EP4427106A1 - Verfahren zur bewertung des ressourcenverbrauchs einer prozessanlage und prozessanlage - Google Patents

Verfahren zur bewertung des ressourcenverbrauchs einer prozessanlage und prozessanlage

Info

Publication number
EP4427106A1
EP4427106A1 EP22817077.5A EP22817077A EP4427106A1 EP 4427106 A1 EP4427106 A1 EP 4427106A1 EP 22817077 A EP22817077 A EP 22817077A EP 4427106 A1 EP4427106 A1 EP 4427106A1
Authority
EP
European Patent Office
Prior art keywords
data
resource consumption
process plant
consumption
plant
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.)
Pending
Application number
EP22817077.5A
Other languages
English (en)
French (fr)
Inventor
Helena Rasp
Jannis Hanke
Jens Berner
Markus Hummel
Massimo Castell
Simon Alt
Dietmar Wieland
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Duerr Systems AG
Original Assignee
Duerr Systems AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Duerr Systems AG filed Critical Duerr Systems AG
Publication of EP4427106A1 publication Critical patent/EP4427106A1/de
Pending legal-status Critical Current

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
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31414—Calculate amount of production energy, waste and toxic release

Definitions

  • the present invention relates to the field of process monitoring and process control.
  • process monitoring and process control In manufacturing processes, treatment processes and other industrial processes in particular, there is a constant desire to optimize energy requirements.
  • the previously not uncommon specification of reducing resource consumption by a certain percentage through plant optimization does not do justice to the complexity of process plants.
  • the present invention is therefore based on the object of creating a method by means of which a meaningful evaluation of the resource consumption of the process plant is possible, taking into account the complexity of the process plant.
  • this object is achieved by the method according to claim 1 .
  • the method is a method for evaluating the resource consumption of a process plant.
  • the method is a method for evaluating the resource consumption of a production facility or treatment facility.
  • the method preferably comprises the following: a) carrying out data acquisition to acquire data relevant to the operation of the process plant, in particular operating data and/or framework data of the process plant; b) Determination, in particular calculation and/or simulation, of a current and/or future resource consumption on the basis of the recorded data using a data model, by means of which correlations are established between the recorded data and/or between the recorded data and a resource consumption of the process plant are; c) Evaluation of a measured resource consumption, in particular by comparing it with the ascertained, in particular calculated and/or simulated, resource consumption.
  • Resource consumption is, for example, energy consumption, but it can also be material consumption or other consumption or other use of tangible and intangible cost sources.
  • a consumption of resources is therefore in particular also a consumption of operating resources of the process plant, for example in the case of a process plant designed as a painting plant, a paint consumption, a water consumption, a filter aid material consumption, a filter element consumption, etc.
  • the use of the data model preferably enables an assessment of the operation of the entire process plant.
  • An operator or user of the process plant can preferably determine whether energy consumption is normal, ie within acceptable value ranges, taking into account the current or future process parameters, in particular production parameters, and/or taking into account the current or future weather conditions. Furthermore, it can preferably be determined in this way whether changes in the system operation have led or will lead to more or less energy being consumed. It is preferably even possible to determine what changes in the system operation was or is or will be the cause of the change in energy consumption.
  • the data model can also be used to determine whether changes in the system operation are likely to result in resource consumption, in particular energy consumption, changing. In addition, it is preferably possible to determine how severe these changes will be.
  • the method is preferably based on a machine learning model that establishes a connection between the data relevant to the operation of the process plant, in particular operating data and/or framework data of the process plant, for example production data, process values, setting parameters and external influencing variables (air temperature, air humidity), on the one hand and the resource consumption on the other hand.
  • the data model is trained on historical data, with an assigned resource consumption or at least a connection with a resource consumption preferably being known in each case for the historical data.
  • the method includes the following sub-steps:
  • one or more of the following data is preferably acquired, in particular measured or determined in some other way:
  • Workpiece-related data Type of the respective workpiece, time of treatment or another process, location or position or alignment of the respective workpiece, number of workpieces, process planning, in particular obtained from a production control system, for example the so-called Manufacturing Execution System (MES);
  • MES Manufacturing Execution System
  • Setting parameters in particular from the process control, for example setpoints for process values and/or meteorological data (in particular temperatures, amount of precipitation, cloud cover and wind speeds (obtained from a process control, a weather station and/or an external database) and other contextual data (in particular the time or times of day). ).
  • meteorological data in particular temperatures, amount of precipitation, cloud cover and wind speeds (obtained from a process control, a weather station and/or an external database) and other contextual data (in particular the time or times of day).
  • the recorded data are preferably stored and/or evaluated and/or processed.
  • the recorded data is processed according to one or more of the following options: the data, in particular the data of the process control, are recorded as time series in a database; the data, in particular the production control data, are recorded in a database partly as time series and partly with reference to the workpiece; the data are cut into time windows and/or aggregated, the length of the time windows preferably being dependent on the inertia of the process, in particular of a treatment process or piece process; Characteristics are derived from the raw data, for example according to one or more of the following options: o Integral'/summation of the consumption and production figures; o Statistical characteristics such as mean values and standard deviations of the process data; o Bin-based statistical characteristics, such as means and parameters of dispersion; o Features from signal analysis such as Fourier and wavelet transforms; o Average energy consumption during a specified or average time window; o Order data per time window, such as type of workpiece,
  • pre-processed data sets are preferably created, which can be used as a basis for a machine learning model, in particular in order to be able to establish a connection between detectable influencing variables and the resource consumption, with the connections not having to be known a priori.
  • the data model is preferably trained using machine learning methods.
  • the data model learns the connection between data model inputs (e.g. the number of bodies, type of bodies, setting parameters, process values, weather conditions, number of derivatives, etc.) and a data model output (in particular resource consumption during a specified or average time window) from aggregated characteristics.
  • data model inputs e.g. the number of bodies, type of bodies, setting parameters, process values, weather conditions, number of derivatives, etc.
  • a data model output in particular resource consumption during a specified or average time window
  • the trained data model is preferably able to determine the theoretical resource consumption from the measured data model inputs on the basis of the relationships learned from the historical data.
  • the data model quality depends on the amount of historical data taken into account. The longer the underlying training period, the higher the expected accuracy of the data model.
  • the data model can preferably be generalized to other work areas.
  • the data model can be designed as a dynamic data model, for example.
  • data model inputs and data model outputs from previous points in time are additionally used as data model input or a data model with memory states is used.
  • the machine learning method on which the data model is based can be inverted with regard to the data model parameters and/or factors, i.e. the data model parameters can be clearly assigned to the influencing variables as factors.
  • the methods used preferably enable this direct interpretability and include, for example, linear regression approaches or decision trees.
  • the restriction to machine learning methods that can be interpreted can be advantageous with regard to the step “determination of the parameter influence” (6).
  • the data model is preferably able to establish a connection between the influencing variables and the resource consumption. Additional information can preferably be derived from the data model structure, in particular about the influence of the variables on resource consumption, for example energy consumption (see step (6)).
  • the basis for a simulation of the current and/or future resource consumption is the trained data model.
  • Actual values of the process control and/or the Manufacturing Execution System (MES) and/or a weather station are preferably used as input parameters for the simulation, with the values recorded in this way preferably being aggregated over time windows, in particular using a buffer or a database.
  • MES Manufacturing Execution System
  • the simulation is in particular an actual simulation of resource consumption, in particular energy consumption.
  • a prediction is preferably possible by means of the simulation.
  • planned values from a production plan and/or design data and/or weather forecast data are recorded as input data, in particular in order to obtain a prediction of resource consumption, in particular energy consumption.
  • a model value of the resource consumption for a time segment or a time window and/or a predicted resource consumption can preferably be provided as an output parameter, in particular for each input parameter or as a function of each input parameter.
  • Simulation values that are available during the determination are preferably stored in a database for further processing.
  • the actual simulation is preferably carried out regularly at a predefined time interval or when the influencing parameters change, in order to enable continuous monitoring of the resource consumption.
  • the result is preferably a time series of the data model's actual resource consumption, which is used for a comparison with the measured resource consumption (see step (4)).
  • the prediction i.e. when determining future resource consumption, the following is preferably provided:
  • the prediction is an optional process step that can be included in the evaluation.
  • the prediction is preferably carried out regularly at a predefined time interval or when the future planning values and/or the forecast weather conditions change, in order to enable continuous monitoring of the future resource consumption.
  • the result is preferably a time series of the prediction of resource consumption, which can be used in particular for resource requirements planning and/or as a basis for optimization steps (e.g. for peak load reduction, see step (8)).
  • a simulated time series and a measured time series of the resource consumption are preferably compared with one another.
  • a difference between the values is formed, with a time series in particular resulting that represents the deviations (delta time series).
  • a time series is taken into account when determining, in particular calculating and/or simulating, a current and/or future resource consumption. This can preferably enable a better evaluation, since, for example, dynamic effects can also be taken into account (e.g. an error trend over several days/weeks compared to a rapid increase in the error).
  • error patterns in particular resource error patterns, are labeled, in particular manually.
  • patterns in the time series of the resource error can be assigned causes.
  • a cause for an error can preferably be stored by the user.
  • the result of the method step preferably forms a decision-making basis for system changes and/or renewed data model training.
  • the plant optimization is preferably carried out manually by a user or plant operator or automatically by a control device.
  • An optimization measure that has been carried out can preferably be stored by the user or system operator or automatically, in particular in the data model or a database.
  • Parameter influence For example a) to determine, in particular calculation and/or simulation, the current and/or future resource consumption and/or b) to evaluate the measured resource consumption, an influence of the input variables, in particular an influence of the data values and/or data types of the recorded data, determined on resource consumption.
  • an influence of the input variables on the resource consumption from the data model, in particular the data model parameters is described by means of correlations, for example by means of factors.
  • the correlations, in particular factors can be used to describe how great an influence there is on resource consumption when the weather, the target values and/or the process variables change.
  • the influencing factors and their determined importance and/or the determined degree of impact are preferably written to the database and/or the data model after each change and/or after each data acquisition.
  • the course of the change in the influencing variables is preferably traceable.
  • a relationship, in particular a correlation, can preferably be established between the input variables and/or the influencing factors on the one hand and the resource consumption on the other hand, which is valid over the entire trained period and/or which varies over the entire trained period in such a way that preferably always the best possible determination, in particular calculation and/or simulation, of the current and/or future resource consumption is possible
  • a change in the course of the resource consumption in particular a mathematical derivation in the course of the resource consumption, can be checked, in particular analyzed.
  • step (4) it is preferably first checked whether the changing resource consumption, in particular energy consumption, is based on influencing parameters that were taken into account by the data model.
  • the assessment from step (4) is preferably used for this purpose.
  • a statement can preferably be made available as to which parameter has negatively or positively influenced or will influence resource consumption, in particular energy consumption.
  • the parameters are preferably optimized, in particular automatically or by manual intervention in the process installation.
  • a manual change is made, for example, on the basis of the findings, in particular the statement of the parameter evaluation.
  • Automatic parameter optimization takes place, for example, by mathematically solving an optimization problem.
  • a production plan and/or target values of the recorded or determined data types and/or data types are optimized using an optimization function.
  • the optimization problem to be solved contains, for example, secondary conditions such as: minimum number of workpieces in the process and/or permissible target value ranges, preferably in order to ensure the quality of the workpieces and/or the products to be manufactured.
  • an optimization can be carried out on the basis of a dynamic data model, in particular it can be carried out automatically.
  • provision can be made for peak load monitoring and/or peak load reduction to take place.
  • the switch-on time and/or control parameters of components of the process installation are optimized, in particular always taking into account other components and/or parts of the installation.
  • optimization of the control strategy is preferably provided in the present method.
  • dynamic driving styles such as a control strategy
  • control tolerances may be allowed and/or target value definitions based on the resource consumption parameter assessment may be used.
  • resource consumption With the determination, in particular calculation and/or simulation, of a current and/or future resource consumption, it is preferably possible to derive reference values for the resource consumption, which are archived or can be archived in a central database for a system with a specific design/dimensioning. With these reference values, resource consumption can preferably be benchmarked in the case of a similar system design and/or similar system dimensioning.
  • the design of the process installation and/or defined energy limits can be optimized with the calculated resource consumption values, in particular energy values.
  • the acceptable consumption range preferably results from the determined, in particular calculated and/or simulated, resource consumption.
  • the acceptable consumption range is specified by the determined, in particular calculated and/or simulated, resource consumption.
  • a manual or automatically triggered open-loop and/or closed-loop control error can be inferred from a rate of change.
  • Anomalous behavior or an anomaly is to be understood in particular as meaning that a data point, often referred to as an outlier, is present and/or recorded, the properties of which deviate so greatly from the norm that the suspicion arises that it was generated by a special mechanism and /or it would be the result of a suspicious event.
  • a distinction can be made in particular between local anomalies, global anomalies, contextual anomalies and/or collective anomalies.
  • Local or global anomalies describe a single data point that deviates too much from the rest of the data points.
  • Contextual anomalies differ in the context of one data set while being normal in the context of another data set.
  • collective anomalies an entire data subset deviates from the broader dataset; individual data points play no part in identifying collective anomalies.
  • an input option is provided for a user, with the user being able in particular to state what resulted in a determined deviation.
  • a decision can preferably be made depending on input from the user and/or depending on the conclusion and/or depending on the result of the evaluation be decided automatically, in particular, whether the data model needs to be readjusted, retrained or retrained.
  • provision can be made for individual values of the data relevant to the operation of the process installation and/or input values of one or more users of the process installation to be taken into account for the conclusion.
  • the data and/or input values relevant to the operation of the process installation can include or be operating parameters of the process installation.
  • One or more pieces of data are preferably recorded or used as framework data of the process installation, a) which are independent of components not belonging to the process installation; and/or b) which are independent of the configuration of the process plant and/or of an operating mode of the process plant.
  • Frame data is or includes, for example, a current time or time of day or time of day expected at a specific point in time; and/or a current or an expected day of the week; and/or current or forecast weather data; and/or current or anticipated electricity costs and/or material procurement costs and/or material disposal costs.
  • the data recorded as part of the data acquisition is prepared and/or processed, for example a) by categorization, in particular by coding of discrete characteristic values; and/or b) by classification into or assignment to time series; and/or c) through statistical evaluation, for example averaging, determination of a standard deviation, determination of scatter parameters, etc.
  • the Changes are made in particular while maintaining a certain quality of workpieces (106) and/or of products to be manufactured.
  • one or more, in particular all, changes are made automatically by the process system itself, in particular by a control device of the process system, for example after solving an optimization problem as a reaction to the evaluation carried out.
  • the present invention relates to the provision of a data model for evaluating the resource consumption of a process plant.
  • the object of the invention is to provide a data model by means of which a meaningful assessment of the resource consumption of the process installation is possible, taking into account the complexity of the process installation.
  • this object is achieved by the independent method claim, which is directed to the method for providing a data model for evaluating the resource consumption of a process installation.
  • the process installation is in particular a production installation or treatment installation, for example a painting installation and/or drying installation for the treatment of workpieces, in particular vehicle bodies.
  • the method according to the invention for providing a data model for evaluating the resource consumption of a process installation preferably comprises the following: i) providing historical data of the process installation, which a) previously determined operating data and/or framework data; and b) include previously determined resource consumption data; ii) Creation and/or training of a data model using the historical data, correlations between the operating data and/or framework data determined earlier and the resource consumption data determined earlier being established by means of the data model.
  • Correlations are preferably stored in the data model, which describe a degree of the effect of a change in historical data serving as input variables on the degree of the effect on resource consumption.
  • a temporal context is preferably taken into account when creating and/or training the data model. This means that preferably a chronological progression and/or a time series of the historical data flows into the data model and/or is mapped in the data model.
  • a time series model can be used for processing and/or considering the historical data.
  • a future development of the resource consumption data over time can preferably be predicted by taking into account the time context of the historical data.
  • the data model is or will preferably be provided according to the method according to the invention for providing a data model.
  • the present invention also relates to a process installation, in particular a treatment installation, for example a painting installation and/or a drying installation.
  • the invention is based on the object of providing a process installation which is simple in construction and can be operated efficiently.
  • this object is achieved by the independent claim directed to a process installation.
  • the process system in particular a treatment system, for example a painting system and/or a drying system, preferably includes a control device which is set up and configured such that one or more of the methods described can be carried out on the process plant and/or by means of the process plant.
  • the processing plant preferably also has one or more of the features and/or advantages described in connection with the methods.
  • plant operators of process plants are preferably able to objectively evaluate and optimize the resource consumption, for example the energy consumption, of their plant.
  • the basis for the evaluation and optimization is preferably measurement data and trained operating styles of the system, instead of subjective empirical values of the system operator.
  • the system operators preferably know from the method described the main influencing factors on resource consumption and can use this knowledge to optimize resource consumption.
  • a resource consumption prediction for example an energy consumption prediction, preferably makes it possible to plan the energy requirement better and to adapt it using knowledge of the influencing factors.
  • the method or methods can be transferred to different process systems.
  • the data model can preferably be transferred from a process installation to an identical or at least similar process installation. After the transmission, preferably only a fine correction of the data model, in particular the data model parameters, is required by renewed or continued training.
  • FIG. 1 shows a schematic representation of a first embodiment of a process plant in which a treatment plant designed as a dip painting plant is provided
  • FIG. 2 shows a schematic representation of a second embodiment of a process system, in which a treatment system designed as a drying system is provided
  • FIG. 1 shows a schematic representation of a first embodiment of a process plant in which a treatment plant designed as a dip painting plant is provided
  • FIG. 2 shows a schematic representation of a second embodiment of a process system, in which a treatment system designed as a drying system is provided
  • FIG. 3 shows a schematic perspective sectional view of a conditioning system of a process system
  • FIG. 4 is a flow chart illustrating a method for optimizing the operation of a process plant.
  • FIG. 5 shows a flowchart to illustrate the data flow when carrying out the method for optimizing the operation of the process plant.
  • a first embodiment shown in Fig. 1 of a process system designated as a whole by 100 is or includes, for example, a treatment system 102, in particular a painting system 104, for the treatment of workpieces 106.
  • the process installation 100 comprises numerous components which interact with one another in order to be able to successfully carry out a process, for example treatment of a workpiece.
  • a treatment tank 108 for example, a treatment tank 108, a conveyor device 110, a heating device 112 and numerous other components are provided which are involved in carrying out a painting process, in particular a dip painting process.
  • a control device 114 of the process system 100 is preferably provided for optimal operation of the process system 100, in particular for an optimal treatment result of the workpieces 106.
  • One or more components of the process installation 100 can preferably be controlled or regulated by means of the control device 114 .
  • process plants 100 is often resource-intensive, in particular energy-intensive.
  • control device 114 By means of the control device 114, a resource-saving, in particular energy-saving, mode of operation of the process system 100 be made possible.
  • the requirement for electrical energy, heat, fuel, water and/or other consumables of the process plant can preferably be minimized.
  • Various data relevant to the operation of the process installation 100 can be recorded, in particular measured or determined in some other way, by means of a recording device 116 shown schematically in FIG. 1 .
  • the data relevant to the operation of the process installation 100 are, for example, operating data which directly or indirectly describe a state of workpieces 106 and/or of components and/or operating resources of the process installation 100 .
  • Operating data relate, for example, to current energy consumption, in particular a consumption of electrical energy and/or heat for heating a treatment fluid in the treatment basin 108, and/or water consumption.
  • Temperatures of the treatment fluid in the treatment tank 108, at a discharge 118 from the treatment tank 108 and/or at a feed line 120 to the treatment tank 108 are recorded as operating data, for example.
  • workpiece-related data is recorded as operating data, in particular the spatial dimensions, the surface size, the mass and/or the material of each workpiece 106. It is also possible to record the treatment step in which the respective workpiece 106 is present and/or the number of workpieces 106 is or will be treated simultaneously and/or sequentially at a given point in time and/or in the future.
  • parameters such as a target temperature of the treatment fluid and/or a target fill level in the treatment tank 108 must be kept within specified limit values. Therefore, the data that has an influence on these parameters is preferably recorded by means of the recording device 116 . These include, for example, a temperature and/or humidity Ambient air in an area surrounding the treatment tank 108, for example hall air in a hall surrounding the treatment tank 108, is to be understood.
  • this is preferably to be understood as meaning a temperature and/or humidity of an external ambient air in an open environment of the process installation 100, for example outside a hall.
  • the temperature and/or humidity of the external ambient air is, for example, determined exclusively by the local weather and is therefore preferably recorded as data in order, for example, to be able to correctly condition the external ambient air serving as supply air and to be able to estimate the required resource requirements, in particular energy requirements, as precisely as possible.
  • an exhaust air temperature and/or exhaust air humidity of exhaust air discharged from the process plant 100 can be detected.
  • parameters of the treatment fluid itself are preferably also recorded as data, in particular an actual temperature of the treatment fluid in treatment basin 108 and/or an actual filling level in treatment basin 108.
  • a current or future resource consumption can preferably be determined using the recorded data.
  • the data model produces correlations between the recorded data and/or between the recorded data and the consumption of one or more resources of the process installation 100 .
  • the current resource consumption is calculated and/or simulated in particular using the data model.
  • the current resource consumption is preferably also obtainable by direct measurement or other determination
  • a comparison with the resource consumption determined using the data model can take place in a next step. This allows the measured resource consumption to be evaluated, in particular with regard to whether it lies within specified limit values and/or expected values.
  • the use of the data model enables the operation of the entire process plant 100 to be evaluated.
  • a user or plant operator of the process plant 100 can preferably determine whether energy consumption is normal, taking into account the current process parameters, in particular production parameters, and/or taking into account the current weather conditions is within acceptable ranges of values. Furthermore, it can preferably be determined in this way whether changes in the system operation have resulted in more or less energy being consumed. It is preferably even possible to determine what changes in the system operation was or is the cause of the change in energy consumption.
  • the data model can also be used to determine whether changes in the system operation are likely to result in resource consumption, in particular energy consumption, changing. In addition, it is preferably possible to determine how severe these changes will be.
  • a treatment system 102 of a process system 100 embodied as a drying system 122 is shown in FIG. 2 .
  • the drying system 122 can be part of a second embodiment of a processing system 100 or part of the first embodiment of the processing system 100 and thus, for example, functionally supplement the treatment system 102 from FIG. 1 embodied as a painting system 104 .
  • the drying system 122 can be connected to the painting system 104 along a conveyor section of the process system 100 , so that workpieces 106 painted in the painting system 104 can be dried by means of the drying system 122 .
  • the drying system 122 preferably includes a treatment room 124, which is accessible via one or more locks 126 and is subdivided in particular into one or more heating zones 128 and/or one or more holding zones 130. Air can be conditioned, in particular heated, cooled, humidified and/or dehumidified, and supplied to the treatment chamber 124 by means of an air system 132 .
  • the air system 132 comprises one or more heat exchangers 134, for example for transferring heat, in particular waste heat, to a supply air flow, in particular a fresh air flow.
  • the air system 132 preferably includes a heating device 112, which in particular also serves to clean exhaust gases and is designed, for example, as a thermal exhaust gas cleaning device 136.
  • the heating device 112 generates a flow of heating gas, which can be supplied in particular to a plurality of air circulation modules 138 in order to supply heat to them.
  • Each circulating air module 138 is preferably coupled to a section of the treatment chamber 124, in particular to a respective zone (heating zone 128 and/or holding zone 130) in order ultimately to heat the circulated air in the respective section to a desired temperature.
  • the circulating air flows in the circulating air modules 138 and/or in the zones of the treatment room and/or the heating gas flow generated by means of the heating device 112 and/or an exhaust gas flow can preferably be driven by means of one or more fans 140 .
  • one or more of the following data is preferably recorded by means of a recording device 116: a) energy consumption, in particular consumption of thermal and/or electrical energy for heating and/or heating the treatment room 124; b) an energy consumption, in particular a consumption of thermal and/or electrical energy for the cooling of workpieces 106 in a cooling zone, which is in particular downstream of the treatment room 124; a consumption of electrical energy to drive the one or more fans 140; c) Workpiece-related data, in particular the spatial dimensions, the surface area, the mass and/or the material of each workpiece 106.
  • drying system 122 Specified parameters of the drying system 122, in particular a target temperature in one or more heating zones and/or holding zones and/or cooling zones and/or a target air volume flow to be generated by means of the one or more fans; e) Process values of drying system 122, in particular an actual temperature in one or more heating zones and/or holding zones and/or cooling zones and/or an actual air volume flow generated by the one or more fans and/or a status (on, off, fault) of one or multiple components and/or an actual temperature and/or actual humidity of an exhaust air flow; f) weather data, in particular an actual temperature and/or actual humidity of an external ambient air. It can be advantageous to optimize a conditioning system 142 of the process system 100 in particular when the resource consumption of an air system 132 is to be optimized in order to optimize the process
  • Such a conditioning system 142 is shown in a perspective longitudinal section in FIG.
  • the conditioning system 142 is, for example, a component of an air system 132, which in turn is, for example, a component of a treatment system 102, in particular a painting system 104 and/or drying system 122.
  • a component of a treatment system 102 in particular a painting system 104 and/or drying system 122.
  • cabin air and/or workplace air and/or drying air can be conditioned.
  • the conditioning system 142 preferably includes a heat exchanger 134, which is used in particular for heat recovery and is designed, for example, as a heat wheel or air-to-air heat exchanger. Furthermore, the conditioning system 142 preferably comprises a cooling register 146 for cooling and/or dehumidifying air, a heating register 148 for heating the air, a humidifier 150 for humidifying the air and one or more filter devices 152 for separating impurities from the air.
  • the air can be driven by means of one or more fans 140 .
  • one or more silencers 154 can also be provided in order to counteract the development of noise when the conditioning system 142 is in operation.
  • one or more of the following data is preferably recorded using a recording device 116: a) energy consumption, in particular consumption of thermal and/or electrical energy for heating and/or heating and/or humidifying and/or or dehumidifying the supplied air, in particular fresh air.
  • energy consumption in particular consumption of thermal and/or electrical energy for heating and/or heating and/or humidifying and/or or dehumidifying the supplied air, in particular fresh air.
  • an electrical energy consumption of the cooling register 146, the heating register 148, the humidifier 150, in particular of one or more humidifier pumps of the humidifier 150, and/or the fans 140 is recorded; b) workpiece-related data, in particular the spatial dimensions, the surface area, the mass and/or the material of each workpiece 106.
  • Specified parameters of the drying system 122 in particular a target temperature and/or target humidity in one or more heating zones and/or holding zones and/or cooling zones and/or a target air volume flow to be generated by means of the one or more fans; d) process values of the drying system 122, in particular an actual temperature and/or actual humidity in one or more heating zones and/or holding zones and/or cooling zones and/or an actual air volume flow generated by means of the one or more fans and/or a status (on, off, Disturbance) of one or more components and/or an actual temperature and/or actual humidity of an intake air flow (in particular fresh air flow) and/or an actual temperature and/or actual humidity of an exhaust air flow; e) weather data, in particular an actual temperature and/or actual humidity of an external ambient air.
  • the recorded data is used by the control device 114 using the data model in order to evaluate the resource consumption, the following findings can be obtained and communicated to a user or plant operator of the process plant 100:
  • An indication of a possibly permanent energy saving potential can preferably be given here.
  • a user or system operator then has to decide whether the lower temperature of the treatment fluid has an impact on the quality of the workpiece treatment. If not, he can decide in favor of the future lower target temperature. Otherwise, a change in system control is made to bring the actual temperature of the treatment fluid within the acceptable range of the setpoint temperature.
  • drying system 122 Using the example of the drying system 122:
  • the actual heating energy consumption is within the permissible range, taking into account the changing input variables (in particular the higher number of units).
  • conditioning system 142 Using the example of the conditioning system 142:
  • the method used for optimizing the operation of the process plant 100 is a method for evaluating the resource consumption of the process plant 100.
  • the method is preferably based on a machine learning model that establishes a connection between the data relevant to the operation of process plant 100, in particular operating data and/or framework data of process plant 100, for example production data, process values, setting parameters and external influencing variables (air temperature, humidity), on the one hand and the resource consumption on the other hand.
  • the data model is trained on historical data, with an assigned resource consumption or at least a connection with a resource consumption preferably being known in each case for the historical data.
  • the method includes the following sub-steps:
  • one or more of the following data is preferably acquired, in particular measured or determined in some other way:
  • Workpiece-related data type of the respective workpiece 106, time of a treatment or other process, location or position or orientation of the respective workpiece 106, number of workpieces 106, process planning, in particular obtained from a production control system, for example the so-called Manufacturing Execution System (MES);
  • MES Manufacturing Execution System
  • Setting parameters in particular from the process control, for example setpoints for process values and/or meteorological data (in particular temperatures, amount of precipitation, cloud cover and wind speeds (obtained from a process control, a weather station and/or an external database) and other contextual data (in particular the time or times of day). ).
  • meteorological data in particular temperatures, amount of precipitation, cloud cover and wind speeds (obtained from a process control, a weather station and/or an external database) and other contextual data (in particular the time or times of day).
  • the recorded data are preferably stored and/or evaluated and/or processed.
  • the recorded data is processed according to one or more of the following options: the data, in particular the data of the process control, are recorded as time series in a database; the data, in particular the production control data, are recorded in a database partly as time series and partly with reference to the workpiece; the data are cut into time windows and/or aggregated, the length of the time windows preferably being dependent on the inertia of the process, in particular of a treatment process or piece process; Characteristics are derived from the raw data, for example according to one or more of the following options: o Integral'/summation of the consumption and production figures; o Statistical characteristics such as mean values and standard deviations of the process data; o Bin-based statistical characteristics, such as means and parameters of dispersion; o Features from signal analysis such as Fourier and wavelet transforms; o Average energy consumption during a specified or average time window; o Order data per time window, such as type of workpiece
  • pre-processed data sets are preferably created, which can be used as a basis for a machine learning model, in particular in order to be able to establish a connection between detectable influencing variables and the resource consumption, with the connections not having to be known a priori.
  • the data model is preferably trained using machine learning methods.
  • the data model learns the connection between data model inputs (e.g. the number of bodies, type of bodies, setting parameters, process values, weather conditions, number of derivatives, etc.) and a data model output (in particular
  • the trained data model is preferably able to determine the theoretical resource consumption from the measured data model inputs on the basis of the relationships learned from the historical data.
  • the data model quality depends on the amount of historical data taken into account. The longer the underlying training period, the higher the expected accuracy of the data model.
  • the data model can preferably be generalized to other work areas. However, for a statement about the influence of setting parameters on the consumption of resources, it is necessary that different setpoints were approached according to the historical data, see also the step "Determination of the parameter influence" (6).
  • a training mode is provided on or in the process installation 100, in particular in order to optimize the data model, for example by using different production numbers and setting parameters.
  • the data model can be designed as a dynamic data model, for example.
  • data model inputs and data model outputs from previous points in time are additionally used as data model input or a data model with memory states is used.
  • the machine learning method on which the data model is based can be inverted with regard to the data model parameters and/or factors, i.e. the data model parameters can be clearly assigned to the influencing variables as factors.
  • the methods used preferably enable this direct interpretability and include, for example, linear regression approaches or decision trees.
  • the restriction to machine learning methods that can be interpreted can be advantageous with regard to the step “determination of the parameter influence” (6).
  • the data model is preferably able to establish a connection between the influencing variables and the resource consumption. Additional information can preferably be derived from the data model structure in particular about the influence of variables on resource consumption, for example energy consumption (see step (6)).
  • Current and/or future resource consumption is preferably determined using the data model.
  • the current and/or future resource consumption is calculated or simulated.
  • the basis for a simulation of the current and/or future resource consumption is the trained data model.
  • Actual values of the process control and/or the Manufacturing Execution System (MES) and/or a weather station are preferably used as input parameters for the simulation, with the values recorded in this way preferably being aggregated over time windows, in particular using a buffer or a database.
  • MES Manufacturing Execution System
  • the simulation is in particular an actual simulation of resource consumption, in particular energy consumption.
  • a prediction is preferably possible by means of the simulation.
  • planned values from a production plan and/or design data and/or weather forecast data are recorded as input data, in particular in order to obtain a prediction of resource consumption, in particular energy consumption.
  • a model value of the resource consumption for a time segment or a time window and/or a predicted resource consumption can preferably be provided as an output parameter, in particular for each input parameter or as a function of each input parameter.
  • Simulation values that are available during the determination are preferably stored in a database for further processing.
  • the actual simulation is preferably carried out regularly at a predefined time interval or when the influencing parameters change, in order to enable continuous monitoring of the resource consumption.
  • the result is preferably a time series of the data model's actual resource consumption, which is used for a comparison with the measured resource consumption (see step (4)).
  • the prediction is an optional process step that can be included in the evaluation.
  • the prediction is preferably carried out regularly at a predefined time interval or when the future planning values and/or the forecast weather conditions change, in order to enable continuous monitoring of the future resource consumption.
  • the result is preferably a time series of the prediction of resource consumption, which can be used in particular for resource requirements planning and/or as a basis for optimization steps (e.g. for peak load reduction, see step (8)).
  • a simulated time series and a measured time series of the resource consumption are preferably compared with one another.
  • a difference between the values is formed, with a time series in particular resulting that represents the deviations (delta time series).
  • a time series is taken into account when determining, in particular calculating and/or simulating, a current and/or future resource consumption. This can preferably enable a better evaluation, since, for example, dynamic effects can also be taken into account (e.g. an error trend over several days/weeks compared to a rapid increase in the error).
  • error patterns in particular resource error patterns, are labeled, in particular manually.
  • patterns in the time series of the resource error can be assigned causes.
  • a cause for an error can preferably be stored by the user or system operator.
  • the result of the method step preferably forms a decision-making basis for system changes and/or renewed data model training.
  • the system optimization is preferably carried out manually by a user or system operator or automatically by a control device 114 .
  • An optimization measure that has been carried out can preferably be stored by the user or system operator or automatically, in particular in the data model or a database.
  • an influence of the input variables in particular an influence of the data values and/or data types of the recorded data, determined on resource consumption.
  • an influence of the input variables on the resource consumption from the data model, in particular the data model parameters is described by means of correlations, for example by means of factors.
  • the correlations, in particular factors can be used to describe how great an influence there is on resource consumption when the weather, the target values and/or the process variables change.
  • the influencing factors and their determined importance and/or the determined degree of impact are preferably written to the database and/or the data model after each change and/or after each data acquisition.
  • the course of the change in the influencing variables is preferably traceable.
  • a relationship in particular a correlation, can be established between the input variables and/or the influencing factors on the one hand and the resource consumption on the other hand, which is valid over the entire trained period and/or which varies over the entire trained period in such a way that preferably always the best possible determination, in particular calculation and/or simulation, of the current and/or future resource consumption is possible (7) parameter evaluation
  • a change in the course of the resource consumption in particular a mathematical derivation in the course of the resource consumption, can be checked, in particular analyzed.
  • step (4) it is preferably first checked whether the changing resource consumption, in particular energy consumption, is based on influencing parameters that were taken into account by the data model.
  • the assessment from step (4) is preferably used for this purpose.
  • a statement can preferably be made available as to which parameter has negatively or positively influenced or will influence resource consumption, in particular energy consumption.
  • the parameters are preferably optimized, in particular automatically or by manual intervention in the process system 100.
  • a manual change is made, for example, on the basis of the findings, in particular the statement of the parameter evaluation.
  • Automatic parameter optimization takes place, for example, by mathematically solving an optimization problem.
  • a production plan and/or target values of the recorded or determined data types and/or data types are optimized using an optimization function.
  • the optimization problem to be solved contains, for example, secondary conditions such as: minimum number of workpieces 106 in the process and/or permissible target value ranges, preferably in order to ensure the quality of the workpieces 106 and/or the products to be manufactured.
  • an optimization can be carried out on the basis of a dynamic data model, in particular it can be carried out automatically.
  • provision can be made for peak load monitoring and/or peak load reduction to take place.
  • the switch-on time and/or control parameters of components of the process installation 100 are optimized, in particular always taking into account other components and/or parts of the installation.
  • optimization of the control strategy is preferably provided in the present method.
  • dynamic driving styles such as a control strategy
  • control tolerances may be allowed and/or target value definitions based on the resource consumption parameter assessment may be used.
  • resource consumption With the determination, in particular calculation and/or simulation, of a current and/or future resource consumption, it is preferably possible to derive reference values for the resource consumption, which are archived or can be archived in a central database for a system with a specific design/dimensioning. With these reference values, resource consumption can preferably be benchmarked in the case of a similar system design and/or similar system dimensioning. Furthermore, with the calculated resource consumption values, in particular

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Manufacturing & Machinery (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

Um ein Verfahren zur Bewertung eines Ressourcenverbrauchs einer Prozessanlage bereitzustellen, mittels welchem unter Berücksichtigung der Komplexität der Prozessanlage eine aussagekräftige Bewertung des Ressourcenverbrauchs der Prozessanlage möglich ist, wird vorgeschlagen, dass das Verfahren Folgendes umfasst: a) Durchführung einer Datenerfassung zum Erfassen von für den Betrieb der Prozessanlage relevanten Daten, insbesondere Betriebsdaten und/oder Rahmendaten der Prozessanlage; b) Ermittlung, insbesondere Berechnung und/oder Simulation, eines aktuellen und/oder zukünftigen Ressourcenverbrauchs auf der Basis der erfassten Daten unter Verwendung eines Datenmodells, mittels welchem Korrelationen zwischen den erfassten Daten untereinander und/oder zwischen den erfassten Daten und einem Ressourcenverbrauch der Prozessanlage hergestellt sind; c) Bewertung eines gemessenen Ressourcenverbrauchs, insbesondere durch Vergleich desselben mit dem ermittelten, insbesondere berechneten und/oder simulierten, Ressourcenverbrauch.

Description

Verfahren zur Bewertung des Ressourcenverbrauchs einer Prozessanlage und Prozessanlage
Die vorliegende Erfindung betrifft das Gebiet der Prozessüberwachung und Prozesssteuerung. Insbesondere bei Fertigungsprozessen, Behandlungsprozessen und sonstigen Industrieprozessen besteht der stetige Wunsch nach einer Optimierung des Energiebedarfs. Die bislang nicht unübliche Vorgabe, den Ressourcenverbrauch durch Anlagenoptimierungen um einen gewissen Prozentsatz zu senken, wird der Komplexität von Prozessanlagen jedoch nicht gerecht.
Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zu schaffen, mittels welchem unter Berücksichtigung der Komplexität der Prozessanlage eine aussagekräftige Bewertung des Ressourcenverbrauchs der Prozessanlage möglich ist.
Diese Aufgabe wird erfindungsgemäß durch das Verfahren gemäß Anspruch 1 gelöst.
Das Verfahren ist ein Verfahren zur Bewertung des Ressourcenverbrauchs einer Prozessanlage. Insbesondere ist das Verfahren ein Verfahren zur Bewertung des Ressourcenverbrauchs einer Produktionsanlage oder Behandlungsanlage.
Das Verfahren umfasst vorzugsweise Folgendes: a) Durchführung einer Datenerfassung zum Erfassen von für den Betrieb der Prozessanlage relevanten Daten, insbesondere Betriebsdaten und/oder Rahmendaten der Prozessanlage; b) Ermittlung, insbesondere Berechnung und/oder Simulation, eines aktuellen und/oder zukünftigen Ressourcenverbrauchs auf der Basis der erfassten Daten unter Verwendung eines Datenmodells, mittels welchem Korrelationen zwischen den erfassten Daten untereinander und/oder zwischen den erfassten Daten und einem Ressourcenverbrauch der Prozessanlage hergestellt sind; c) Bewertung eines gemessenen Ressourcenverbrauchs, insbesondere durch Vergleich desselben mit dem ermittelten, insbesondere berechneten und/oder simulierten, Ressourcenverbrauch.
Ein Ressourcenverbrauch ist beispielsweise ein Energieverbrauch, kann aber auch ein Materialverbrauch oder ein sonstiger Verbrauch oder eine sonstige Nutzung von greifbaren sowie nicht greifbaren Kostenquellen sein. Ein Ressourcenverbrauch ist somit insbesondere auch ein Verbrauch von Betriebsmitteln der Prozessanlage, beispielsweise bei einer als Lackieranlage ausgebildeten Prozessanlage ein Lackverbrauch, ein Wasserverbrauch, ein Filterhilfsmaterialverbrauch, ein Filterelementverbrauch, etc.
Die Nutzung des Datenmodells ermöglicht vorzugsweise eine Bewertung des Betriebs der gesamten Prozessanlage. Ein Betreiber oder Nutzer der Prozessanlage kann vorzugsweise ermitteln, ob ein Energieverbrauch unter Berücksichtigung der aktuellen oder zukünftigen Prozessparameter, insbesondere Produktionsparameter, und/oder unter Berücksichtigung der aktuellen oder zukünftigen Wetterbedingungen normal, das heißt innerhalb akzeptabler Wertebereiche ist. Ferner ist hierdurch vorzugsweise ermittelbar, ob Änderungen im Anlagenbetrieb dazu geführt haben oder dazu führen werden, dass mehr oder weniger Energie verbraucht wird. Vorzugsweise ist sogar ermittelbar, welche Änderungen im Anlagenbetrieb für die Änderung im Energieverbrauch ursächlich war oder ist oder sein wird.
Günstig kann es sein, wenn zudem mittels des Datenmodells ermittelbar ist, ob Änderungen im Anlagenbetrieb voraussichtlich dazu führen, dass der Ressourcenverbrauch, insbesondere der Energieverbrauch, sich verändern wird. Zudem ist vorzugsweise ermittelbar, wie stark diese Änderungen ausfallen werden.
Schließlich ist unter Verwendung des Datenmodells vorzugsweise eine Vorhersage möglich, wie groß der Ressourcenverbrauch, insbesondere der Energieverbrauch, unter Berücksichtigung von Stückzahlen, Wetterdaten und Einstellparametern zukünftig sein wird. Das Verfahren basiert vorzugsweise auf einem maschinellen Lernmodell, das einen Zusammenhang zwischen den für den Betrieb der Prozessanlage relevanten Daten, insbesondere Betriebsdaten und/oder Rahmendaten der Prozessanlage, beispielsweise Produktionsdaten, Prozesswerten, Einstellparametern und äußeren Einflussgrößen (Lufttemperatur, Luftfeuchte), einerseits und dem Ressourcenverbrauch andererseits herstellt. Um diesen Zusammenhang zu erlernen, wird das Datenmodell auf historischen Daten trainiert, wobei für die historischen Daten vorzugsweise jeweils ein zugeordneter Ressourcenverbrauch oder zumindest ein Zusammenhang mit einem Ressourcenverbrauch bekannt ist.
Das Verfahren umfasst insbesondere die folgenden Teilschritte:
(1 ) Datenerfassung / Verarbeitung
(2) Training des Datenmodells
(3) Simulation (4) Bewertung
(5) Anlagenoptimierung
(6) Bestimmung des Parametereinflusses
(7) Parameterbewertung
(8) Parameteroptimierung
(1) Datenerfassung / Verarbeitung
Bei der Durchführung der Datenerfassung zum Erfassen von für den Betrieb der Prozessanlage relevanten Daten werden vorzugsweise einzelne oder mehrere der folgenden Daten erfasst, insbesondere gemessen oder sonst wie ermittelt:
Energieverbrauch, insbesondere aus der Prozessteuerung und der Energieeinspeisung; werkstückbezogene Daten: Art des jeweiligen Werkstücks, Zeitpunkt einer Behandlung oder eines sonstigen Prozesses, Ort oder Position oder Ausrichtung des jeweiligen Werkstücks, Anzahl der Werkstücke, Prozessplanung, insbesondere erhalten aus einer Produktionssteuerung, beispielsweise dem sogenannten Manufacturing Execution System (MES);
Einstellparameter, insbesondere aus der Prozesssteuerung, beispielsweise Sollwerte für Prozesswerte und/oder meteorologische Daten (insb. Temperaturen, Niederschlagsmenge, Bewölkungsgrad sowie Windgeschwindigkeiten (erhalten aus einer Prozesssteuerung, einer Wetterstation und/oder einer externen Datenbank) sowie weitere kontextuelle Daten (insbesondere Uhrzeit oder Tageszeiten).
Vorzugsweise werden die erfassten Daten gespeichert und/oder ausgewertet und/oder aufbereitet. Beispielsweise kann vorgesehen sein, dass die erfassten Daten gemäß einer oder mehreren der folgenden Optionen aufbereitet werden: die Daten, insbesondere die Daten der Prozesssteuerung, werden als Zeitreihen in einer Datenbank erfasst; die Daten, insbesondere die Daten der Produktionssteuerung, werden teils als Zeitreihen und teils mit Werkstückbezug in einer Datenbank erfasst; die Daten werden in Zeitfenster geschnitten und/oder aggregiert, wobei die Länge der Zeitfenster vorzugsweise abhängig ist von einer Trägheit des Prozesses, insbesondere eines Behandlungsprozesses oder Stückprozesses; aus den Rohdaten werden Merkmale abgeleitet, beispielsweise gemäß einzelnen oder mehreren der folgenden Optionen: o Integral'/Summenbildung der Verbräuche und Produktionszahlen; o Statistische Merkmale wie Mittelwerte und Standardabweichungen der Prozessdaten; o Abschnittsbasierte statistische Merkmale, wie Mittelwerte und Streuungsparameter; o Merkmale aus der Signalanalyse wie Fourier und Wavelet-Transformationen; o Durchschnittliche Energieverbräuche während eines vorgegebenen oder durchschnittlichen Zeitfensters; o Auftragsdaten je Zeitfenster, wie Art des Werkstücks, Anzahl der Werkstücke, Anzahl je Derivat; o Durchschnittliche Einstellparameter während eines vorgegebenen oder durchschnittlichen Zeitfensters.
Vorzugsweise werden hierdurch vorverarbeitete Datensätze erstellt, welche als Grundlage für ein maschinelles Lernmodell verwendet werden können, insbesondere um einen Zusammenhang zwischen erfassbaren Einflussgrößen und dem Ressourcenverbrauch herstellen zu können, wobei die Zusammenhänge a priori nicht bekannt sein müssen.
(2) Training des Datenmodells
Das Datenmodell wird vorzugsweise mittels maschineller Lernverfahren trainiert. Dabei erlernt das Datenmodell vorzugsweise aus aggregierten Merkmalen den Zusammenhang zwischen Datenmodelleingängen (beispielsweise der Anzahl der Karosserien, Art der Karosserien, Einstellparametern, Prozesswerten, Wetterbedingungen, Anzahl an Derivaten, etc.) und einem Datenmodellausgang (insbesondere Ressourcenverbräuchen während eines vorgegebenen oder durchschnittlichen Zeitfensters).
Das trainierte Datenmodell ist vorzugsweise in der Lage, aus den gemessenen Datenmodelleingängen den theoretischen Ressourcenverbrauch auf der Basis der aus den historischen Daten gelernten Zusammenhänge zu ermitteln.
Die Datenmodellqualität ist abhängig von der Anzahl der berücksichtigten historischen Daten. Je länger der zugrundeliegende Trainingszeitraum, desto höher die erwartete Genauigkeit des Datenmodells.
Vorzugsweise lässt sich das Datenmodell auf andere Arbeitsbereiche generalisieren.
Allerdings ist für eine Aussage über den Einfluss von Einstellparametern auf den Ressourcenverbrauch notwendig, dass gemäß den historischen Daten unterschiedliche Sollwerte angefahren wurden, siehe auch der Schritt „Bestimmung des Parametereinflusses' (6).
Es kann vorgesehen sein, dass mindestens je zwei Konfigurationen der Einstellparameter in den historischen Daten enthalten sind.
Günstig kann es sein, wenn ein Trainingsmodus an oder in der Prozessanlage vorgesehen ist, insbesondere um das Datenmodell zu optimieren, beispielsweise durch Verwendung verschiedener Produktionszahlen und Einstellparameter.
Das Datenmodell kann beispielsweise als dynamisches Datenmodell ausgeführt sein. In diesem Fall werden Datenmodelleingänge und Datenmodellausgänge von vorherigen Zeitpunkten zusätzlich als Datenmodelleingang verwendet oder ein Datenmodell mit Speicherzuständen verwendet.
Günstig kann es sein, wenn das dem Datenmodell zugrundeliegende Machine Learning- Verfahren invertierbar bezüglich der Datenmodellparameter und/oder Faktoren ist, d.h. dass die Datenmodellparameter eindeutig den Einflussgrößen als Faktoren zuordenbar sind. Die eingesetzten Verfahren ermöglichen vorzugsweise diese direkte Interpretierbarkeit und umfassen zum Beispiel lineare Regressionsansätze oder Entscheidungsbäume. Die Einschränkung auf interpretierbare Machine Learning-Verfahren kann vorzugsweise mit Hinblick auf den Schritt „Bestimmung des Parametereinflusses“ (6) vorteilhaft sein.
Es kann vorgesehen sein, dass ein Nachlernen oder erneutes Training getriggert wird (Schritt (4) zu Schritt (2)), wenn bei der Bewertung (Schritt (4)) entschieden wird, dass ein Neutraining notwendig ist oder ein Nutzer dies entscheidet.
Vorzugsweise ist durch das Training des Datenmodells das Datenmodell in der Lage, einen Zusammenhang zwischen den Einflussgrößen und dem Ressourcenverbrauch herzustellen. Aus der Datenmodellstruktur können vorzugsweise zusätzliche Informationen abgeleitet werden, insbesondere über den Einfluss der Größen auf den Ressourcenverbrauch, beispielsweise den Energieverbrauch (siehe Schritt (6)).
(3) Simulation Unter Verwendung des Datenmodells wird vorzugsweise ein aktueller und/oder zukünftiger Ressourcenverbrauch ermittelt. Insbesondere wird der aktuelle und/oder zukünftige Ressourcenverbrauch berechnet oder simuliert.
Die Grundlage für eine Simulation des aktuellen und/oder zukünftigen Ressourcenverbrauchs ist das trainierte Datenmodell.
Als Eingangsparameter für die Simulation werden vorzugsweise Istwerte der Prozesssteuerung und/oder des Manufacturing Execution Systems (MES) und/oder einer Wetterstation verwendet, wobei die so erfassten Werte vorzugsweise jeweils aggregiert werden über Zeitfenster, insbesondere unter Verwendung eines Puffers oder einer Datenbank.
Die Simulation ist insbesondere eine Ist-Simulation des Ressourcenverbrauchs, insbesondere des Energieverbrauchs.
Ferner ist mittels der Simulation vorzugsweise eine Vorhersage möglich. Hierfür werden insbesondere Planwerte aus einem Produktionsplan und/oder Auslegungsdaten und/oder Wettervorhersagedaten als Eingangsdaten erfasst, insbesondere um eine Prädiktion des Ressourcenverbrauchs, insbesondere des Energieverbrauchs, zu erhalten.
Als Ausgangsparameter, insbesondere für jeden oder abhängig von jedem Eingangsparameter sind vorzugsweise ein Modellwert des Ressourcenverbrauchs für einen Zeitabschnitt oder ein Zeitfenster und/oder ein prädizierter Ressourcenverbrauch bereitstellbar.
Bei der Ermittlung erhältliche Simulationswerte werden vorzugsweise in einer Datenbank abgelegt zur weiteren Verarbeitung.
Bei der Durchführung der Ist-Simulation, das heißt bei der Ermittlung eines aktuellen Ressourcenverbrauchs, ist vorzugsweise Folgendes vorgesehen:
Die Ist-Simulation wird vorzugsweise regelmäßig in einem vordefinierten Zeitintervall oder bei Änderung der Einflussparameter durchgeführt, um eine kontinuierliche Überwachung des Ressourcenverbrauchs zu ermöglichen.
Das Resultat ist vorzugsweise eine Zeitreihe des Datenmodell-Ist-Ressourcenverbrauchs, die zu einem Vergleich mit dem gemessenen Ressourcenverbrauch herangezogen wird (siehe Schritt (4)). Bei der Durchführung der Prädiktion, das heißt bei der Ermittlung eines zukünftigen Ressourcenverbrauchs, ist vorzugsweise Folgendes vorgesehen:
Die Prädiktion ist ein optionaler Verfahrensschritt, der in die Bewertung mit einfließen kann. Die Prädiktion wird vorzugsweise regelmäßig in einem vordefinierten Zeitintervall oder bei Änderung der zukünftigen Planwerte und/oder der vorhergesagten Wetterbedingungen durchgeführt, um eine kontinuierliche Überwachung des zukünftigen Ressourcenverbrauchs zu ermöglichen.
Das Resultat ist vorzugsweise eine Zeitreihe der Prädiktion des Ressourcenverbrauchs, die insbesondere für die Ressourcenbedarfsplanung und/oder als Grundlage für Optimierungsschritte verwendet werden kann (z.B. zur Lastspitzenreduktion, siehe Schritt (8)).
(4) Bewertung
Zur Durchführung der Bewertung werden vorzugsweise eine simulierte Zeitreihe und eine gemessene Zeitreihe des Ressourcenverbrauchs miteinander verglichen.
Dazu wird beispielsweise eine Differenz zwischen den Werten gebildet, wobei sich insbesondere eine Zeitreihe ergibt, die die Abweichungen repräsentiert (Delta-Zeitreihe).
Daraus können vorzugsweise Schlüsse über den Ressourcenverbrauch gezogen werden, beispielsweise um eine automatische Entscheidung oder eine Entscheidungsgrundlage für den Nutzer zu schaffen für eine Entscheidung über die weiteren Schritte: o Wenn beispielsweise ein Ist-Energieverbrauch und das Datenmodell in Ordnung sind, sind keine weiteren Schritte notwendig; o Wenn beispielsweise ein Ist-Energieverbrauch nicht in Ordnung ist, das Datenmodell aber in Ordnung ist, kann der simulierte Energieverbrauch niedriger oder höher sein als der gemessene Energieverbrauch. Es muss sich dann etwas an der Prozessanlage geändert haben, das den Energieverbrauch beeinflusst und durch die bisherigen Einflussparameter nicht erfasst wurde. In diesem Fall wird mit einer Anlagenoptimierung fortgefahren (Schritt (5)); o Wenn das Datenmodell nicht in Ordnung ist, kann es sein, dass beispielsweise ein simulierter Energieverbrauch sich unterscheidet von einem gemessenen Verbrauch. Wenn dann Anlagenfehler oder Anlagenänderungen ausgeschlossen werden, muss ein Nutzer eine Bewertung vornehmen, insbesondere nach Prüfung von Fehlerinformationen. Anschließend kann ein ergänzendes Training des Datenmodells initiiert werden (Schritt (2)).
Günstig kann es sein, wenn anstelle eines aktuellen Ist-Werts bei der Ermittlung, insbesondere Berechnung und/oder Simulation, eines aktuellen und/oder zukünftigen Ressourcenverbrauchs eine Zeitreihe berücksichtigt wird. Hierdurch kann vorzugsweise eine bessere Bewertung ermöglicht werden, da beispielsweise dynamische Effekte mitberücksichtigt werden können (z.B. ein Fehlertrend über mehrere Tage / Wochen im Vergleich zu einem zügigen Anstieg des Fehlers).
Optional kann es vorgesehen sein, dass Fehler-Muster, insbesondere Ressourcenfehler- Muster, gelabelt werden, insbesondere manuell gelabelt werden. Hierbei können insbesondere Muster in der Zeitreihe des Ressourcenfehlers Ursachen zugeordnet werden.
Beispielsweise kann es passieren, dass beim Öffnen einer Klappe sich immer ein bestimmter Fehler ergibt (plötzliche Änderung der Ist-Energie) oder dass bei leerer Produktion (Leerfahrt) der Energieverbrauch im Trockner höher ist als in einem Vergleichstrockner oder Vergleichszeitraum während der Durchführung eines Prozesses. Hierbei kann vorzugsweise auf eine Fehlkonfiguration in den Schleusen geschlossen werden, wobei diese Information im Datenmodell hinterlegt werden und zukünftig genutzt werden kann.
Eine Ursache für einen Fehler kann vorzugsweise vom Nutzer hinterlegt werden.
Das Ergebnis des Verfahrensschritts bildet vorzugsweise eine Entscheidungsgrundlage für Anlagenänderungen und/oder ein erneutes Datenmodelltraining.
(5) Anlagenoptimierung
Die Anlagenoptimierung wird vorzugsweise manuell durch einen Nutzer oder Anlagenbetreiber oder automatisch durch eine Steuervorrichtung durchgeführt. Eine durchgeführte Optimierungsmaßnahme kann vorzugsweise vom Nutzer oder Anlagenbetreiber oder automatisch hinterlegt werden, insbesondere im Datenmodell oder einer Datenbank.
(6) Parametereinfluss Beispielsweise a) zur Ermittlung, insbesondere Berechnung und/oder Simulation, des aktuellen und/oder zukünftigen Ressourcenverbrauchs und/oder b) zur Bewertung des gemessenen Ressourcenverbrauchs wird vorzugsweise ein Einfluss der Eingangsgrößen, insbesondere ein Einfluss der Datenwerte und/oder Datentypen der erfassten Daten, auf den Ressourcenverbrauch ermittelt. Beispielsweise kann hierbei vorgesehen sein, dass mittels Korrelationen, beispielsweise mittels Faktoren, ein Einfluss der Eingangsgrößen auf den Ressourcenverbrauch aus dem Datenmodell, insbesondere den Datenmodellparametern beschrieben wird. Beispielsweise kann mittels der Korrelationen, insbesondere mittels Faktoren, beschrieben werden, wie groß ein Einfluss auf den Ressourcenverbrauch bei Änderungen des Wetters, der Sollwerte und/oder der Prozessgrößen ist.
Vorzugsweise kann vorgesehen sein, dass, insbesondere in einem ersten Schritt, mithilfe aus dem Datenmodell extrahierter und/oder daraus ableitbarer Zusammenhänge, die wichtigsten und/oder auswirkungsreichsten Eingangsgrößen identifiziert werden.
Anschließend wird der Einfluss der wichtigsten und/oder auswirkungsreichsten Eingangsgrößen auf den Ressourcenverbrauch quantifiziert.
Die Einflussfaktoren und deren ermittelte Wichtigkeit und/oder der ermittelte Auswirkungsgrad werden vorzugsweise nach jeder Änderung und/oder nach jeder Datenerfassung in die Datenbank und/oder das Datenmodell geschrieben. Hierdurch ist vorzugsweise der Verlauf der Änderung der Einflussgrößen nachvollziehbar.
Vorzugsweise kann eine Beziehung, insbesondere eine Korrelation, zwischen den Eingangsgrößen und/oder den Einflussfaktoren einerseits und dem Ressourcenverbrauch andererseits hergestellt werden, welche über den gesamten trainierten Zeitraum hinweg Gültigkeit hat und/oder welche über den gesamten trainierten Zeitraum hinweg derart variiert, dass vorzugsweise stets eine möglichst optimale Ermittlung, insbesondere Berechnung und/oder Simulation, des aktuellen und/oder zukünftigen Ressourcenverbrauchs möglich ist
(7) Parameterbewertunq
Günstig kann es sein, wenn ermittelt, insbesondere überprüft, wird, ob ermittelte und/oder gemessene Änderungen im Ressourcenverbrauch auf Abweichungen in den Eingangsgrößen und/oder Einflussfaktoren, insbesondere Einflussparameter, zurückzuführen sind. Hierbei kann beispielsweise eine Änderung im Verlauf des Ressourcenverbrauchs, insbesondere eine mathematische Ableitung im Verlauf des Ressourcenverbrauchs, überprüft, insbesondere analysiert, werden.
Bei einer Ausgestaltung kann es vorgesehen sein, dass sich bei einer Änderung eines gemessenen oder ermittelten Ressourcenverbrauchs, beispielsweise bei einer Erhöhung oder Absenkung eines Ist-Energieverbrauchs, einem Nutzer oder Anlagenbetreiber angezeigt oder sonst wie mitgeteilt wird, welcher Parameter sich verändert hat und einen Einfluss, insbesondere einen auswirkungsreichen Einfluss, auf die Änderung des Ist- Energieverbrauchs hatte.
Dazu wird vorzugsweise zunächst überprüft, ob der sich ändernde Ressourcenverbrauch, insbesondere Energieverbrauch, auf Einflussparametern basiert, die vom Datenmodell berücksichtigt wurden. Dazu wird vorzugsweise die Bewertung aus Schritt (4) herangezogen.
Es kann vorgesehen sein, dass zur Parameterbewertung ein oder mehrere zukünftige Datenwerte, insbesondere ein oder mehrere prädizierte Datenwerte, herangezogen und/oder berücksichtigt werden. Beispielsweise kann ein Einfluss eines Produktionsplans und von vorhergesagten Wetterdaten auf den Ressourcenverbrauch, insbesondere Energieverbrauch, herangezogen und/oder berücksichtigt werden.
Vorzugsweise ist eine Aussage dahingehend bereitstellbar, welcher Parameter den Ressourcenverbrauch, insbesondere Energieverbrauch, negativ oder positiv beeinflusst hat oder beeinflussen wird.
(8) Parameteroptimierung
Sofern möglich, erfolgt vorzugsweise eine Optimierung der Parameter, insbesondere automatisch oder durch manuellen Eingriff in die Prozessanlage.
Eine manuelle Änderung erfolgt beispielsweise auf der Basis der Erkenntnisse, insbesondere der Aussage, der Parameterbewertung.
Eine automatische Parameteroptimierung erfolgt beispielsweise durch mathematische Lösung eines Optimierungsproblems. Hierfür werden beispielsweise ein Produktionsplan und/oder Sollwerte der erfassten oder ermittelten Datenarten und/oder Datentypen unter Verwendung einer Optimierungsfunktion optimiert. Das zu lösende Optimierungsproblem enthält beispielsweise Nebenbedingungen wie: Mindestanzahl der Werkstücke im Prozess und/oder zulässige Sollwertbereiche, vorzugsweise um die Qualität der Werkstücke und/oder der herzustellenden Produkte zu gewährleisten.
Alternativ oder ergänzend hierzu kann eine Optimierung auf der Basis eines dynamischen Datenmodells durchgeführt werden, insbesondere automatisch durchgeführt werden.
Als ein Aspekt kann vorgesehen sein, dass eine Lastspitzenüberwachung und/oder Lastspitzenreduktion erfolgt. Hierfür werden beispielsweise Einschaltzeitpunkt und/oder Regelparameter von Komponenten der Prozessanlage optimiert, insbesondere stets unter Berücksichtigung anderer Komponenten und/oder Anlagenteile.
Bei dem vorliegenden Verfahren ist vorzugsweise eine Optimierung der Regelstrategie vorgesehen. Neben einer Optimierung von Einstellparametern können vorzugsweise auch dynamische Fahrweisen, wie z.B. eine Regelstrategie, automatisch bewertet und/oder optimiert werden. Beispielsweise können Regeltoleranzen zugelassen werden und/oder es können Definitionen der Sollwerte basierend auf der Parameterbewertung des Ressourcenverbrauchs genutzt werden.
Vorzugsweise ist es mit der Ermittlung, insbesondere Berechnung und/oder Simulation, eines aktuellen und/oder zukünftigen Ressourcenverbrauchs möglich, Referenzwerte für den Ressourcenverbrauch abzuleiten, die für eine Anlage mit bestimmter Auslegung/Dimensionierung in einer zentralen Datenbank archiviert werden oder archivierbar sind. Mit diesen Referenzwerten kann bei ähnlichem Anlagenaufbau und/oder ähnlicher Anlagendimensionierung der Ressourcenverbrauch vorzugsweise gebenchmarkt werden.
Ferner können mit den errechneten Ressourcenverbrauchswerten, insbesondere Energiewerten, die Auslegung der Prozessanlage und/oder festgelegte Energiegrenzen optimiert werden.
Bei einer Ausgestaltung des Verfahrens kann vorgesehen sein, dass als ein Ergebnis der Bewertung des gemessenen Ressourcenverbrauchs angegeben wird, ob der gemessene Ressourcenverbrauch innerhalb oder außerhalb eines akzeptablen Verbrauchsbereichs liegt. Der akzeptable Verbrauchsbereich ergibt sich dabei vorzugsweise aus dem ermittelten, insbesondere berechneten und/oder simulierten, Ressourcenverbrauch. Insbesondere wird der akzeptable Verbrauchsbereich durch den ermittelten, insbesondere berechneten und/oder simulierten, Ressourcenverbrauch vorgegeben.
Günstig kann es sein, wenn als ein Ergebnis der Bewertung des gemessenen Ressourcenverbrauchs ein Rückschluss darauf gezogen wird, ob eine Fehlfunktion und/oder eine Fehlbedienung und/oder ein anomales Verhalten der Prozessanlage vorliegt.
Beispielsweise kann durch eine Änderungsgeschwindigkeit auf einen manuellen oder automatisch ausgelösten Steuerungs- und/oder Regelungsfehler geschlossen werden.
Unter einem anomalen Verhalten bzw. einer Anomalie soll insbesondere verstanden werden, dass ein oftmals als Ausreißer bezeichneter Datenpunkt vorliegt und/oder erfasst wird, dessen Eigenschaften so stark von der Norm abweichen, dass sich der Verdacht ergibt, er würde durch einen besonderen Mechanismus generiert und/oder er wäre das Ergebnis eines verdächtigen Ereignisses. Es kann in diesem Zusammenhang insbesondere zwischen punktuellen Anomalien, globalen Anomalien, kontextuellen Anomalien und/oder kollektiven Anomalien unterschieden werden.
Punktuelle oder globale Anomalien beschreiben einen einzelnen Datenpunkt, der zu stark von den restlichen Datenpunkten abweicht. Kontextuelle Anomalien weichen im Kontext einen Datensatzes ab, während sie im Kontext eines anderen Datensatzes normal sind. Bei kollektiven Anomalien weicht eine gesamte Datenuntergruppe vom breiteren Datensatz ab; einzelne Datenpunkte spielen bei der Identifikation kollektiver Anomalien keine Rolle.
Alternativ oder ergänzend hierzu kann vorgesehen sein, dass als ein Ergebnis der Bewertung des gemessenen Ressourcenverbrauchs ein Rückschluss darauf gezogen wird, dass die Anlage in einem anderen Betriebsbereich oder Betriebsmodus betrieben wird, als dies zuvor der Fall war oder als dies sein sollte. Beispielsweise kann dies aus einer Sollwertänderung resultieren. Wurde beispielsweise ein neuer Sollwert nicht oder inkorrekt beim Trainieren des Datenmodells erfasst, können sich beispielsweise Abweichungen beim Ist-Verbrauch ergeben.
Vorteilhaft kann es sein, wenn bei einem Rückschluss als Ergebnis einer Bewertung des gemessenen Ressourcenverbrauchs eine Eingabemöglichkeit für einen Nutzer vorgesehen ist, wobei der Nutzer insbesondere angeben kann, woraus eine ermittelte Abweichung resultiert. Abhängig von einer Eingabe des Nutzers und/oder abhängig von dem Rückschluss und/oder abhängig von dem Ergebnis der Bewertung kann vorzugsweise entschieden werden, insbesondere automatisch entschieden werden, ob das Datenmodell nachjustiert, nachtrainiert oder neu trainiert werden muss.
Beispielsweise kann vorgesehen sein, dass für den Rückschluss Einzelwerte der für den Betrieb der Prozessanlage relevanten Daten und/oder Eingabewerte eines oder mehrere Nutzer der Prozessanlage berücksichtigt werden.
Die für den Betrieb der Prozessanlage relevanten Daten und/oder Eingabewerte können Betriebsparameter der Prozessanlage umfassen oder sein.
Vorteilhaft kann es sein, wenn als Betriebsdaten der Prozessanlage einzelne oder mehrere Daten von Komponenten der Prozessanlage, welche insbesondere einen Zustand der Prozessanlage beschreiben, erfasst und/oder genutzt werden, wobei die Daten vorzugsweise Folgendes sind oder umfassen:
Messwerte einer oder mehrerer Komponenten der Prozessanlage; eine Auslastung der Prozessanlage;
Informationen über eine Betriebsart oder einen Betriebsmodus der Prozessanlage.
Als Rahmendaten der Prozessanlage werden vorzugsweise einzelne oder mehrere Daten erfasst oder genutzt, a) welche von nicht zur Prozessanlage gehörenden Komponenten unabhängig sind; und/oder b) welche von der Ausgestaltung der Prozessanlage und/oder von einem Betriebsmodus der Prozessanlage unabhängig sind.
Rahmendaten sind oder umfassen beispielsweise eine aktuelle oder zu einem bestimmten Zeitpunkt erwartete Uhrzeit oder Tageszeit; und/oder einen aktuellen oder einen erwarteten Wochentag; und/oder aktuelle oder vorhergesagte Wetterdaten; und/oder aktuelle oder erwartete Stromkosten und/oder Materialbeschaffungskosten und/oder Materialentsorgungskosten.
Günstig kann es sein, wenn die im Rahmen der Datenerfassung erfassten Daten aufbereitet und/oder verarbeitet werden, beispielsweise a) durch Kategorisierung, insbesondere durch Codierung diskreter Kennwerte; und/oder b) durch Einteilung in oder Zuordnung zu Zeitreihen; und/oder c) durch statistische Auswertung, beispielsweise Mittelwertbildung, Ermittlung einer Standardabweichung, Ermittlung von Streuungsparametern, etc. Bei einer Ausgestaltung der Erfindung kann es vorgesehen sein, dass abhängig von der Bewertung des gemessenen Ressourcenverbrauchs Änderungen im Betriebsmodus und/oder an Betriebsparametern der Prozessanlage vorgenommen werden, insbesondere zur Wiederherstellung eines Zustands, in welchem der gemessene Ressourcenverbrauch innerhalb eines akzeptablen Verbrauchsbereichs liegt, wobei die Änderungen insbesondere unter Einhaltung einer bestimmten Qualität von Werkstücken (106) und/oder von herzustellenden Produkten erfolgen.
Günstig kann es sein, wenn eine oder mehrere, insbesondere sämtliche, Änderungen manuell durch einen Nutzer oder Anlagenbetreiber vorgenommen werden, insbesondere als Reaktion auf eine entsprechende Anzeige oder sonstige Mitteilung als Resultat der durchgeführten Bewertung.
Alternativ oder ergänzend hierzu kann vorgesehen sein, dass eine oder mehrere, insbesondere sämtliche, Änderungen automatisiert durch die Prozessanlage selbst, insbesondere durch eine Steuervorrichtung der Prozessanlage, vorgenommen werden, beispielsweise nach Lösung eines Optimierungsproblems als Reaktion auf die durchgeführte Bewertung.
Ferner betrifft die vorliegende Erfindung die Bereitstellung eines Datenmodells zur Bewertung des Ressourcenverbrauchs einer Prozessanlage. Der Erfindung liegt diesbezüglich die Aufgabe zugrunde, ein Datenmodell bereitzustellen, mittels welchem unter Berücksichtigung der Komplexität der Prozessanlage eine aussagekräftige Bewertung des Ressourcenverbrauchs der Prozessanlage möglich ist.
Diese Aufgabe wird erfindungsgemäß durch den unabhängigen Verfahrensanspruch gelöst, welcher auf das Verfahren zur Bereitstellung eines Datenmodells zur Bewertung des Ressourcenverbrauchs einer Prozessanlage gerichtet ist.
Die Prozessanlage ist insbesondere eine Produktionsanlage oder Behandlungsanlage, beispielsweise eine Lackieranlage und/oder Trocknungsanlage zur Behandlung von Werkstücken, insbesondere Fahrzeugkarosserien.
Das erfindungsgemäße Verfahren zur Bereitstellung eines Datenmodells zur Bewertung des Ressourcenverbrauchs einer Prozessanlage umfasst vorzugsweise Folgendes: i) Bereitstellen von historischen Daten der Prozessanlage, welche a) früher ermittelte Betriebsdaten und/oder Rahmendaten; und b) früher ermittelte Ressourcenverbrauchsdaten umfassen; ii) Erstellen und/oder Trainieren eines Datenmodells unter Verwendung der historischen Daten, wobei mittels des Datenmodells Korrelationen zwischen den früher ermittelten Betriebsdaten und/oder Rahmendaten und den früher ermittelten Ressourcenverbrauchsdaten hergestellt werden.
Im Datenmodell werden vorzugsweise Korrelationen, beispielsweise Faktoren, hinterlegt, welche einen Grad der Auswirkung einer Änderung von als Eingangsgrößen dienenden historischen Daten auf den Grad der Auswirkung auf den Ressourcenverbrauch beschreiben.
Vorzugsweise wird beim Erstellen und/oder Trainieren des Datenmodells ein zeitlicher Kontext berücksichtigt. Dies bedeutet, dass vorzugsweise ein zeitlicher Verlauf und/oder eine Zeitreihe der historischen Daten in das Datenmodell einfließt und/oder im Datenmodell abgebildet wird. Insbesondere kann für die Verarbeitung und/oder Berücksichtigung der historischen Daten ein Zeitreihenmodell verwendet werden.
Vorzugsweise kann durch die Berücksichtigung des zeitlichen Kontexts der historischen Daten eine zukünftige zeitliche Entwicklung der Ressourcenverbrauchsdaten vorhergesagt werden.
Bei dem erfindungsgemäßen Verfahren zur Bewertung des Ressourcenverbrauchs einer Prozessanlage ist oder wird das Datenmodell vorzugsweise gemäß dem erfindungsgemäßen Verfahren zur Bereitstellung eines Datenmodells bereitgestellt.
Die vorliegende Erfindung betrifft ferner eine Prozessanlage, insbesondere eine Behandlungsanlage, beispielsweise Lackieranlage und/oder Trocknungsanlage.
Der Erfindung liegt diesbezüglich die Aufgabe zugrunde, eine Prozessanlage bereitzustellen, welche einfach aufgebaut und effizient betreibbar ist.
Diese Aufgabe wird erfindungsgemäß durch den auf eine Prozessanlage gerichteten unabhängigen Anspruch gelöst.
Die Prozessanlage, insbesondere Behandlungsanlage, beispielsweise Lackieranlage und/oder Trocknungsanlage, umfasst vorzugsweise eine Steuervorrichtung, welche so eingerichtet und ausgebildet ist, dass eines oder mehrere der beschriebenen Verfahren auf der Prozessanlage und/oder mittels der Prozessanlage durchführbar sind.
Die Prozessanlage weist vorzugsweise ferner einzelne oder mehrere der im Zusammenhang mit den Verfahren beschriebenen Merkmale und/oder Vorteile auf.
Bei Anwendung des beschriebenen Verfahrens sind Anlagenbetreiber von Prozessanlagen vorzugsweise in der Lage, den Ressourcenverbrauch, beispielsweise den Energieverbrauch, ihrer Anlage objektiv zu bewerten und zu optimieren. Grundlage für die Bewertung und Optimierung sind vorzugsweise Messdaten und trainierte Fahrweisen der Anlage, anstelle von subjektiven Erfahrungswerten der Anlagenbetreiber.
Die Anlagenbetreiber kennen durch das beschriebene Verfahren vorzugsweise die wesentlichen Einflussfaktoren auf den Ressourcenverbrauch und können dieses Wissen nutzen, um den Ressourcenverbrauch zu optimieren.
Vorzugsweise ermöglicht es eine Ressourcenverbrauchs-Prädiktion, beispielsweise eine Energieverbrauchs-Prädiktion, den Energiebedarf besser zu planen und mit Hilfe der Kenntnis der Einflussfaktoren anzupassen.
Günstig kann es sein, wenn das oder die Verfahren auf verschiedene Prozessanlagen übertragbar ist oder sind. Insbesondere ist vorzugsweise das Datenmodell von einer Prozessanlage auf eine identische oder zumindest ähnliche Prozessanlage übertragbar. Nach der Übertragung ist vorzugsweise lediglich eine Feinkorrektur des Datenmodells, insbesondere der Datenmodell-Parameter, durch erneutes oder fortgesetztes Training erforderlich.
Weitere bevorzugte Merkmale und/oder Vorteile der Erfindung sind Gegenstand der nachfolgenden Beschreibung und der zeichnerischen Darstellung von Ausführungsbeispielen.
In den Zeichnungen zeigen:
Fig. 1 eine schematische Darstellung einer ersten Ausführungsform einer Prozessanlage, bei weicher eine als Tauchlackieranlage ausgebildete Behandlungsanlage vorgesehen ist; Fig. 2 eine schematische Darstellung einer zweiten Ausführungsform einer Prozessanlage, bei welcher eine als Trocknungsanlage ausgebildete Behandlungsanlage vorgesehen ist;
Fig. 3 eine schematische perspektivische Schnittdarstellung einer Konditionieranlage einer Prozessanlage;
Fig. 4 ein Flussdiagramm zur Illustration eines Verfahrens zur Optimierung des Betriebs einer Prozessanlage; und
Fig. 5 ein Flussdiagramm zur Illustration des Datenflusses bei der Durchführung des Verfahrens zur Optimierung des Betriebs der Prozessanlage.
Gleiche oder funktional äquivalente Elemente sind in sämtlichen Figuren mit denselben Bezugszeichen versehen.
Eine in Fig. 1 dargestellte erste Ausführungsform einer als Ganzes mit 100 bezeichneten Prozessanlage ist oder umfasst beispielsweise eine Behandlungsanlage 102, insbesondere eine Lackieranlage 104, zur Behandlung von Werkstücken 106.
Die Prozessanlage 100 umfasst zahlreiche Komponenten, welche miteinander Zusammenwirken, um einen Prozess, beispielsweise eine Werkstückbehandlung, erfolgreich durchführen zu können.
Bei der Lackieranlage 104 gemäß Fig. 1 sind beispielsweise ein Behandlungsbecken 108, eine Fördervorrichtung 110, eine Heizvorrichtung 112 und zahlreiche weitere Komponenten vorgesehen, welche an der Durchführung eines Lackierprozesses, insbesondere eines Tauchlackierprozesses, beteiligt sind.
Für einen optimalen Betrieb der Prozessanlage 100, insbesondere für ein optimales Behandlungsergebnis der Werkstücke 106, ist vorzugsweise eine Steuervorrichtung 114 der Prozessanlage 100 vorgesehen. Mittels der Steuervorrichtung 114 sind vorzugsweise eine oder mehrere Komponenten der Prozessanlage 100 steuerbar oder regelbar.
Der Betrieb von Prozessanlagen 100 ist oftmals ressourcenintensiv, insbesondere energieintensiv. Mittels der Steuervorrichtung 114 kann daher vorzugsweise eine ressourcensparende, insbesondere energiesparende, Betriebsweise der Prozessanlage 100 ermöglicht werden. Insbesondere ist vorzugsweise der Bedarf an elektrischer Energie, Wärme, Brennstoff, Wasser und/oder sonstigen Verbrauchsmitteln der Prozessanlage minimierbar.
Am Beispiel der Prozessanlage 100 gemäß Fig. 1 wird nachfolgend ein Verfahren erläutert, welches einen ressourcensparenden Betrieb oder auch eine sonstige Anlagenoptimierung ermöglicht. Die nachfolgenden Ausführungen sollen jedoch nicht als auf das Ausführungsbeispiel gemäß Fig. 1 beschränkt angesehen werden. Vielmehr finden sich zahlreiche weitere Möglichkeiten zur Nutzung des beschriebenen Verfahrens und dessen Vorteile.
Mittels einer in Fig. 1 schematisch dargestellten Erfassungsvorrichtung 116 können verschiedene für den Betrieb der Prozessanlage 100 relevante Daten erfasst, insbesondere gemessen oder sonst wie ermittelt, werden.
Die für den Betrieb der Prozessanlage 100 relevanten Daten sind beispielsweise Betriebsdaten, welche unmittelbar oder mittelbar einen Zustand von Werkstücken 106 und/oder von Komponenten und/oder Betriebsmitteln der Prozessanlage 100 beschreiben. Betriebsdaten betreffen beispielsweise aktuelle Energieverbräuche, insbesondere ein Verbrauch von elektrischer Energie und/oder Wärme zum Aufheizen eines Behandlungsfluids im Behandlungsbecken 108, und/oder ein Wasserverbrauch. Als Betriebsdaten werden hierbei beispielsweise Temperaturen des Behandlungsfluids im Behandlungsbecken 108, an einer Abführung 118 aus dem Behandlungsbecken 108 und/oder an einer Zuleitung 120 zu dem Behandlungsbecken 108 erfasst.
Alternativ oder ergänzend hierzu werden als Betriebsdaten beispielsweise werkstückbezogene Daten erfasst, insbesondere die räumlichen Ausmaße, die Oberflächengröße, die Masse und/oder das Material eines jeden Werkstücks 106. Zudem kann erfasst werden, in welchem Behandlungsschritt das jeweilige Werkstück 106 vorliegt und/oder welche Anzahl von Werkstücken 106 zu einem gegebenen Zeitpunkt und/oder zukünftig gleichzeitig und/oder nacheinander zu behandeln ist oder sein wird.
Für den optimalen Behandlungsprozess sind insbesondere Parameter wie eine Solltemperatur des Behandlungsfluids und/oder ein Sollfüllstand im Behandlungsbecken 108 innerhalb vorgegebener Grenzwerte zu halten. Daher werden mittels der Erfassungsvorrichtung 116 vorzugsweise solche Daten erfasst, welche Einfluss auf diese Parameter haben. Hierunter sind beispielsweise eine Temperatur und/oder Feuchte einer Umgebungsluft in einer Umgebung des Behandlungsbeckens 108, beispielsweise Hallenluft in einer das Behandlungsbecken 108 umgebenden Halle, zu verstehen.
Ferner sind hierunter vorzugsweise eine Temperatur und/oder Feuchte einer Außenumgebungsluft in einer freien Umgebung der Prozessanlage 100, beispielsweise außerhalb einer Halle, zu verstehen. Die Temperatur und/oder Feuchte der Außenumgebungsluft sind beispielsweise ausschließlich von dem lokalen Wetter bestimmt und werden vorzugsweise deshalb als Daten erfasst, um beispielsweise als Zuluft dienende Außenumgebungsluft korrekt konditionieren zu können und um den dabei erforderlichen Ressourcenbedarf, insbesondere Energiebedarf, möglichst genau abschätzen zu können.
Alternativ oder ergänzend hierzu kann beispielsweise eine Ablufttemperatur und/oder Abluftfeuchte von aus der Prozessanlage 100 abgeführter Abluft erfasst werden.
Ferner werden vorzugsweise auch Parameter des Behandlungsfluids selbst als Daten erfasst, insbesondere eine Isttemperatur des Behandlungsfluids im Behandlungsbecken 108 und/oder ein Istfüllstand im Behandlungsbecken 108.
Optional kann zudem vorgesehen sein, dass Daten über die Heizvorrichtung 112 erfasst werden, insbesondere um einen Heizenergiebedarf, beispielsweise einen Verbrauch von Wärmeenergie und/oder elektrischer Energie, zu erfassen.
Basierend auf einem Datenmodell, welches insbesondere in der Steuervorrichtung 114 hinterlegt ist, kann vorzugsweise unter Verwendung der erfassten Daten ein aktueller oder zukünftiger Ressourcenverbrauch ermittelt werden. Das Datenmodell stellt hierfür Korrelationen zwischen den erfassten Daten untereinander und/oder zwischen den erfassten Daten und dem Verbrauch einer oder mehrerer Ressourcen der Prozessanlage 100 her. Der aktuelle Ressourcenverbrauch wird insbesondere unter Verwendung des Datenmodells berechnet und/oder simuliert.
Da der aktuelle Ressourcenverbrauch vorzugsweise auch durch direkte Messung oder anderweitige Ermittlung erhältlich ist, kann in einem nächsten Schritt ein Abgleich mit dem unter Verwendung des Datenmodells ermittelten Ressourcenverbrauch erfolgen. Dies erlaubt eine Bewertung des gemessenen Ressourcenverbrauchs, insbesondere dahingehend, ob dieser innerhalb vorgegebener Grenzwerte und/oder Erwartungswerte liegt. Letztlich ermöglicht die Nutzung des Datenmodells eine Bewertung des Betriebs der gesamten Prozessanlage 100. Ein Nutzer oder Anlagenbetreiber der Prozessanlage 100 kann hierbei vorzugsweise ermitteln, ob ein Energieverbrauch unter Berücksichtigung der aktuellen Prozessparameter, insbesondere Produktionsparameter, und/oder unter Berücksichtigung der aktuellen Wetterbedingungen normal, das heißt innerhalb akzeptabler Wertebereiche ist. Ferner ist hierdurch vorzugsweise ermittelbar, ob Änderungen im Anlagenbetrieb dazu geführt haben, dass mehr oder weniger Energie verbraucht wird. Vorzugsweise ist sogar ermittelbar, welche Änderungen im Anlagenbetrieb für die Änderung im Energieverbrauch ursächlich war oder ist.
Günstig kann es sein, wenn zudem mittels des Datenmodells ermittelbar ist, ob Änderungen im Anlagenbetrieb voraussichtlich dazu führen, dass der Ressourcenverbrauch, insbesondere der Energieverbrauch, sich verändern wird. Zudem ist vorzugsweise ermittelbar, wie stark diese Änderungen ausfallen werden.
Schließlich ist unter Verwendung des Datenmodells vorzugsweise eine Vorhersage möglich, wie groß der Ressourcenverbrauch, insbesondere der Energieverbrauch, unter Berücksichtigung von Stückzahlen, Wetterdaten und Einstellparametern zukünftig sein wird.
In Fig. 2 ist eine als Trocknungsanlage 122 ausgebildete Behandlungsanlage 102 einer Prozessanlage 100 dargestellt. Die Trocknungsanlage 122 kann Bestandteil einer zweiten Ausführungsform einer Prozessanlage 100 oder aber Bestandteil der ersten Ausführungsform der Prozessanlage 100 sein und somit beispielsweise die als Lackieranlage 104 ausgebildete Behandlungsanlage 102 aus Fig. 1 funktional ergänzen. Beispielsweise kann die Trocknungsanlage 122 sich längs einer Förderstrecke der Prozessanlage 100 an die Lackieranlage 104 anschließen, so dass in der Lackieranlage 104 lackierte Werkstücke 106 mittels der Trocknungsanlage 122 getrocknet werden können.
Die Trocknungsanlage 122 umfasst vorzugsweise einen Behandlungsraum 124, welcher über eine oder mehrere Schleusen 126 zugänglich ist und insbesondere in eine oder mehrere Heizzonen 128 und/oder eine oder mehrere Haltezonen 130 unterteilt ist. Mittels einer Luftanlage 132 ist Luft konditionierbar, insbesondere erhitzbar, kühlbar, befeuchtbar und/oder entfeuchtbar, und dem Behandlungsraum 124 zuführbar.
Die Luftanlage 132 umfasst hierfür einen oder mehrere Wärmeübertrager 134 beispielsweise zum Übertragen von Wärme, insbesondere Abwärme, auf einen Zuluftstrom, insbesondere Frischluftstrom. Ferner umfasst die Luftanlage 132 vorzugsweise eine Heizvorrichtung 112, welche insbesondere zugleich der Abgasreinigung dient und beispielsweise als thermische Abgasreinigungsvorrichtung 136 ausgebildet ist. Die Heizvorrichtung 112 erzeugt einen Heizgasstrom, welche insbesondere mehreren Umluftmodulen 138 zuführbar ist, um diesen Wärme zuzuführen. Jedes Umluftmodul 138 ist vorzugsweise mit einem Abschnitt des Behandlungsraums 124, insbesondere mit jeweils einer Zone (Heizzone 128 und/oder Haltezone 130) gekoppelt, um letztlich die in einem Kreislauf geführte Luft im jeweiligen Abschnitt auf eine gewünschte Temperatur zu erhitzen.
Mittels eines oder mehrerer Ventilatoren 140 sind vorzugsweise die Umluftströme in den Umluftmodulen 138 und/oder in den Zonen des Behandlungsraums und/oder der mittels der Heizvorrichtung 112 erzeugte Heizgasstrom und/oder ein Abgasstrom antreibbar.
Beispielsweise für einen optimierten Betrieb einer solchen Trocknungsanlage 122 werden vorzugsweise einzelne oder mehrere der folgenden Daten mittels einer Erfassungsvorrichtung 116 erfasst: a) ein Energieverbrauch, insbesondere ein Verbrauch von thermischer und/oder elektrischer Energie zum Aufheizen und/oder Beheizen des Behandlungsraums 124; b) ein Energieverbrauch, insbesondere ein Verbrauch von thermischer und/oder elektrischer Energie zum Kühlen von Werkstücken 106 in einer Kühlzone, welche insbesondere dem Behandlungsraum 124 nachgeordnet ist; ein Verbrauch von elektrischer Energie zum Antreiben des einen oder der mehreren Ventilatoren 140; c) werkstückbezogene Daten, insbesondere die räumlichen Ausmaße, die Oberflächengröße, die Masse und/oder das Material eines jeden Werkstücks 106. Zudem kann erfasst werden, in welchem Behandlungsschritt das jeweilige Werkstück 106 vorliegt und/oder welche Anzahl von Werkstücken 106 zu einem gegebenen Zeitpunkt und/oder zukünftig gleichzeitig und/oder nacheinander zu behandeln ist oder sein wird; d) Vorgegebene Parameter der Trocknungsanlage 122, insbesondere eine Solltemperatur in einer oder mehreren Heizzonen und/oder Haltezonen und/oder Kühlzonen und/oder ein mittels des einen oder der mehreren Ventilatoren zu erzeugender Sollluftvolumenstrom; e) Prozesswerte der Trocknungsanlage 122, insbesondere eine Isttemperatur in einer oder mehreren Heizzonen und/oder Haltezonen und/oder Kühlzonen und/oder ein mittels des einen oder der mehreren Ventilatoren erzeugter Istluftvolumenstrom und/oder ein Status (Ein, Aus, Störung) einer oder mehrerer Komponenten und/oder eine Isttemperatur und/oder Istfeuchte eines Abluftstroms; f) Wetterdaten, insbesondere eine Isttemperatur und/oder Istfeuchte einer Außenumgebungsluft. Insbesondere dann, wenn zur Optimierung der Prozessanlage 100 ein Ressourcenverbrauch einer Luftanlage 132 optimiert werden soll, kann es vorteilhaft sein, eine Konditionieranlage 142 der Prozessanlage 100 zu optimieren.
Eine solche Konditionieranlage 142 ist in einem perspektivischen Längsschnitt in Fig. 3 dargestellt.
Die Konditionieranlage 142 ist beispielsweise Bestandteil einer Luftanlage 132, welche wiederum beispielsweise Bestandteil einer Behandlungsanlage 102, insbesondere einer Lackieranlage 104 und/oder Trocknungsanlage 122, ist. Beispielsweise kann Kabinenluft und/oder Arbeitsplatzluft und/oder Trocknungsluft konditioniert werden.
Die Konditionieranlage 142 umfasst vorzugsweise einen Wärmeübertrager 134, welcher insbesondere zur Wärmerückgewinnung dient und beispielsweise als Wärmerad oder Luft- Luft-Wärmeübertrager ausgebildet ist. Ferner umfasst die Konditionieranlage 142 vorzugsweise ein Kühlregister 146 zum Kühlen und/oder Entfeuchten von Luft, ein Heizregister 148 zum Erhitzen der Luft, einen Befeuchter 150 zum Befeuchten der Luft und eine oder mehrere Filtervorrichtungen 152 zum Abscheiden von Verunreinigungen aus der Luft.
Mittels eines oder mehrerer Ventilatoren 140 ist die Luft antreibbar. Schließlich können noch ein oder mehrere Schalldämpfer 154 vorgesehen sein, um einer Geräuschentwicklung im Betrieb der Konditionieranlage 142 entgegenzuwirken.
Beispielsweise für einen optimierten Betrieb einer solchen Konditionieranlage 142 werden vorzugsweise einzelne oder mehrere der folgenden Daten mittels einer Erfassungsvorrichtung 116 erfasst: a) ein Energieverbrauch, insbesondere ein Verbrauch von thermischer und/oder elektrischer Energie zum Aufheizen und/oder Beheizen und/oder Befeuchten und/oder Entfeuchten der zugeführten Luft, insbesondere Frischluft. Hierzu wird insbesondere ein elektrischer Energieverbrauch des Kühlregisters 146, des Heizregisters 148, des Befeuchters 150, insbesondere von einer oder mehreren Befeuchterpumpen des Befeuchters 150, und/oder der Ventilatoren 140 erfasst; b) werkstückbezogene Daten, insbesondere die räumlichen Ausmaße, die Oberflächengröße, die Masse und/oder das Material eines jeden Werkstücks 106. Zudem kann erfasst werden, in welchem Behandlungsschritt das jeweilige Werkstück 106 vorliegt und/oder welche Anzahl von Werkstücken 106 zu einem gegebenen Zeitpunkt und/oder zukünftig gleichzeitig und/oder nacheinander zu behandeln ist oder sein wird; c) Vorgegebene Parameter der Trocknungsanlage 122, insbesondere eine Solltemperatur und/oder Sollfeuchte in einer oder mehreren Heizzonen und/oder Haltezonen und/oder Kühlzonen und/oder ein mittels des einen oder der mehreren Ventilatoren zu erzeugender Sollluftvolumenstrom; d) Prozesswerte der Trocknungsanlage 122, insbesondere eine Isttemperatur und/oder Istfeuchte in einer oder mehreren Heizzonen und/oder Haltezonen und/oder Kühlzonen und/oder ein mittels des einen oder der mehreren Ventilatoren erzeugter Istluftvolumenstrom und/oder ein Status (Ein, Aus, Störung) einer oder mehrerer Komponenten und/oder eine Isttemperatur und/oder Istfeuchte eines Ansaugluftstroms (insbesondere Frischluftstroms) und/oder eine Isttemperatur und/oder Istfeuchte eines Abluftstroms; e) Wetterdaten, insbesondere eine Isttemperatur und/oder Istfeuchte einer Außenumgebungsluft.
Wenn nun beispielsweise mittels der Steuervorrichtung 114 die erfassten Daten unter Verwendung des Datenmodells genutzt werden, um den Ressourcenverbrauch zu bewerten, so können beispielsweise die folgenden Erkenntnisse gewonnen und an einen Nutzer oder Anlagenbetreiber der Prozessanlage 100 mitgeteilt werden:
Am Beispiel der Lackieranlage 104:
A) Wenn ein erfasster Istheizenergieverbrauch innerhalb eines unter Verwendung des Datenmodells ermittelten akzeptablen Verbrauchsbereichs liegt, jedoch die Isttemperatur des Behandlungsfluids im Behandlungsbecken 108 unter einer Solltemperatur liegt:
Hier kann vorzugsweise ein Hinweis auf ein möglicherweise dauerhaftes Energieeinsparpotential gegeben werden. Ein Nutzer oder Anlagenbetreiber hat dann zu entscheiden, ob die geringere Temperatur des Behandlungsfluids Auswirkungen auf die Qualität der Werkstückbehandlung hat. Falls nein, kann er zugunsten der zukünftig geringeren Solltemperatur entscheiden. Andernfalls wird eine Änderung der Anlagensteuerung vorgenommen, um die Isttemperatur des Behandlungsfluids in den akzeptablen Bereich der Solltemperatur zu bringen.
B) Wenn ein erfasster Istheizenergieverbrauch innerhalb eines unter Verwendung des Datenmodells ermittelten akzeptablen Verbrauchsbereichs liegt, jedoch die Isttemperatur des Behandlungsfluids im Behandlungsbecken 108 über einer Solltemperatur liegt: Hier kann vorzugsweise ein Hinweis darauf gegeben werden, dass der Energieverbrauch der Lackieranlage 104 zulässig ist unter Berücksichtigung der Eingangsgrößen. Zusätzlich oder alternativ hierzu kann ein Hinweis darauf gegeben werden, dass die Isttemperatur des Behandlungsfluids zu hoch ist und dies zu einem höheren Energieverbrauch führt. Vorzugsweise kann angegeben werden, wie viel Energie eingespart werden kann, wenn die Isttemperatur auf die Solltemperatur abgesenkt wird.
C) Wenn ein erfasster Istheizenergieverbrauch über einem unter Verwendung des Datenmodells ermittelten akzeptablen Verbrauchsbereich liegt, andere Messwerte hingegen unauffällig sind, insbesondere innerhalb vorgegebener und/oder erwartbarer Grenzen liegen:
In diesem Fall kann darauf geschlossen werden, dass sich etwas an der Prozessanlage 122 verändert hat, was zu einem erhöhten Energieverbrauch führt. Ein Beispiel dafür kann sein, dass der Wärmetauscher in einem Heißwasserkreislauf verschmutzt ist, wodurch sich der Wirkungsgrad reduzieren kann und mehr Heizenergie zur Erzielung der Solltemperatur erforderlich ist.
Am Beispiel der Trocknungsanlage 122:
A) Wenn ein erfasster Iststromverbrauch der Ventilatoren 140 über einem unter Verwendung des Datenmodells ermittelten akzeptablen Verbrauchsbereichs liegt, andere Messwerte hingegen unauffällig sind, insbesondere innerhalb vorgegebener und/oder erwartbarer Grenzen liegen:
In diesem Fall kann darauf geschlossen werden, dass sich etwas an der Prozessanlage 122 verändert hat, was zu einem erhöhten Energieverbrauch führt. Ein Beispiel dafür kann sein, dass eine oder mehrere Filtervorrichtungen 152 verschmutzt sind, was dazu führt, dass die Ventilatoren 140 mehr leisten müssen, um den steigenden Differenzdruck auszugleichen und den gleichen Luftvolumenstrom zu erzeugen. Ein Nutzer oder Anlagenbetreiber kann hierbei den Hinweis erhalten, die Filtervorrichtungen 152 zu prüfen. Bei einer automatisierten Filterdifferenzdruckmessung kann diese auch in das Datenmodell und/oder in die Erfassung der Daten einfließen.
B) Wenn sich Produktionsparameter ändern, beispielsweise wenn sich die Anzahl der je Zeitfenster zu behandelnden Werkstücke 106 um 10 % erhöht und sich dadurch die erforderliche Heizenergie der Trocknungsanlage 122 um 3 % erhöht:
Es kann dann beispielsweise ermittelt werden, dass der Istheizenergieverbrauch im zulässigen Bereich ist unter Berücksichtigung der sich ändernden Eingangsgrößen (insbesondere der höheren Stückzahl). C) Wenn sich aufgrund einer Wetteränderung beispielsweise ein starker Anstieg der Außentemperatur um 10°C innerhalb eines halben Tages (z.B. im Sommer) ergibt und die erforderliche Kühlenergie in der Kühlzone um 50 % steigt: Hier kann der Nutzer oder Anlagenbetreiber den Hinweis erhalten, dass die Verdoppelung der Kühlenergie auf die Änderungen des Außenwetters zurückzuführen ist.
Am Beispiel der Konditionieranlage 142:
A) Wenn unter Verwendung des Datenmodells aufgrund der Wettervorhersage eine Vorhersage des Heizenergieverbrauchs für die Zukunft, beispielsweise für die nächsten sechs Stunden, höher liegt als ein aktueller Istheizenergieverbrauch: Hier kann der Nutzer oder Anlagenbetreiber den Hinweis erhalten, dass mit einem ansteigenden Heizenergieverbrauch zu rechnen ist. Dies ermöglicht es, vorzugsweise rechtzeitig ausreichend Heizenergie bereitzustellen, beispielsweise durch Zuschalten einer oder mehrerer zusätzlicher Energiequellen. Alternativ hierzu kann eine Anpassung der Produktionsplanung erfolgen.
Die vorstehend genannten Beispiele veranschaulichen den Nutzen, welcher sich für den Betrieb einer Prozessanlage 100 ergeben kann, wenn man den Ressourcenverbrauch geeignet bewertet, insbesondere unter Verwendung eines Datenmodells.
Auf die Erstellung und Nutzung des Datenmodells wird nachfolgend anhand der Fig. 4 und 5 eingegangen.
Das für die Optimierung des Betriebs der Prozessanlage 100 genutzte Verfahren ist ein Verfahren zur Bewertung des Ressourcenverbrauchs der Prozessanlage 100.
Das Verfahren basiert vorzugsweise auf einem maschinellen Lernmodell, das einen Zusammenhang zwischen den für den Betrieb der Prozessanlage 100 relevanten Daten, insbesondere Betriebsdaten und/oder Rahmendaten der Prozessanlage 100, beispielsweise Produktionsdaten, Prozesswerten, Einstellparametern und äußeren Einflussgrößen (Lufttemperatur, Luftfeuchte), einerseits und dem Ressourcenverbrauch andererseits herstellt. Um diesen Zusammenhang zu erlernen, wird das Datenmodell auf historischen Daten trainiert, wobei für die historischen Daten vorzugsweise jeweils ein zugeordneter Ressourcenverbrauch oder zumindest ein Zusammenhang mit einem Ressourcenverbrauch bekannt ist. Das Verfahren umfasst insbesondere die folgenden Teilschritte:
(1 ) Datenerfassung / Verarbeitung
(2) Training des Datenmodells
(3) Simulation
(4) Bewertung
(5) Anlagenoptimierung
(6) Bestimmung des Parametereinflusses
(7) Parameterbewertung
(8) Parameteroptimierung
Die Nummerierung dieser Teilschritte findet sich auch in den Fig. 4 und 5 wieder.
(1) Datenerfassung / Verarbeitung
Bei der Durchführung der Datenerfassung zum Erfassen von für den Betrieb der Prozessanlage 100 relevanten Daten werden vorzugsweise einzelne oder mehrere der folgenden Daten erfasst, insbesondere gemessen oder sonst wie ermittelt:
Energieverbrauch, insbesondere aus der Prozessteuerung und der Energieeinspeisung; werkstückbezogene Daten: Art des jeweiligen Werkstücks 106, Zeitpunkt einer Behandlung oder eines sonstigen Prozesses, Ort oder Position oder Ausrichtung des jeweiligen Werkstücks 106, Anzahl der Werkstücke 106, Prozessplanung, insbesondere erhalten aus einer Produktionssteuerung, beispielsweise dem sogenannten Manufacturing Execution System (MES);
Einstellparameter, insbesondere aus der Prozesssteuerung, beispielsweise Sollwerte für Prozesswerte und/oder meteorologische Daten (insb. Temperaturen, Niederschlagsmenge, Bewölkungsgrad sowie Windgeschwindigkeiten (erhalten aus einer Prozesssteuerung, einer Wetterstation und/oder einer externen Datenbank) sowie weitere kontextuelle Daten (insbesondere Uhrzeit oder Tageszeiten).
Vorzugsweise werden die erfassten Daten gespeichert und/oder ausgewertet und/oder aufbereitet. Beispielsweise kann vorgesehen sein, dass die erfassten Daten gemäß einer oder mehreren der folgenden Optionen aufbereitet werden: die Daten, insbesondere die Daten der Prozesssteuerung, werden als Zeitreihen in einer Datenbank erfasst; die Daten, insbesondere die Daten der Produktionssteuerung, werden teils als Zeitreihen und teils mit Werkstückbezug in einer Datenbank erfasst; die Daten werden in Zeitfenster geschnitten und/oder aggregiert, wobei die Länge der Zeitfenster vorzugsweise abhängig ist von einer Trägheit des Prozesses, insbesondere eines Behandlungsprozesses oder Stückprozesses; aus den Rohdaten werden Merkmale abgeleitet, beispielsweise gemäß einzelnen oder mehreren der folgenden Optionen: o Integral'/Summenbildung der Verbräuche und Produktionszahlen; o Statistische Merkmale wie Mittelwerte und Standardabweichungen der Prozessdaten; o Abschnittsbasierte statistische Merkmale, wie Mittelwerte und Streuungsparameter; o Merkmale aus der Signalanalyse wie Fourier und Wavelet-Transformationen; o Durchschnittliche Energieverbräuche während eines vorgegebenen oder durchschnittlichen Zeitfensters; o Auftragsdaten je Zeitfenster, wie Art des Werkstücks 106, Anzahl der Werkstücke 106, Anzahl je Derivat; o Durchschnittliche Einstellparameter während eines vorgegebenen oder durchschnittlichen Zeitfensters.
Vorzugsweise werden hierdurch vorverarbeitete Datensätze erstellt, welche als Grundlage für ein maschinelles Lernmodell verwendet werden können, insbesondere um einen Zusammenhang zwischen erfassbaren Einflussgrößen und dem Ressourcenverbrauch herstellen zu können, wobei die Zusammenhänge a priori nicht bekannt sein müssen.
(2) Training des Datenmodells
Das Datenmodell wird vorzugsweise mittels maschineller Lernverfahren trainiert. Dabei erlernt das Datenmodell vorzugsweise aus aggregierten Merkmalen den Zusammenhang zwischen Datenmodelleingängen (beispielsweise der Anzahl der Karosserien, Art der Karosserien, Einstellparametern, Prozesswerten, Wetterbedingungen, Anzahl an Derivaten, etc.) und einem Datenmodellausgang (insbesondere
Ressourcenverbräuchen während eines vorgegebenen oder durchschnittlichen Zeitfensters).
Das trainierte Datenmodell ist vorzugsweise in der Lage, aus den gemessenen Datenmodelleingängen den theoretischen Ressourcenverbrauch auf der Basis der aus den historischen Daten gelernten Zusammenhänge zu ermitteln. Die Datenmodellqualität ist abhängig von der Anzahl der berücksichtigten historischen Daten. Je länger der zugrundeliegende Trainingszeitraum, desto höher die erwartete Genauigkeit des Datenmodells.
Vorzugsweise lässt sich das Datenmodell auf andere Arbeitsbereiche generalisieren. Allerdings ist für eine Aussage über den Einfluss von Einstellparametern auf den Ressourcenverbrauch notwendig, dass gemäß den historischen Daten unterschiedliche Sollwerte angefahren wurden, siehe auch der Schritt „Bestimmung des Parametereinflusses“ (6).
Es kann vorgesehen sein, dass mindestens je zwei Konfigurationen der Einstellparameter in den historischen Daten enthalten sind.
Günstig kann es sein, wenn ein Trainingsmodus an oder in der Prozessanlage 100 vorgesehen ist, insbesondere um das Datenmodell zu optimieren, beispielsweise durch Verwendung verschiedener Produktionszahlen und Einstellparameter.
Das Datenmodell kann beispielsweise als dynamisches Datenmodell ausgeführt sein. In diesem Fall werden Datenmodelleingänge und Datenmodellausgänge von vorherigen Zeitpunkten zusätzlich als Datenmodelleingang verwendet oder ein Datenmodell mit Speicherzuständen verwendet.
Günstig kann es sein, wenn das dem Datenmodell zugrundeliegende Machine Learning- Verfahren invertierbar bezüglich der Datenmodellparameter und/oder Faktoren ist, d.h. dass die Datenmodellparameter eindeutig den Einflussgrößen als Faktoren zuordenbar sind. Die eingesetzten Verfahren ermöglichen vorzugsweise diese direkte Interpretierbarkeit und umfassen zum Beispiel lineare Regressionsansätze oder Entscheidungsbäume. Die Einschränkung auf interpretierbare Machine Learning-Verfahren kann vorzugsweise mit Hinblick auf den Schritt „Bestimmung des Parametereinflusses“ (6) vorteilhaft sein.
Es kann vorgesehen sein, dass ein Nachlernen oder erneutes Training getriggert wird (Schritt (4) zu Schritt (2)), wenn bei der Bewertung (Schritt (4)) entschieden wird, dass ein Neutraining notwendig ist oder ein Nutzer oder Anlagenbetreiber dies entscheidet.
Vorzugsweise ist durch das Training des Datenmodells das Datenmodell in der Lage, einen Zusammenhang zwischen den Einflussgrößen und dem Ressourcenverbrauch herzustellen. Aus der Datenmodellstruktur können vorzugsweise zusätzliche Informationen abgeleitet werden, insbesondere über den Einfluss der Größen auf den Ressourcenverbrauch, beispielsweise den Energieverbrauch (siehe Schritt (6)).
(3) Simulation
Unter Verwendung des Datenmodells wird vorzugsweise ein aktueller und/oder zukünftiger Ressourcenverbrauch ermittelt. Insbesondere wird der aktuelle und/oder zukünftige Ressourcenverbrauch berechnet oder simuliert.
Die Grundlage für eine Simulation des aktuellen und/oder zukünftigen Ressourcenverbrauchs ist das trainierte Datenmodell.
Als Eingangsparameter für die Simulation werden vorzugsweise Istwerte der Prozesssteuerung und/oder des Manufacturing Execution Systems (MES) und/oder einer Wetterstation verwendet, wobei die so erfassten Werte vorzugsweise jeweils aggregiert werden über Zeitfenster, insbesondere unter Verwendung eines Puffers oder einer Datenbank.
Die Simulation ist insbesondere eine Ist-Simulation des Ressourcenverbrauchs, insbesondere des Energieverbrauchs.
Ferner ist mittels der Simulation vorzugsweise eine Vorhersage möglich. Hierfür werden insbesondere Planwerte aus einem Produktionsplan und/oder Auslegungsdaten und/oder Wettervorhersagedaten als Eingangsdaten erfasst, insbesondere um eine Prädiktion des Ressourcenverbrauchs, insbesondere des Energieverbrauchs, zu erhalten.
Als Ausgangsparameter, insbesondere für jeden oder abhängig von jedem Eingangsparameter sind vorzugsweise ein Modellwert des Ressourcenverbrauchs für einen Zeitabschnitt oder ein Zeitfenster und/oder ein prädizierter Ressourcenverbrauch bereitstellbar.
Bei der Ermittlung erhältliche Simulationswerte werden vorzugsweise in einer Datenbank abgelegt zur weiteren Verarbeitung.
Bei der Durchführung der Ist-Simulation, das heißt bei der Ermittlung eines aktuellen Ressourcenverbrauchs, ist vorzugsweise Folgendes vorgesehen: Die Ist-Simulation wird vorzugsweise regelmäßig in einem vordefinierten Zeitintervall oder bei Änderung der Einflussparameter durchgeführt, um eine kontinuierliche Überwachung des Ressourcenverbrauchs zu ermöglichen.
Das Resultat ist vorzugsweise eine Zeitreihe des Datenmodell-Ist-Ressourcenverbrauchs, die zu einem Vergleich mit dem gemessenen Ressourcenverbrauch herangezogen wird (siehe Schritt (4)).
Bei der Durchführung der Prädiktion, das heißt bei der Ermittlung eines zukünftigen Ressourcenverbrauchs, ist vorzugsweise Folgendes vorgesehen:
Die Prädiktion ist ein optionaler Verfahrensschritt, der in die Bewertung mit einfließen kann. Die Prädiktion wird vorzugsweise regelmäßig in einem vordefinierten Zeitintervall oder bei Änderung der zukünftigen Planwerte und/oder der vorhergesagten Wetterbedingungen durchgeführt, um eine kontinuierliche Überwachung des zukünftigen Ressourcenverbrauchs zu ermöglichen.
Das Resultat ist vorzugsweise eine Zeitreihe der Prädiktion des Ressourcenverbrauchs, die insbesondere für die Ressourcenbedarfsplanung und/oder als Grundlage für Optimierungsschritte verwendet werden kann (z.B. zur Lastspitzenreduktion, siehe Schritt (8)).
(4) Bewertung
Zur Durchführung der Bewertung werden vorzugsweise eine simulierte Zeitreihe und eine gemessene Zeitreihe des Ressourcenverbrauchs miteinander verglichen.
Dazu wird beispielsweise eine Differenz zwischen den Werten gebildet, wobei sich insbesondere eine Zeitreihe ergibt, die die Abweichungen repräsentiert (Delta-Zeitreihe).
Daraus können vorzugsweise Schlüsse über den Ressourcenverbrauch gezogen werden, beispielsweise um eine automatische Entscheidung oder eine Entscheidungsgrundlage für den Nutzer oder Anlagenbetreiber zu schaffen für eine Entscheidung über die weiteren Schritte: o Wenn beispielsweise ein Ist-Energieverbrauch und das Datenmodell in Ordnung sind, sind keine weiteren Schritte notwendig; o Wenn beispielsweise ein Ist-Energieverbrauch nicht in Ordnung ist, das Datenmodell aber in Ordnung ist, kann der simulierte Energieverbrauch niedriger oder höher sein als der gemessene Energieverbrauch. Es muss sich dann etwas an der Prozessanlage 100 geändert haben, das den Energieverbrauch beeinflusst und durch die bisherigen Einflussparameter nicht erfasst wurde. In diesem Fall wird mit einer Anlagenoptimierung fortgefahren (Schritt (5)); o Wenn das Datenmodell nicht in Ordnung ist, kann es sein, dass beispielsweise ein simulierter Energieverbrauch sich unterscheidet von einem gemessenen Verbrauch. Wenn dann Anlagenfehler oder Anlagenänderungen ausgeschlossen werden, muss ein Nutzer oder Anlagenbetreiber eine Bewertung vornehmen, insbesondere nach Prüfung von Fehlerinformationen. Anschließend kann ein ergänzendes Training des Datenmodells initiiert werden (Schritt (2)).
Günstig kann es sein, wenn anstelle eines aktuellen Ist-Werts bei der Ermittlung, insbesondere Berechnung und/oder Simulation, eines aktuellen und/oder zukünftigen Ressourcenverbrauchs eine Zeitreihe berücksichtigt wird. Hierdurch kann vorzugsweise eine bessere Bewertung ermöglicht werden, da beispielsweise dynamische Effekte mitberücksichtigt werden können (z.B. ein Fehlertrend über mehrere Tage / Wochen im Vergleich zu einem zügigen Anstieg des Fehlers).
Optional kann es vorgesehen sein, dass Fehler-Muster, insbesondere Ressourcenfehler- Muster, gelabelt werden, insbesondere manuell gelabelt werden. Hierbei können insbesondere Muster in der Zeitreihe des Ressourcenfehlers Ursachen zugeordnet werden.
Beispielsweise kann es passieren, dass beim Öffnen einer Klappe sich immer ein bestimmter Fehler ergibt (plötzliche Änderung der Ist-Energie) oder dass bei leerer Produktion (Leerfahrt) der Energieverbrauch im Trockner höher ist als in einem Vergleichstrockner oder Vergleichszeitraum während der Durchführung eines Prozesses. Hierbei kann vorzugsweise auf eine Fehlkonfiguration in den Schleusen geschlossen werden, wobei diese Information im Datenmodell hinterlegt werden und zukünftig genutzt werden kann.
Eine Ursache für einen Fehler kann vorzugsweise vom Nutzer oder Anlagenbetreiber hinterlegt werden.
Das Ergebnis des Verfahrensschritts bildet vorzugsweise eine Entscheidungsgrundlage für Anlagenänderungen und/oder ein erneutes Datenmodelltraining.
(5) Anlagenoptimierung Die Anlagenoptimierung wird vorzugsweise manuell durch einen Nutzer oder Anlagenbetreiber oder automatisch durch eine Steuervorrichtung 114 durchgeführt. Eine durchgeführte Optimierungsmaßnahme kann vorzugsweise vom Nutzer oder Anlagenbetreiber oder automatisch hinterlegt werden, insbesondere im Datenmodell oder einer Datenbank.
(6) Parametereinfluss
Beispielsweise a) zur Ermittlung, insbesondere Berechnung und/oder Simulation, des aktuellen und/oder zukünftigen Ressourcenverbrauchs und/oder b) zur Bewertung des gemessenen Ressourcenverbrauchs wird vorzugsweise ein Einfluss der Eingangsgrößen, insbesondere ein Einfluss der Datenwerte und/oder Datentypen der erfassten Daten, auf den Ressourcenverbrauch ermittelt. Beispielsweise kann hierbei vorgesehen sein, dass mittels Korrelationen, beispielsweise mittels Faktoren, ein Einfluss der Eingangsgrößen auf den Ressourcenverbrauch aus dem Datenmodell, insbesondere den Datenmodellparametern beschrieben wird. Beispielsweise kann mittels der Korrelationen, insbesondere mittels Faktoren, beschrieben werden, wie groß ein Einfluss auf den Ressourcenverbrauch bei Änderungen des Wetters, der Sollwerte und/oder der Prozessgrößen ist.
Vorzugsweise kann vorgesehen sein, dass, insbesondere in einem ersten Schritt, mithilfe aus dem Datenmodell extrahierter und/oder daraus ableitbarer Zusammenhänge, die wichtigsten und/oder auswirkungsreichsten Eingangsgrößen identifiziert werden.
Anschließend wird der Einfluss der wichtigsten und/oder auswirkungsreichsten Eingangsgrößen auf den Ressourcenverbrauch quantifiziert.
Die Einflussfaktoren und deren ermittelte Wichtigkeit und/oder der ermittelte Auswirkungsgrad werden vorzugsweise nach jeder Änderung und/oder nach jeder Datenerfassung in die Datenbank und/oder das Datenmodell geschrieben. Hierdurch ist vorzugsweise der Verlauf der Änderung der Einflussgrößen nachvollziehbar.
Vorzugsweise kann eine Beziehung, insbesondere eine Korrelation, zwischen den Eingangsgrößen und/oder den Einflussfaktoren einerseits und dem Ressourcenverbrauch andererseits hergestellt werden, welche über den gesamten trainierten Zeitraum hinweg gültig hat und/oder welche über den gesamten trainierten Zeitraum hinweg derart variiert, dass vorzugsweise stets eine möglichst optimale Ermittlung, insbesondere Berechnung und/oder Simulation, des aktuellen und/oder zukünftigen Ressourcenverbrauchs möglich ist (7) Parameterbewertung
Günstig kann es sein, wenn ermittelt, insbesondere überprüft, wird, ob ermittelte und/oder gemessene Änderungen im Ressourcenverbrauch auf Abweichungen in den Eingangsgrößen und/oder Einflussfaktoren, insbesondere Einflussparameter, zurückzuführen sind.
Hierbei kann beispielsweise eine Änderung im Verlauf des Ressourcenverbrauchs, insbesondere eine mathematische Ableitung im Verlauf des Ressourcenverbrauchs, überprüft, insbesondere analysiert, werden.
Bei einer Ausgestaltung kann es vorgesehen sein, dass sich bei einer Änderung eines gemessenen oder ermittelten Ressourcenverbrauchs, beispielsweise bei einer Erhöhung oder Absenkung eines Ist-Energieverbrauchs, einem Nutzer oder Anlagenbetreiber angezeigt oder sonst wie mitgeteilt wird, welcher Parameter sich verändert hat und einen Einfluss, insbesondere einen auswirkungsreichen Einfluss, auf die Änderung des Ist- Energieverbrauchs hatte.
Dazu wird vorzugsweise zunächst überprüft, ob der sich ändernde Ressourcenverbrauch, insbesondere Energieverbrauch, auf Einflussparametern basiert, die vom Datenmodell berücksichtigt wurden. Dazu wird vorzugsweise die Bewertung aus Schritt (4) herangezogen. Es kann vorgesehen sein, dass zur Parameterbewertung ein oder mehrere zukünftige Datenwerte, insbesondere ein oder mehrere prädizierte Datenwerte, herangezogen und/oder berücksichtigt werden. Beispielsweise kann ein Einfluss eines Produktionsplans und von vorhergesagten Wetterdaten auf den Ressourcenverbrauch, insbesondere Energieverbrauch, herangezogen und/oder berücksichtigt werden.
Vorzugsweise ist eine Aussage dahingehend bereitstellbar, welcher Parameter den Ressourcenverbrauch, insbesondere Energieverbrauch, negativ oder positiv beeinflusst hat oder beeinflussen wird.
(8) Parameteroptimierung
Sofern möglich, erfolgt vorzugsweise eine Optimierung der Parameter, insbesondere automatisch oder durch manuellen Eingriff in die Prozessanlage 100. Eine manuelle Änderung erfolgt beispielsweise auf der Basis der Erkenntnisse, insbesondere der Aussage, der Parameterbewertung.
Eine automatische Parameteroptimierung erfolgt beispielsweise durch mathematische Lösung eines Optimierungsproblems. Hierfür werden beispielsweise ein Produktionsplan und/oder Sollwerte der erfassten oder ermittelten Datenarten und/oder Datentypen unter Verwendung einer Optimierungsfunktion optimiert.
Das zu lösende Optimierungsproblem enthält beispielsweise Nebenbedingungen wie: Mindestanzahl der Werkstücke 106 im Prozess und/oder zulässige Sollwertbereiche, vorzugsweise um die Qualität der Werkstücke 106 und/oder der herzustellenden Produkte zu gewährleisten.
Alternativ oder ergänzend hierzu kann eine Optimierung auf der Basis eines dynamischen Datenmodells durchgeführt werden, insbesondere automatisch durchgeführt werden.
Als ein Aspekt kann vorgesehen sein, dass eine Lastspitzenüberwachung und/oder Lastspitzenreduktion erfolgt. Hierfür werden beispielsweise Einschaltzeitpunkt und/oder Regelparameter von Komponenten der Prozessanlage 100 optimiert, insbesondere stets unter Berücksichtigung anderer Komponenten und/oder Anlagenteile.
Bei dem vorliegenden Verfahren ist vorzugsweise eine Optimierung der Regelstrategie vorgesehen. Neben einer Optimierung von Einstellparametern können vorzugsweise auch dynamische Fahrweisen, wie z.B. eine Regelstrategie, automatisch bewertet und/oder optimiert werden. Beispielsweise können Regeltoleranzen zugelassen werden und/oder es können Definitionen der Sollwerte basierend auf der Parameterbewertung des Ressourcenverbrauchs genutzt werden.
Vorzugsweise ist es mit der Ermittlung, insbesondere Berechnung und/oder Simulation, eines aktuellen und/oder zukünftigen Ressourcenverbrauchs möglich, Referenzwerte für den Ressourcenverbrauch abzuleiten, die für eine Anlage mit bestimmter Auslegung/Dimensionierung in einer zentralen Datenbank archiviert werden oder archivierbar sind. Mit diesen Referenzwerten kann bei ähnlichem Anlagenaufbau und/oder ähnlicher Anlagendimensionierung der Ressourcenverbrauch vorzugsweise gebenchmarkt werden. Ferner können mit den errechneten Ressourcenverbrauchswerten, insbesondere
Energiewerten, die Auslegung der Prozessanlage 100 und/oder festgelegte Energiegrenzen optimiert werden.
Bezugszeichenliste
Prozessanlage Behandlungsanlage Lackieranlage Werkstück
Behandlungsbecken Fördervorrichtung Heizvorrichtung Steuervorrichtung Erfassungsvorrichtung Abführung Zuleitung Trocknungsanlage Behandlungsraum Schleuse Heizzone
Haltezone Luftanlage Wärmeübertrager Abgasreinigungsvorrichtung Umluftmodul
Ventilator Konditionieranlage Kühlregister Heizregister Befeuchter Filtervorrichtung Schalldämpfer

Claims

- 37 -
Patentansprüche Verfahren zur Bewertung des Ressourcenverbrauchs einer Prozessanlage (100), insbesondere einer Produktionsanlage oder Behandlungsanlage (102), wobei das Verfahren Folgendes umfasst: a) Durchführung einer Datenerfassung zum Erfassen von für den Betrieb der Prozessanlage (100) relevanten Daten, insbesondere Betriebsdaten und/oder Rahmendaten der Prozessanlage (100); b) Ermittlung, insbesondere Berechnung und/oder Simulation, eines aktuellen und/oder zukünftigen Ressourcenverbrauchs auf der Basis der erfassten Daten unter Verwendung eines Datenmodells, mittels welchem Korrelationen zwischen den erfassten Daten untereinander und/oder zwischen den erfassten Daten und einem Ressourcenverbrauch der Prozessanlage (100) hergestellt sind; c) Bewertung eines gemessenen Ressourcenverbrauchs, insbesondere durch Vergleich desselben mit dem ermittelten, insbesondere berechneten und/oder simulierten, Ressourcenverbrauch. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass als ein Ergebnis der Bewertung des gemessenen Ressourcenverbrauchs angegeben wird, ob der gemessene Ressourcenverbrauch innerhalb oder außerhalb eines akzeptablen Verbrauchsbereichs liegt, wobei der akzeptable Verbrauchsbereich sich aus dem ermittelten, insbesondere berechneten und/oder simulierten, Ressourcenverbrauch ergibt. Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass als ein Ergebnis der Bewertung des gemessenen Ressourcenverbrauchs ein Rückschluss darauf gezogen wird, ob eine Fehlfunktion und/oder eine Fehlbedienung und/oder ein anomales Verhalten der Prozessanlage (100) vorliegt. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass für den Rückschluss Einzelwerte der für den Betrieb der Prozessanlage (100) relevanten Daten und/oder Eingabewerte eines oder mehrere Nutzer oder Anlagenbetreiber der Prozessanlage (100) berücksichtigt werden. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass als Betriebsdaten der Prozessanlage (100) einzelne oder mehrere Daten von - 38 -
Komponenten der Prozessanlage (100), welche insbesondere einen Zustand der Prozessanlage (100) beschreiben, erfasst und/oder genutzt werden, wobei die Daten vorzugsweise Folgendes sind oder umfassen:
Messwerte einer oder mehrerer Komponenten der Prozessanlage (100); eine Auslastung der Prozessanlage (100);
Informationen über eine Betriebsart oder einen Betriebsmodus der Prozessanlage (100). Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass als Rahmendaten der Prozessanlage (100) einzelne oder mehrere Daten erfasst oder genutzt werden, a) welche von nicht zur Prozessanlage (100) gehörenden Komponenten unabhängig sind; und/oder b) welche von der Ausgestaltung der Prozessanlage (100) und/oder von einem Betriebsmodus der Prozessanlage (100) unabhängig sind. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die Rahmendaten eine aktuelle oder zu einem bestimmten Zeitpunkt erwartete Uhrzeit oder Tageszeit; und/oder einen aktuellen oder einen erwarteten Wochentag; und/oder aktuelle oder vorhergesagte Wetterdaten; und/oder aktuelle oder erwartete Stromkosten und/oder Materialbeschaffungskosten und/oder Materialentsorgungskosten umfassen. Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die im Rahmen der Datenerfassung erfassten Daten aufbereitet und/oder verarbeitet werden, beispielsweise a) durch Kategorisierung, insbesondere durch Codierung diskreter Kennwerte; und/oder b) durch Einteilung in oder Zuordnung zu Zeitreihen; und/oder c) durch statistische Auswertung, beispielsweise Mittelwertbildung, Ermittlung einer Standardabweichung, Ermittlung von Streuungsparametern, etc. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass abhängig von der Bewertung des gemessenen Ressourcenverbrauchs Änderungen im Betriebsmodus und/oder an Betriebsparametern der Prozessanlage (100) vorgenommen werden, insbesondere zur Wiederherstellung eines Zustands, in welchem der gemessene Ressourcenverbrauch innerhalb eines akzeptablen Verbrauchsbereichs liegt, wobei die Änderungen insbesondere unter Einhaltung einer bestimmten Qualität von Werkstücken (106) und/oder von herzustellenden Produkten erfolgen. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass eine oder mehrere, insbesondere sämtliche, Änderungen manuell durch einen Nutzer oder Anlagenbetreiber vorgenommen werden, insbesondere als Reaktion auf eine entsprechende Anzeige oder sonstige Mitteilung als Resultat der durchgeführten Bewertung. Verfahren nach einem der Ansprüche 9 oder 10, dadurch gekennzeichnet, dass eine oder mehrere, insbesondere sämtliche, Änderungen automatisiert durch die Prozessanlage (100) selbst, insbesondere durch eine Steuervorrichtung (114) der Prozessanlage (100), vorgenommen werden, beispielsweise nach Lösung eines Optimierungsproblems als Reaktion auf die durchgeführte Bewertung. Verfahren zur Bereitstellung eines Datenmodells zur Bewertung des Ressourcenverbrauchs einer Prozessanlage (100), insbesondere einer Produktionsanlage oder Behandlungsanlage (102), wobei das Verfahren Folgendes umfasst: i) Bereitstellen von historischen Daten der Prozessanlage (100), welche a) früher ermittelte Betriebsdaten und/oder Rahmendaten; und b) früher ermittelte Ressourcenverbrauchsdaten umfassen; ii) Erstellen und/oder Trainieren eines Datenmodells unter Verwendung der historischen Daten, wobei mittels des Datenmodells Korrelationen zwischen den früher ermittelten Betriebsdaten und/oder Rahmendaten und den früher ermittelten Ressourcenverbrauchsdaten hergestellt werden, wobei vorzugsweise ein zeitlicher Kontext der Daten berücksichtigt wird. Verfahren nach Anspruch 12, dadurch gekennzeichnet, dass im Datenmodell Korrelationen, beispielsweise Faktoren, ermittelt und/oder hinterlegt werden, welche einen Grad der Auswirkung einer Änderung von als Eingangsgrößen dienenden historischen Daten auf den Grad der Auswirkung auf den Ressourcenverbrauch beschreiben, wobei das Datenmodell insbesondere ein erklärendes Modell und/oder ein statistisches Modell ist. Verfahren nach einem der Ansprüche 1 bis 11 , dadurch gekennzeichnet, dass das Datenmodell gemäß einem Verfahren nach einem der Ansprüche 12 oder 13 bereitgestellt ist oder wird. Prozessanlage (100), insbesondere Behandlungsanlage (102), beispielsweise Lackieranlage (104) und/oder Trocknungsanlage (122), wobei die Prozessanlage (100) eine Steuervorrichtung (114) umfasst, welche so eingerichtet und ausgebildet ist, dass eines oder mehrere der Verfahren nach einem der Ansprüche 1 bis 14 auf der Prozessanlage (100) und/oder mittels der Prozessanlage (100) durchführbar sind.
EP22817077.5A 2021-11-04 2022-11-04 Verfahren zur bewertung des ressourcenverbrauchs einer prozessanlage und prozessanlage Pending EP4427106A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021212412.7A DE102021212412A1 (de) 2021-11-04 2021-11-04 Verfahren zur Bewertung des Ressourcenverbrauchs einer Prozessanlage und Prozessanlage
PCT/DE2022/100812 WO2023078505A1 (de) 2021-11-04 2022-11-04 Verfahren zur bewertung des ressourcenverbrauchs einer prozessanlage und prozessanlage

Publications (1)

Publication Number Publication Date
EP4427106A1 true EP4427106A1 (de) 2024-09-11

Family

ID=84370150

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22817077.5A Pending EP4427106A1 (de) 2021-11-04 2022-11-04 Verfahren zur bewertung des ressourcenverbrauchs einer prozessanlage und prozessanlage

Country Status (4)

Country Link
EP (1) EP4427106A1 (de)
CN (1) CN118251637A (de)
DE (2) DE102021212412A1 (de)
WO (1) WO2023078505A1 (de)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5923834A (en) 1996-06-17 1999-07-13 Xerox Corporation Machine dedicated monitor, predictor, and diagnostic server
US20020010563A1 (en) * 1999-06-15 2002-01-24 S. Michael Ratteree Method for achieving and verifying increased productivity in an industrial process
US20030110103A1 (en) 2001-12-10 2003-06-12 Robert Sesek Cost and usage based configurable alerts
FR2879770B1 (fr) * 2004-12-17 2007-03-30 Air Liquide Procede de controle des performances energetiques d'une unite industrielle
US9129231B2 (en) * 2009-04-24 2015-09-08 Rockwell Automation Technologies, Inc. Real time energy consumption analysis and reporting
WO2013020603A1 (de) * 2011-08-11 2013-02-14 Siemens Aktiengesellschaft Verfahren zur fertigung eines bauelements
DE102014101439A1 (de) 2014-02-05 2015-08-06 Staufen.Ag Prozesssteuerungssystem zur Steuerung eines Produktentstehungsprozesses
CN112513753B (zh) * 2018-08-06 2023-10-03 三菱电机株式会社 生产调度装置以及生产调度方法

Also Published As

Publication number Publication date
WO2023078505A1 (de) 2023-05-11
DE112022005285A5 (de) 2024-09-05
CN118251637A (zh) 2024-06-25
DE102021212412A1 (de) 2023-05-04

Similar Documents

Publication Publication Date Title
EP3966647B1 (de) Analyseverfahren und vorrichtungen hierzu
EP3750011B1 (de) Verfahren zum optimierten betrieb eines ventilators oder einer ventilator-anordnung
EP3966648B1 (de) Analyseverfahren und vorrichtungen hierzu
WO2020224717A1 (de) Analyseverfahren und vorrichtungen hierzu
DE102019127154B4 (de) Vorrichtung zur Verbrennungsoptimierung und Verfahren dafür
EP3104240A1 (de) Einrichtung und verfahren zur optimierung eines arbeitspunktes für den betrieb einer anlage
DE102007030492A1 (de) Gebäudemodellbasiertes prädiktives Regelverfahren zum Heizen eines begrenzten Systems
EP2667278B1 (de) Verfahren und Vorrichtung zur Steuerung der Luftparameter in Räumen
EP4185928A1 (de) Stellungsregler selbstbewertung für digitalen zwilling
DE102013207449A1 (de) Verfahren zum Konditionieren von Luft und Konditionieranlage
DE102021129210A1 (de) Einrichtung zur Gebäudelüftung und Verfahren zur Regelung der Zirkulation von Raumluft
WO2023078505A1 (de) Verfahren zur bewertung des ressourcenverbrauchs einer prozessanlage und prozessanlage
WO2023168471A1 (de) Verfahren zur steuerung eines thermischen energieversorgungsnetzes
EP3921810B1 (de) Verfahren und vorrichtung zum automatisierten identifizieren eines produktfehlers eines produkts und/oder zum automatisierten identifizieren einer produktfehlerursache des produktfehlers
EP3203330A1 (de) Softsensor zur identifikation und regelung oder steuerung eines lüftungssystems
DE102019206839A1 (de) Analyseverfahren und Vorrichtungen hierzu
EP3396477B1 (de) Verfahren zur bestimung von regeln zur charakterisierung des normalen betriebszustands eines arbeitsprozesses
DE102020207989A1 (de) Verfahren Vorrichtung zur Erstinbetriebnahme eines Brennstoffzellenstapels
DE102022101012A1 (de) Regel- und Steuerungsverfahren sowie Anlage zur verringerten CO2-Emission
EP3521947A1 (de) Energiemanagementverfahren
DE102025114072A1 (de) Verfahren zum Steuern einer Lüftungsanlage, Lüftungsanlage und Anlage mit einer solchen Lüftungsanlage
EP1906273A1 (de) Verfahren zum Betreiben einer grosstechnischen Anlage sowie Leitsystem für eine grosstechnische Anlage
WO2016050599A1 (de) Verfahren zum ermitteln des energiebedarfs einer produktionsmaschine oder eines aus mehreren produktionsmaschinen bestehenden produktionssystems sowie zur durchführung des verfahrens geeignetes messgerät
DE102019206844A1 (de) Analyseverfahren und Vorrichtungen hierzu
WO2026092807A1 (de) Verfahren zum steuern einer lüftungsanlage, lüftungsanlage und anlage mit einer solchen lüftungsanlage

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240429

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20260130