
allgemeine Gleichung kann hierbei beispielsweise
= f(x,u) (1*)
mit
x(0) = α sein
und der bekannten Form
f = a1x2 + a2x.u der Lösung
mit den unbekannten Parametern a1 und a2, welche beispiels
weise nicht linear von mindestens einer weiteren Prozeßgröße
abhängen und der unbekannten Anfangsbedingung x(0)=α.
Im Anschluß werden in einem Prozeßschritt 400 die Parameter
PG2 der Lösung bekannter Form bestimmt, welche in nichtlinea
rer Weise von weiteren Prozeßgrößen PG2 des Prozesses abhäng
en. Insbesondere kann hier auch die Anzahl dieser Parameter
bestimmt werden. Wie Fig. 1 weiter zeigt, kann in einem Pro
zeßschritt 500 falls es Anzeichen dafür gibt, daß sich die
Prozeßgrößen PG2 in statische und dynamische Prozeßgrößen
aufteilen lassen eine Identifikation dieser statischen und
dynamischen Prozeßgrößen durchgeführt werden. In einem ab
schließenden Schritt werden die neuronalen Netze, welche vor
zugsweise der Anzahl der nicht linearen Parameter entspre
chend mit den gemessenen Prozeßgrößen aus dem Schritt 100
trainiert, wobei die Targetgröße die Parameter der Lösung der
Differentialgleichung darstellen. Für den allgemeinen Fall
lassen sich die Parameter in allgemeiner Form wie folgt dar
stellen:
a1 = g1(u1, . . ., uN) (2*)
a2 = g2 (u2, . . ., uN)
x(0) = g3(u2), . . ., uN).
a2 = g2 (u2, . . ., uN)
x(0) = g3(u2), . . ., uN).
Erfindungsgemäß lassen sich diese Parameter, wenn sie nicht
linear von weiteren Prozeßgrößen abhängen, beispielsweise
durch separate neuronale Netze modellieren.
Falls sich statische und dynamische Parameter separieren las
sen, so ergeben sich beispielsweise:
(u1, . . ., u3) (3*)
als statische und
(u4, . . ., uN+t) (4*)
als dynamische Prozeßgrößen.
Hieraus ergeben sich die Parameter zu:
ai = gi(u1, . . ., u3, u4(t), . . ., uN(t)) (5*)
und die Anfangsbedingungen zu:
für t = 0 ai = gi(u1, . . ., u3, u4(t = 0), . . ., uN(t=0)) (6*)
für t<0 gilt ai = ai(t)
für t<0 gilt ai = ai(t)
Für den Fall der Zellstoffkochung besteht die Differential
gleichung für das Modell der Permanganatzahl darin, daß sie
den exponentiellen Abfall der Permanganatzahl während des
Prozesses beschreibt. Dieser Zusammenhang ist durch die Glei
chungen (1) und (2) gegeben
Gleichung (1) und (2) sind dabei von der Form der Arhenius-Dif
ferentialgleichung. Dabei sind die zwei unbekannten Koef
fizienten der Gleichung, die maßgeblich für die Anfangsbe
dingungen und die Zeitkonstante des Systems sind, vorteilhaft
durch zwei neuronale Netze zu modellieren. Die Netze werden
bevorzugt mit den Daten vergangener Zellstoffkochungen trai
niert. In diesem Zusammenhang ist es wichtig zu betonen, daß
die Permanganatzahl von 0, also die Anfangsbedingung einen
starken numerischen Einfluß hat, während ihre physikalische
Bedeutung vernachlässigbar ist. Bevorzugt werden zu Beginn
jeder neuen Kochung die beiden unbekannten Koeffizienten des
Kochmodells durch das erste neuronale Netz modelliert. Die
Eingaben des ersten neuronalen Netzes (Fig. 3 NN1) sind bei
spielsweise die anfänglichen Prozeßvariablen, sowie die Tem
peratur, der PH-Wert und die Helligkeit zu Beginn der Koch
phase. Damit realisiert das erste neuronale Netz das beste
dynamische Modell der Permanganatzahl basierend nur auf den
Anfangsbedingungen, d. h. basierend auf den Variablen, die
sich während des Prozeßablauf nicht ändern. Insbesondere sind
für das Training der neuronalen Netze folgende Variablen maß
geblich:
- 1) [SO2_freies.Kochsäurenmenge+SO2/Holz_ist] Holz_atro
- 2) Wassergehalt
- 3) Kochsäure.Kochsäuremenge/Holz_atro
- 4) Temperatur (Koch_Begin)
- 5) PH(Koch_Begin)
- 6) Helligkeit (Koch_Begin)
- 7) Hydromodul= [SO2/Holz_ist+Kochsäuremenge+Wassergehalt. Holz_lutro]/Holz_atro
- 8) Temperatur Integral zwischen 100°C Punkt und Koch_Begin Zeit.
Die Konstanten der bekannten Lösung der Differentialgleichung
(2) sind durch Gleichung (3) gegeben:
PN(O) = K1 2K2 2k = w2W1 2 (3)
Während der Prozeß fortschreitet, setzt beispielsweise das
zweite neuronale Netz die Feinabstimmung der vorher bestimm
ten Koeffizienten um, indem die Dynamik in der Temperatur,
dem PH-Wert und der Helligkeit genutzt werden. Die Temperatur
und der PH-Wert werden dabei insbesondere als lineare dynami
sche Prozesse modelliert, welche durch die Gleichungen (4)
und (5) gegeben sind
T = kT.t (4)
PH = kPH.t (5).
PH = kPH.t (5).
Die Helligkeit wird dabei bevorzugt durch eine exponentielle
Funktion der Zeit modelliert, welche durch Gleichung (6) ge
geben ist
Die Koeffizienten dieser Modelle werden beispielsweise On
line während des Prozesses gemessen, d. h. sobald eine neue
Messung verfügbar wird, berechnet. Diese Koeffizienten sind
beispielsweise die Eingaben des zweiten neuronalen Netzes
(Fig. 3 NN2). Bevorzugt kann mit diesen Koeffizienten bzw.
Zeitcharakteristika das zweite neuronale Netz (Fig. 3 NN2)
das gesamte Permanganatzahlmodell während des Prozesses, und
insbesondere dann wenn neue Messungen vorliegen, aktualisie
ren. Ein Vorteil dieser Anpassung besteht darin, daß sie von
den Modellkoeffizienten, d. h. von den Zeitcharakteristika
der dynamischen Parameter abhängt und nicht explizit von den
Parametern selbst. Für den Fall einer linearen Veränderung
der Temperatur bedeutet dies, daß der zugehörige Eingang des
zweiten neuronalen Netzes (Fig. 3, NN2), dem hier beispiels
weise der Anstieg der Temperatur zugeordnet ist, konstant
bleiben wird, obwohl sich die aktuelle Temperatur kontinuier
lich ändert. Durch diese Vorgehensweise konvergieren die Ein
gaben des zweiten Netzes gegen konstante Werte und das Ge
samtmodell gegen das optimale Modell der Permanganatzahl.
Solch ein Modell der Permanganatzahl kann insbesondere dazu
benutzt werden um die benötigte Prozeßdauer unter festen Pro
zeßbedingungen zu bestimmen, oder um durch Simulation zu er
mitteln wie die Prozeßantwort auf beliebige Veränderungen der
Variablen des Reglungsprozesses, wie beispielsweise der Tem
peratur und der chemischen Konzentrationen aussieht. Obwohl
hier auf das spezielle Ausführungsbeispiel der Zell
stoffkochung Bezug genommen wurde, kann sich der Fachmann
leicht andere Prozesse vorstellen, für den die erfindungsge
mäße Vorgehensweise vorteilhaft anwendbar ist und gemäß den
angegebenen Regeln für den Aufbereitungsprozeß auch andere
Prozesse so gestalten, daß er neuronale Netze für die Model
lierung von Koeffizienten für Differentialgleichungen heran
ziehen kann.
Wie Fig. 2 zeigt, besteht ein Verfahren zur Steuerung eines
Prozesses für die Zellstoffkochung beispielsweise aus Verfah
rensschritten 1000 bis 5000. In einem Schritt 1000 werden die
Prozeßgrößen gemessen, bzw. bestimmt und aufbereitet. In ei
nem weiteren Verfahrensschritt 2000 werden die neuronalen
Netze (Fig. 3, NN1, NN2) mit diesen gemessen bzw. aufberei
teten Größen versorgt und es wird die Permanganatzahl anhand
der durch die neuronalen Netze bestimmten, von den Prozeßgrö
ßen nicht linear abhängigen Parameter der Lösungsgleichung,
in Verfahrensschritt 3000 berechnet. Hierzu wird dem Verfah
rensschritt 3000 eine Zeit als Prozeßdauer vorgegeben, nach
der diese Permanganatzahl erreicht werden soll. In einem wei
teren Verfahrensschritt 4000 wird die modellierte Permanga
natzahl mit einer Zielpermanganatzahl verglichen, und abhäng
ig davon ob diese Zielpermanganatzahl hinreichend genau durch
die ermittelte Permanganatzahl erreicht wird, wird entweder
der Prozeß nach der im Verfahrensschritt 3000 zugeführten
Zeit angehalten. Falls die Zielpermanganatzahl nicht genau
genug modelliert wurde, d. h. die zur Verfügung gestellte
Prozeßzeit im Verfahrensschritt 3000 nicht richtig war, so
wird in Abhängigkeit von dem Vergleichsergebnis aus dem Ver
fahrensschritt 4000 eine Deltazeit vorgegeben und zur Vorga
bezeit im Verfahrensschritt 3000 in einer Summationsstelle
3500 auf addiert und erneut eine Permanganatzahl im Verfah
rensschritt 3000 modelliert. Dieser Schritt wird bevorzugt
solange durchgeführt, bis die Prozeßdauer hinreichend genau
ermittelt wurde, d. h. die Permanganatzahl, die durch den
Verfahrensschritt 3000 bestimmt wurde, hinreichend genau mit
der Zielpermanganatzahl, die die gewünschte Qualität des
Zellstoffes repräsentiert, übereinstimmt. Die so ermittelte
Prozeßdauer wird in einem Prozeßschritt 5000 verwendet, um
den Prozeß nach dieser Dauer anzuhalten.
Wie Fig. 3 zeigt, besteht ein Beispiel für eine erfindungs
gemäße Anordnung zur Steuerung eines Zellstoffkochprozesses
aus zwei neuronalen Netzen NN1 und NN2 und Rechenmitteln RM1
und RM2. Weiterhin sind Meßmittel MM1, Vergleichsmittel VGL
und Zeitvorgabemittel TIM, sowie Prozeßsteuermittel PSM vor
gesehen. Da sich bei der Zellstoffkochung statische und dyna
mische Parameter gut voneinander trennen lassen, werden dem
neuronalen Netz im wesentlichen die statischen Parameter I1
bis I8 über Leitungen 110 bis 180 zugeführt. Bei diesen Grö
ßen handelt es sich bevorzugt um die maßgeblichen Kenngrößen
für den Zellstoffkochprozeß, die zuvor bei Fig. 1 beschrie
ben wurden. Das neuronale NN1 zeugt daraus Konstanten K1 und
w, welche über Leitungen 185 und 190 dem Rechenmittel RM1 zu
geführt werden. Weiterhin sind in Fig. 3 Meßmittel MM1 dar
gestellt, welche am Prozeß dynamisch veränderliche Parameter
ermitteln und diese den Rechenmitteln RM2 über eine Leitung
240 zur Verfügung stellen. Die Rechenmittel RM2 erzeugen über
eine Bewertung dieser Meßwerte Zeitcharakteristika dieser dy
namischen Prozeßparameter, welche über Leitungen 210 bis 230
als Trate, PHrate und Helligex dem neuronalen Netz NN2 zur
Verfügung gestellt werden. Die Messung dieser Prozeßparameter
durch die Meßmittel MM1 erfolgt dabei bevorzugt in regelmäßi
gen Abständen am Prozeß. Das neuronale Netz NN2 erzeugt die
Konstanten K2 und W1 der Lösung der Differentialgleichung mit
der die Permanganatzahl modelliert wird und stellt diese über
Leitungen 250 und 260 den Rechenmitteln RM1 zur Verfügung.
Als weitere Eingangsgröße erhält das Rechenmittel RM1 von dem
Zeitvorgabemittel TIM über eine Leitung 410 eine Vorgabezeit
für die Prozeßdauer zur Verfügung gestellt, nach der diese
Permanganatzahl zu bestimmen ist. In den Rechenmitteln RM1
wird bevorzugt die Gleichung (2) ausgeführt und eine Perman
ganatzahl PN über eine Leitung 310 an die Vergleichsmittel
VGL abgegeben. Diese Vergleichsmittel vergleichen die Ziel
permanganatzahl ZPN, welche die Qualität des Zellstoffkoch
prozesses repräsentiert und welche sie über eine Leitung 320
erhalten, mit der aktuell nach dieser von den Zeitvorgabemit
teln vorgegebenen Prozeßdauer ermittelten Permanganatzahl PN
und legen fallweise fest, ob die Zeitvorgabemittel eine neue
Zeit vorgeben müssen, oder ob die Permanganatzahl hinreichend
genau mit der Zielpermanganatzahl ZPN übereinstimmt. Vorzugs
weise kann eine Schranke für die Zielpermanganatzahl ZPN
festgelegt sein, innerhalb der die Bedingung für das Quali
tätserfordernis der Zellstoffkochung erfüllt ist. Falls die
Qualität stimmt, so wird die so ermittelte Prozeßdauer an die
Prozeßsteuermittel PSM über Leitung 520 weitergegeben und der
Prozeß wird von dem Prozeßsteuermittel PSM bevorzugt mittels
eines Signales PST nach der so bestimmten Prozeßdauer ange
halten. Falls dies nicht der Fall ist, wird in Abhängigkeit von
dem Vergleichsergebnis der Zeitgeber TIM über die Leitung
510 angesteuert und es wird entweder die Prozeßdauer erhöht
oder erniedrigt und erneut eine Permanganatzahl bestimmt.
Diese Verfahrensweise kann solange durchgeführt werden, bis
die Prozeßdauer, welche zur gewünschten Qualität des Zell
stoffes führt, hinreichend genau bestimmt wurde. Insbesondere
können die neuronalen Netze NN1, NN2 nach jedem Zell
stoffkochvorgang an die aktuellen Prozeßparameter angepaßt
werden, d. h. sie können nachtrainiert werden.
Claims (9)
1. Verfahren zur neuronalen Modellierung einer ersten Prozeß
größe mit folgenden Merkmalen:
- a) Die Zeitabhängigkeit der ersten Prozeßgröße (PN) ist durch eine parameterabhängige Differentialgleichung von bekann ter Lösungsform gegeben, wobei mindestens einer der Lö sungsparameter nicht linear von mindestens einer zweiten Prozeßgröße abhängt;
- b) die oder jede nicht lineare Funktion welche die Abhängig keit des oder der Lösungsparameter von der oder jeder zweiten Prozeßgröße angibt, wird mittels je eines neurona len Netzes (NN1, NN2) modelliert, welches mit meßbaren Prozeßgrößen (I1, . . ., I8) trainiert wurde.
2. Verfahren nach Anspruch 1 mit folgenden Merkmalen:
- a) Es werden zweite Prozeßgrößen zur Festlegung der Anfangs bedingungen des Prozesses identifiziert;
- b) es werden zeitlich veränderliche zweite Prozeßgrößen (T, PH, Hellig) identifiziert;
- c) eines der neuronalen Netze (NN2) wird mit Daten über die zeitliche Veränderlichkeit (Trate, Phrate, Helligex) der unter b) identifizierten zweiten Prozeßgrößen versorgt, um die Prozeßdynamik bei der Modellierung der ersten Prozeß größe (PN) zu modellieren.
3. Verfahren nach Anspruch 2,
bei dem die Daten über die zeitliche Veränderlichkeit der
unter Anspruch 2b identifizierten Prozeßgrößen bestimmt
werden, indem diese Prozeßgrößen (T, PH, Hellig) am Prozeß
zeitabhängig gemessen werden und ihre zeitliche Veränder
lichkeit bestimmt (RM2) wird.
4. Verfahren nach einem der vorangehenden Ansprüche,
bei dem als erste Prozeßgröße die Permanganatzahl (PN) bei
der Zellstoffkochung modelliert wird und als zweite Pro
zeßgröße mindestens eine der folgenden Größen Verwendung
findet:
- - [SO2_freies.Kochsäurenmenge+SO2/Holz_ist] Holz_atro
- - Wassergehalt
- - Kochsäure.Kochsäuremenge/Holz_atro
- - Temperatur (Koch_Begin)
- - PH (Koch_Begin)
- - Helligkeit (Koch_Begin)
- - Hydromodul= [SO2/Holz_ist+Kochsäuremenge+Wassergehalt. Holz_lutro]/Holz_atro
- - Temperatur Integral zwischen 100°C Punkt und Koch_Begin
- - Zeit.
5. Verfahren nach Anspruch 4 in Kombination mit Anspruch 2
oder 3, bei dem als dynamische Prozeßgröße mindestens die
Temperatur, der PH-Wert, oder die Helligkeit des Zellstof
fes Verwendung finden.
6. Verfahren zur Prozeßsteuerung,
- a) bei dem die erste Prozeßgröße (PN) nach einem der Ansprü che 1 bis 5 modelliert wird,
- b) bei dem eine bestimmte durch den Prozeß zu erreichende erste Zielprozeßgröße (ZPN) vorgegeben wird,
- c) und bei dem ein Prozeßende, an dem diese erste Zielprozeß größe (ZPN) erreicht sein wird, bestimmt wird, indem wäh rend des Prozesses probeweise anhand des Modells der er sten Prozeßgröße, mit einer Probezeit als Prozeßdauer, die erste Prozeßgröße bestimmt wird, wobei diese erste Prozeß größe (PN) mit der ersten Zielprozeßgröße (ZPN) in Form eines Vergleichsergebnisses verglichen wird und die Probe zeit solange in Abhängigkeit von dem Vergleichsergebnis verändert wird, bis die erste Zielprozeßgröße (ZPN) mit einer vorgegebenen Genauigkeit errechnet wird, wobei dann die aktuell verwendete Probezeit als Prozeßende zur Steue rung des Prozesses dient.
7. Anordnung zur Modellierung der Permanganatzahl eines Zell
stoffkochprozesses in Abhängigkeit von der Prozeßdauer,
- a) bei der ein erstes neuronales Netz (NN1) zur Bestimmung von ersten Konstanten (K1, w) für Anfangsbedingungen des Prozesses aus mindestens statischen Prozeßgrößen (I1, . . ., I8) vorgesehen ist,
- b) bei der ein zweites neuronales Netz (NN2) zur Bestimmung von zweiten Konstanten (K2, w1) aus dynamikcharakterisie renden Werten von zeitabhängigen Prozeßgrößen (PH, T, Hel lig) vorgesehen ist,
- c) und bei der eine erste Recheneinheit (RM1) vorgesehen ist, welcher die ersten und zweiten Konstanten zugeführt werden und die mindestens in Abhängigkeit von einer Gleichung für die Permanganatzahl (PN) und der ersten und der zweiten Kon stanten (K1, w, K2, W1), sowie einer Vorgabezeit (Z), wel che ihr zugeführt wird, die sich ergebende Permanganatzahl (PN) berechnet.
8. Anordnung nach Anspruch 7,
- a) bei der mindestens ein erstes Mittel (MM1) vorgesehen ist zur Messung einer dynamisch veränderlichen Kenngröße (T, PH, Hellig) des Zellstoffkochprozesses, welches periodisch mißt und ein Meßsignal (M1) abgibt,
- b) bei der mindestens zweite Rechenmittel (RM2) vorgesehen sind zur Erzeugung eines ersten Dynamikcharakteristiksig nales (Trate, PHrate, Helligex), aus dem ersten Meßsignal (u1) mittels einer Zeitbewertungsfunktion für das erste Meßsignal (u1),
- c) und bei der das so erzeugte Dynamikcharakteristiksignal (Trate, PHrate, Helligex) dem zweiten neuronalen Netz (NN2) zugeführt wird.
9. Anordnung zur Prozeßsteuerung eines Zellstoffkochprozesses
über die zeitabhängige Modellierung seiner Permanganat
zahl,
- a) bei der die Mittel zur Modellierung der Permanganatzahl nach Anspruch 7 oder 8 vorgesehen sind,
- b) bei der Vergleichsmittel (VGL) zum Vergleich der ihm vom ersten Rechenmittel zugeführten Permanganatzahl (PN) mit einer Zielpermanganatzahl (PN) zur Bildung eines Ver gleichsergebnisses vorgesehen sind, bei der Zeitvorgabe mittel (TIM) vorgesehen sind, welche eine Probezeit (Z) erzeugen, die den ersten Rechenmitteln zur Bildung der Permanganatzahl zugeführt wird, bei der die Zeitvorgabe mittel und die Vergleichsmittel miteinander verbunden sind und diese in Abhängigkeit von dem Vergleichsergebnis eine größere oder kleinere Vorgabezeit erzeugen, und bei der
- c) Prozeßsteuermittel (PSM) vorgesehen sind, welche mit dem Vergleichsmittel (VGL) verbunden sind, die falls das Ver gleichsergebnis vorgegebener Genauigkeit eintritt, die zu diesem Vergleichsergebnis gehörende Vorgabezeit erhalten und nach Ablauf dieser Vorgabezeit (Z) als Prozeßdauer ein Signal (PST) abgeben.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19727795A DE19727795C1 (de) | 1997-06-30 | 1997-06-30 | Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser Größe |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19727795A DE19727795C1 (de) | 1997-06-30 | 1997-06-30 | Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser Größe |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19727795C1 true DE19727795C1 (de) | 1998-12-17 |
Family
ID=7834116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19727795A Expired - Fee Related DE19727795C1 (de) | 1997-06-30 | 1997-06-30 | Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser Größe |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19727795C1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001001343A2 (de) * | 1999-06-23 | 2001-01-04 | Siemens Aktiengesellschaft | Anordnung und verfahren sowie computerprogramm-erzeugnis und computerlesbares speichermedium zur rechnergestützten kompensation eines ungleichgewichtszustands eines technischen systems |
DE102004025876B4 (de) * | 2003-05-30 | 2015-12-31 | Fisher-Rosemount Systems, Inc. | Vorrichtung und Verfahren zur Stapeleigenschaftsschätzung |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0609999A1 (de) * | 1993-02-01 | 1994-08-10 | AT&T Corp. | Differentialprozessregelung mit künstlichen neuronalen Netzwerken |
US5486996A (en) * | 1993-01-22 | 1996-01-23 | Honeywell Inc. | Parameterized neurocontrollers |
DE19510008C2 (de) * | 1995-03-23 | 1997-01-30 | Siemens Ag | Verfahren und Vorrichtung zur Prozeßführung bei der Zellstoff- und/oder Papierherstellung |
-
1997
- 1997-06-30 DE DE19727795A patent/DE19727795C1/de not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5486996A (en) * | 1993-01-22 | 1996-01-23 | Honeywell Inc. | Parameterized neurocontrollers |
EP0609999A1 (de) * | 1993-02-01 | 1994-08-10 | AT&T Corp. | Differentialprozessregelung mit künstlichen neuronalen Netzwerken |
DE19510008C2 (de) * | 1995-03-23 | 1997-01-30 | Siemens Ag | Verfahren und Vorrichtung zur Prozeßführung bei der Zellstoff- und/oder Papierherstellung |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001001343A2 (de) * | 1999-06-23 | 2001-01-04 | Siemens Aktiengesellschaft | Anordnung und verfahren sowie computerprogramm-erzeugnis und computerlesbares speichermedium zur rechnergestützten kompensation eines ungleichgewichtszustands eines technischen systems |
WO2001001343A3 (de) * | 1999-06-23 | 2002-02-07 | Siemens Ag | Anordnung und verfahren sowie computerprogramm-erzeugnis und computerlesbares speichermedium zur rechnergestützten kompensation eines ungleichgewichtszustands eines technischen systems |
DE102004025876B4 (de) * | 2003-05-30 | 2015-12-31 | Fisher-Rosemount Systems, Inc. | Vorrichtung und Verfahren zur Stapeleigenschaftsschätzung |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4433593B4 (de) | Verfahren zur Regelung eines Extruders und Vorrichtung dazu | |
DE19743600B4 (de) | Verfahren zur Überwachung eines zyklischen Produktionsprozesses | |
DE4338615A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
EP3774267A1 (de) | VERFAHREN ZUR AUTOMATISCHEN PROZESSÜBERWACHUNG UND PROZESSDIAGNOSE EINES STÜCKBASIERTEN PROZESSES (BATCH-FERTIGUNG), INSBESONDERE EINES SPRITZGIEßPROZESSES UND EINE DEN PROZESS DURCHFÜHRENDE MASCHINE ODER EIN DEN PROZESS DURCHFÜHRENDER MASCHINENPARK | |
EP1849049B1 (de) | System zum erfassen und bewerten bedienungsabhängiger vorgänge und/oder komponenten in automatisierten produktions- und prüfabläufen | |
DE19518804A1 (de) | Verfahren zur Überwachung eines Produktionsprozesses | |
DE60103125T2 (de) | Rheometrieverfahren und -vorrichtung sowie ihre anwendung zur steuerung der polymerherstellung | |
EP1055180B1 (de) | Verfahren und anordnung zum entwurf eines technischen systems | |
DE102007013044B4 (de) | Spritzgießmaschine und Verfahren zur Überwachung kontinuierlicher Spritzgießzyklen einer Spritzgießmaschine | |
DE19727795C1 (de) | Verfahren und Anordnung zur neuronalen Modellierung einer Prozeßgröße und Steuerung des Prozesses mit dieser Größe | |
DE19920592A1 (de) | Verfahren und Vorrichtung zur automatischen Erkennung von textilen Faserstoffen | |
DE102016124205A1 (de) | Computer-implementiertes Verfahren zur Optimierung eines Herstellungsprozesses | |
EP0658833B1 (de) | 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 | |
DE102018006035A1 (de) | Verfahren zur automatisierten Erzeugung von Einstellmarametern und zur Prozessüberwachung bei zyklischen Produktionsprozessen | |
EP3785091B1 (de) | Verfahren zur automatischen erzeugung gelabelter signaturen | |
EP3872290A1 (de) | Verfahren zur hinderniserkennung bei einer zugangsvorrichtung | |
DE10116773A1 (de) | Verfahren zur Ermittlung von Spannungs-Dehnungskurven mittels Splineinterpolation auf Basis charakteristischer Punkte und unter dem Einsatz neuronaler Netze | |
DE19900847A1 (de) | Verfahren und Vorrichtung zum Regeln eines Antriebsystems einer Maschine und/oder einer Anlage | |
EP3671560A1 (de) | Verfahren zum klassifizieren eines gebäudes, maschinelles lernsystem sowie ein verfahren, ein computerprogramm und eine computervorrichtung zum anler-nen des maschinellen lernsystems | |
EP0854953B1 (de) | Verfahren zur bestimmung des endpunktes der zellstoffkochung und anordnung zum steuern der kochzeit bei der zellstoffkochung in einem reaktor | |
DE102022127260A1 (de) | Prozesskennzahlermittlung | |
WO2024083904A1 (de) | Prozesskennzahlermittlung | |
WO2009115214A1 (de) | Verfahren zur nachkalibrierung von sensoren und zur kalibrierung weiterer sensoren | |
EP1382260A2 (de) | Gas freisetzender Zusatzstoff zur Zubereitung von Nahrungsmitteln, Nahrungsmittelvorbereitung sowie Verfahren zur Erkennung des Zustands eines Nahrungsmittels und Backofen | |
WO2022063898A1 (de) | Bestimmung einer übertragungsfunktion eines technischen systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of patent without earlier publication of application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |