DE4227727C2

DE4227727C2 - Verfahren zur Zustandserkennung gasförmiger und flüssiger Medien mittels Multisensorsystemen

Info

Publication number: DE4227727C2
Application number: DE19924227727
Authority: DE
Inventors: Bernhard Prof Dr Adler; Michael Winterstein; Georg Dr Brueckner
Original assignee: Buna 06258 Schkopau De GmbH; BUNA GmbH
Current assignee: Dow Olefinverbund GmbH
Priority date: 1992-08-21
Filing date: 1992-08-21
Publication date: 1994-09-15
Anticipated expiration: 2012-08-22
Also published as: DE4227727A1

Description

Die Erfindung betrifft ein Verfahren zur Erkennung und Unterscheidung von Prozeßzuständen mittels Multisensorsystemen in gasförmigen oder flüssigen Medien.

Bekannte Verfahren zur Detektion unterschiedlicher Zustände gehen davon aus, solche Zustände anhand von Grenzwertüberschreitungen einzelner Sensorsignale zu erkennen (DE 40 06 689 A1) und in Abhängigkeit davon entsprechende Schalthandlungen vorzunehmen. In DE 40 06 689 wird ein Multisensorsystem zur Erfassung der Abwasserqualität beschrieben, welches aus verschiedenen Sensorelementen besteht, die mehrere Eigenschaften und/oder Inhaltsstoffe quasi verzögerungsfrei messen und die Signale an ein Steuergerät weiterleiten. Im Steuergerät sind die einzelnen Grenzwerte abgespeichert, so daß während der Messung laufend auf eine Grenzwertüberschreitung geprüft werden kann. Jede Überschreitung für sich wird als unerlaubter Zustand aufgefaßt und durch Schalthandlungen (Ventilsteuerungen) geeignet behandelt. Diese Vorgehensweise eignet sich jedoch nur für solche Anwendungsfälle, bei denen eine Zustandsänderung exakt durch die Änderung eines oder mehrerer Sensorsignale charakterisierbar ist, d. h., signifikante Signaländerungen für unterschiedliche Zustände erwartet werden.

Verfahren der Mustererkennung zur Auswertung von Sensorsignalen zu nutzen, ist ebenfalls bekannt. Allerdings werden diese Verfahren bislang eingesetzt, um z. B. Querempfindlichkeiten zu berücksichtigen oder Driften von Gassensoren zu kompensieren (DE 35 19 397 A1, DE 35 19 410 A1, DE 35 19 435 A1, DE 35 19 436 A1, DE 36 15 876 C2, DE 37 39 406 A1, DE 37 36 199 A1 und DE 38 26 263 A1).

In DE 35 19 436 wird z. B. ein Sensor für eine Gasanalyse beschrieben, der aus m Detektoren (Sensor-Array) besteht. Jedes Sensorelement besitzt unterschiedliche Haupt- und Querempfindlichkeiten hinsichtlich der zu detektierenden Gase aufgrund unterschiedlicher Dicke und Materialzusammensetzung der sensitiven Schicht (Zeolith) der Halbleiterdetektoren. Die a priori als störend angesehene Querempfindlichkeit kann im positiven Sinne dadurch zur Gasdetektion genutzt werden, wenn die einzelnen unterschiedlich aufgebauten Einzeldetektoren nicht nur voneinander verschiedene Hauptempfindlichkeiten besitzen, sondern auch von Detektor zu Detektor ein unterschiedliches Spektrum der Querempfindlichkeiten. Jedes Gas tritt im Empfindlichkeitsspektrum mehrerer Einzeldetektoren auf. Durch Kalibrierung mit bekannten Gasgemischen und Auswertung der Signale durch Verfahren der Mustererkennung wird dann auf die Konzentration der einzelnen Gase oder Gasgemische geschlossen. In der Mustererkennungsmatrix sind dabei die charakteristischen Empfindlichkeitsspektren für die verschiedenen Einzeldetektoren für die interessierenden Gase gespeichert. Ein auf diesem Prinzip arbeitendes Sensor-Array zur Gasanalyse (Elektronische Nase) stellte J. R. Stetter (Workshop "electronic nose" 1992) vor. Dieses Sensor-Array wird mittels analytischer Gasgemische für verschiedene Gase und Gasgemische kalibriert. Die Testgemische erzeugen eine Datenmatrix, die im Unterschied zu oben genannten Verfahren durch Anwendung eines neuronalen Netzes eine Entscheidung über das Vorliegen eines bestimmten Gases in einem Gasgemisch für etwa 200 ausgesuchte Gase treffen kann.

Es werden ferner Verfahren zur Messung von gasförmigen Stoffen mittels homogener Halbleiter beschrieben, z. B. Metalloxide, bei denen man bewußt auf ein heuristisches Verfahren der Datenbe handlung verzichtet und z. B. durch Partialsummenmessungen in unterschiedlichen Höhen (DE 40 01 959 A1) bei Kenntnis der Partialsummen Überschreitungen eines vorgegebenen "Gefahren potentials" durch Vergleich die unerlaubte Konzentration signalisieren.

All diesen bekannten Verfahren zur Erkennung unerlaubter Zustände ist eigen, daß sie durch definierte Grenzwertkontrollen einzelner Stoffgrößen (z. B. Konzentrationen bei Gasen oder pH-Wert und Leitfähigkeit bei Flüssigkeiten) eine Klassifizierung erlauben. Sie versuchen, entweder das Auftreten eines einzelnen Stoffes zu dedizieren oder ziehen aus der Grenzwertüberschreitung eines fixen Sollwertes für einen an sich bekannten Stoff den Schluß auf eine Zustandsänderung, wobei in beiden Fällen heuristische Verfahren der Mustererkennung zur Entscheidungsfindung genutzt werden. Bisher bekannte Verfahren basieren eigentlich auf der Spezifik von Einzelsensoren.

Der Erfindung liegt die Aufgabe zugrunde, aus einer Menge zeitabhängiger Sollwerte mittels heuristischer Verfahren wie fuzzy-Clusterung, neuronales Netz oder Elemente der fuzzy logic auch dann noch eine Unterscheidung von Prozeßzuständen zu erzwingen, wenn die stochastisch schwankenden Meßwerte durch verschiedene Trends zusätzlich verfälscht werden und die Prozeß zustände (z. B. und in Fig. 1) unscharf ineinander übergehen.

Erfindungsgemäß wird die Aufgabe dadurch gelöst, daß

- Mengen von Sensoren gleicher oder unterschiedlicher physikalisch-chemischer Prinzipien in einem Array angeordnet werden und dadurch der Prozeß multivariat erfaßt wird,
- durch Klassifizieren aller Sensorsignale eines endlichen Zeitintervalls in Form einer adaptiven Lernphase mittels neuronaler Netze und fuzzy-logic erlaubte und unerlaubte Prozeßzustände erlernt werden,
- eine Abbildung obengenannter Prozeßzustände durch Interpretation der klassenabhängigen Zugehörigkeitswerte der nach Merkmal b erhaltenen natürlichen Klassenstruktur in semantische, d. h., prozeßorientierte Klassen erfolgt,
- die verschiedenen Trends unterliegende Abbildung gemäß Merkmal b und c unter Anwendung von Sekundärmerkmalen:
- - maximale Geschwindigkeit einer Meßwertänderung,
- - Monotonie der Meßwertfolge,
- - Parallelität bei konstruktiv korrelierten Einzelsensoren,
- - Winkel zwischen Augenblicksvektor und der Verbindung zwischen den unterschiedlichen Zuständen und
- - Magnitude der Signale
  sowie durch Anwendung von Elementen der fuzzy-logic, nämlich der min/max-Funktion korrigiert wird,
- aus der statistischen Abbildung der Prozeßzustände gemäß Merkmal b und c und den Korrekturvorschriften der Abbildung der Prozeßzustände gemäß Merkmal d eine dynamische Prozeßabbildung ermittelt und in eine speicherprogrammierbare Steuerung implementiert wird und
- aus der dynamischen Prozeßabbildung gemäß Merkmal c bei Prozeßabweichungen Steuergrößen abgeleitet werden, die sich aus den Differenzen der aktuellen Prozeßparameter und klassenbezogenen Sollwerten der Einzelparameter ergeben.

So werden in einer adaptiven Lernphase Mengen von Prozeßdaten über ein Sensor-Array erfaßt, durch ein fuzzy-orientiertes Partitionsverfahren daraus Teilmengen abgeleitet, die unterschiedliche Prozeßzustände adäquat wiedergeben. Nach Beendigung der Partitionierungsaufgabe liegen Cluster und ihre jeweiligen Zugehörigkeitshyperflächen vor. Ein derart trainiertes System wird jedoch im Unterschied zu bisher bekannten Anwendungen heuristischer Mustererkennungsverfahren als nicht fertig gelernt angesehen, sondern prüft sich laufend selbst auf Trends. Dabei müssen plötzlich auftretende Effekte wie eventuelle Defekte an Sensorelementen, die wahre Zustandsänderung von langsam aber parallel dazu verlaufenden Erscheinungen eines Sensor- oder Matrixtrends unterschieden werden.

Für die Ermittlung der Meßgröße des Gesamtmediums werden Sensoren auf der Basis einfacher, physikalischer oder physikalisch- chemischer Wirkprinzipien zu einer, der jeweiligen Aufgabe entsprechende Anordnung zum heterogenen Multisensorsystem (Sensor- Array) zusammengefaßt. Wichtig ist, daß diese Sensoren in irgendeiner Weise mit dem Prozeßzustand in Verbindung stehen, die aber im Unterschied zu bekannten Verfahren nicht notwendigerweise a priori bekannt sein muß, sondern im Laufe der Lernphase entsteht und daß die intuitiv gewählten Parameter (Meßsignale) und das Partitionierungsverfahren den tatsächlichen Prozeß adäquat widerspiegeln. Um die Aufgabe einer automatischen Trendkorrektur lösen zu können, müssen allerdings einige der Sensorelemente konstruktiv miteinander korreliert sein.

Die bewertete Lerndatenmenge wird z. B. durch das Neuronale Netz verarbeitet, indem es sich entsprechende Gewichte für seine Knotenverbindungen derart sucht, daß der Gesamtoutput-Fehler minimiert wird. Das Modell ist dann funktionstüchtig, wenn alle Lerndaten richtig interpretiert werden. Anhand der erlernten Gewichte ist das Neuronale Netz in der Lage, jeden neuen Meßwert sofort in verschiedene Zustände einzuordnen. Welcher Zustand dominiert, erkennt man an der Größe des berechneten Aktivitäts wertes. Zur Beschleunigung der Lernphase des Neuronalen Netzes werden die Meßsignale der Einzelsensoren, wie bei den Mustererkennungsverfahren üblich, autoskaliert verarbeitet. Gleichermaßen kann die Lerndatenmenge durch eine Fuzzy-Clusterung (unscharfe Clusterung) partitioniert werden. Bei d Merkmalen des Datensatzes entstehen dabei im (d+1)-dimensionalen Raum Cluster, die sich auch gegenseitig durchdringen dürfen. Das heißt, die Objekte können somit gleichzeitig verschiedenen Clustern zugeordnet werden. Die Größe der jeweiligen Totalzugehörigkeit entscheidet über eine endgültige Zuordnung zum entsprechenden Cluster.

Als zusätzlichen Vorteil besitzt das erfindungsgemäße Verfahren die Möglichkeit der Driftkorrektur. Bei g (1<gd) korrelierten Sensorsignalen des d-dimensionalen Multisensors (mit d2) kann zwischen Kennliniendrift des Sensors (S), Matrixdrift (M), Prozeßdrift (P) und Defekt des Sensors (D) unterschieden werden. Die Charakterisierung dieser 4 Trendarten geschieht durch 5 Bewertungskriterien:

1) der maximalen Magnitude des Augenblickswertes x_i eines Sensorelementes (Fig. 2),
2) dem Winkel R zwischen dem Vektor, der die Zustandsmittelpunkte und verbindet und dem Vektor, der den Augenblickszustand charakterisiert,
3) der Monotonie der Meßwertfolge,
4) der Parallelität bei konstruktiv korrelierten Einzelsensoren und,
5) der maximalen Durchschnittsgeschwindigkeit v_i einer Meßwert änderung im Zeitintervall a·τ, wobei a eine für das zu analysierende System festzulegende Größe und τ die Totzeit darstellt.

Für jedes dieser Bewertungskriterien wird eine Charakterisierungs tabelle erstellt, in der alle Trendarten mittels linguistischer Variablen (sehr klein = sk, klein = k, mittel = m, groß = gr, sehr groß = s gr, ohne, keine = o) für verschiedene Bereiche dargestellt sind. Damit lassen sich für unscharfe Steuereingänge und den 5 Bewertungskriterien (Fig. 3) unscharfe Steuervorschläge für jede Trendart ableiten. Bei der Meßsignalauswertung werden diese Charakterisierungstabellen benutzt und durch Fuzzy- Verknüpfungen mit dem MIN- und MAX-Operator ein unscharfer "Erwartungswert" abgeleitet.

Dabei wird das Steuereingangssignal µ(STE) für alle 5 Bewer tungskriterien auf eine linguistische Variable abgebildet und die Zugehörigkeit zu jeder Trendart bestimmt (µ(STE → STA)). Zur Bestimmung des unscharfen Erwartungswertes wird auf jede Trendart zunächst der MIN-Operator angewendet. Anschließend erhält man durch Anwendung des MAX-Operators den Entscheidungsvorschlag über eine der vier vorliegenden Trendarten und kann damit über eine notwendige Trendkorrektur entscheiden (Fig. 4).

Vorliegendes Sensorsystem ist zur Überwachung von solchen Systemen geeignet, bei denen das Verlassen eines erlaubten Zustandes angezeigt und schnell alarmiert bzw. eine entsprechende Schalthandlung vorgenommen werden muß.

Ausführungsbeispiel

Nachfolgend wird in Fig. 5 ein Ausführungsbeispiel für ein flüssiges System zur Zustandsanalyse von Abwasser 1 mittels eines heterogenen Multisensorsystems, bestehend aus 4 Einzelsensoren für Leitfähigkeit S₁, Temperatur S₂, pH-Wert S₃ und Trübung S₄ beschrieben. Angeordnet sind die Sensoren in einem Meßrohr/ Strömungsrohr.

Die Meßsignale werden in einer Lernphase aufgezeichnet und in erlaubte und unerlaubte Zustände bewertet. Unerlaubte Zustände der Abwasserqualität sind hierbei solche, die den Gehalt an nicht ionogenen Tensiden von 0.5% überschreiten.

Aus dem Lerndatensatz von 200 Meßwerten aus dem interessierenden und in der Praxis auftretenden Bereich wird mit einem Neuronalen Netz (Backpropagation-Typ) aus 4 Eingangsneuronen, die obenge nannten Meßwerte, 10 Elementen in der Zwischenschicht und einem Output-Element ein Modell erstellt. Die Lernzeit beträgt 1 h. Das Modell wird anhand der erlernten Gewichte des Neuronalen Netzes in den Controller 2 implementiert. Bei den Messungen werden die unerlaubten Zustände durch ein Hupensignal 3 angezeigt. Das Modell liefert eine nach der Bayes′schen Statistik berechneten Vorhersagewahrscheinlichkeit von 98.6%.

Mit diesem Meßprinzip können nichtionogene Tenside von Konzen trationen ab 0.5% nachgewiesen werden, obwohl sensorische Elemente für die Eigenschaft "Tensid" zu sein nicht benutzt werden! Durch Abfrage von Einzelgrenzwertüberschreitungen der 4 Sensorsignale ist erwartungsgemäß kein Nachweis des unerlaubten Zustandes möglich. In Tabelle 1 sind Testergebnisse zur Identifikation der Prozeßzustände dargestellt. Hierbei bedeutet der Wert 1 (6. Spalte) tensidhaltiges (0.5%) Abwasser und der Wert 0 tensidfreies Abwasser. Die Meßwerte sind nicht im Lerndatensatz enthalten. In Tabelle 2 ist das Ergebnis der unscharfen Clusterung anhand zweier Meßobjekte dargestellt. Das Cluster 2 repräsentiert die tensid haltigen Zustände und Cluster 4 die tensidfreien Abwasserzustände. Es ist zu erkennen, daß das zweite Objekt (tensidfrei) zwar noch eine hohe Zugehörigkeit zu dem tensidhaltigen Cluster 2 besitzt, aber mit seinem Maximum an Zugehörigkeit zu Cluster 4 gehört.

Tabelle 1

Testergebnis Multisensor für 0,5% nichtionogenes Tensid (Nonylphenol) im Abwasser

Tabelle 2

Beispiel Ergebnis Fuzzy-Clusterung für zwei Objekte

Mit diesem erfindungsgemäßen Verfahren besteht die Möglichkeit, die Meßwerte auf Trends zu untersuchen und entsprechende Korrekturen vorzunehmen. Dazu sind in Fig. 6 4 Fallbeispiele und in Fig. 3 der Algorithmus der Trendauswertung dargestellt. Die automatische Trenderkennung mittels fuzzy logic erfolgt anhand der 5 Bewertungskriterien und ihrer jeweiligen Charakterisierungs tabelle. Das Vorgehen dabei ist wie folgt:

Von allen 5 Bewertungskriterien wird das Steuereingangssignal µ(STE) abgefragt und auf eine linguistische Variable (z. B. langsam, schnell usw.) abgebildet. Diese linguistische Variablen werden benutzt, um die Charakterisierungstabellen für jede Trendart auszuwerten. Man erhält daraus für jede Trendart eine unscharfe Antwort über ihre Zugehörigkeit µ(STE → STA) (z. B. m wie mittel, gr wie groß).

Aus den entstehenden Falltabellen (siehe Fallbeispiele) erhält man 20 unscharfe Werte. Aus diesen unscharfen Werten wird mittels fuzzy logic der unscharfe Erwartungswert als Maxima der Minima der Zugehörigkeitsfunktionen errechnet. Nach Vorliegen des Ergebnisses ergeben sich je nach Trendart unterschiedliche Steuervorschläge (Fig. 3).

Erläuterung der verwendeten Bezeichnungen

i - Merkmal (Synonym für Sensorelement)
STE, STA - Bezeichnung für Steuereingangssignal bzw. Steuerausgangssignal
µ(STE), µ(STE→STA) - unscharfer Wert vom Steuereingangs- bzw. Steuerausgangssignal
sw_i - Schwellwert des Merkmals i
- verschiedene Zustände des Prozesses
µ - Zugehörigkeitsfunktion
σ_i - Standardabweichung des Merkmals i
Δx_i - Magnitude (größte Signaländerung aller Sensorelemente i zur Zeit t)
x_i(t) - Signalgröße des Einzelsensors i zur Zeit t
µ(x_i) - Zugehörigkeitswert des Signals des Sensorelementes
_i, _i - Mittelwert des Merkmals i bzw. auf Prozeßzustände und bezogenR - Winkel zwischen (t) und dem Verbindungsvektor von zu
g - Anzahl konstruktiv korrelierter Sensorelemente S_i
a - Maximalwert der Unschärfe µ(x_i) (normiert auf 1)
b - Hälfte von a
v_i(max) - maximale Merkmalsänderung des Sensorelementes S_i
²(t) - gealtertes Cluster
(t) - Zustand des Prozesses zur aktuellen Zeit t

Claims

Verfahren zur Erkennung und Überwachung von unscharf ineinander übergehenden Prozeßzuständen beispielsweise in biotechnologischen Prozessen oder in großtechnischen Chemieanlagen mittels Multisensorsystemen, dadurch gekennzeichnet, daß
- a) Mengen von Sensoren gleicher oder unterschiedlicher physikalisch- chemischer Prinzipien in einem Array angeordnet werden und dadurch der Prozeß multivariant erfaßt wird,
- b) duch Klassifizieren aller Sensorsignale eines endlichen Zeitintervalls in Form einer adaptiven Lernphase mittels neuronaler Netze und fuzzy-logic erlaubte und unerlaubte Prozeßzustände erlernt werden,
- c) eine Abbildung obengenannter Prozeßzustände durch Interpretation der klassenabhängigen Zugehörigkeitswerte der nach Merkmal b erhaltenen natürlichen Klassenstruktur in semantische, d. h., prozeßorientierte Klassen erfolgt,
- d) die verschiedenen Trends unterliegende Abbildung gemäß Merkmal b und c unter Anwendung von Sekundärmerkmalen:
  - - maximale Geschwindigkeit einer Meßwertänderung,
  - - Monotonie der Meßwertfolge,
  - - Parallelität bei konstruktiv korrelierten Einzelsensoren,
  - - Winkel zwischen Augenblicksvektor und der Verbindung zwischen den unterschiedlichen Zuständen und
  - - Magnitude der Signale
- sowie durch Anwendung von Elementen der fuzzy-logic, nämlich der min/max-Funktion korrigiert wird,
- e) aus der statischen Abbildung der Prozeßzustände gemäß Merkmal b und c und den Korrekturvorschriften der Abbildung der Prozeßzustände gemäß Merkmal d eine dynamische Prozeßabbildung ermittelt und in eine speicherprogrammierbare Steuerung implementiert wird und
- f) aus der dynamischen Prozeßabbildung gemäß Merkmal c bei Prozeßabweichungen Steuergrößen abgeleitet werden, die sich aus den Differenzen der aktuellen Prozeßparameter und klassenbezogenen Sollwerten der Einzelparameter ergeben.