WO1998027474A1

WO1998027474A1 - Verfahren und vorrichtung zur prozessführung einer verfahrenstechnischen anlage

Info

Publication number: WO1998027474A1
Application number: PCT/EP1997/007096
Authority: WO
Inventors: Andreas Kemna; Rainer Palm; Kai Heesche; Jürgen HOLLATZ; Herbert Furumoto
Original assignee: Siemens Aktiengesellschaft
Priority date: 1996-12-17
Filing date: 1997-12-17
Publication date: 1998-06-25
Also published as: DE19781454D2

Abstract

Insbesondere soll ein Rückgewinnungskessel (sog. Recovery-Boiler) bei der Zellstoffherstellung gesteuert und/oder geregelt werden, wobei aus den für Eingänge und Ausgänge anfallenden Prozeßdaten Signale ermittelt werden. Im einzelnen werden dazu die Rohdaten in eine Einheit zur Datenvorverarbeitung gegeben, die aufbereiteten Daten für eine Systemidentifizierung verwendet, und vom Operator die gewünschten Zielwerte der Ausgänge, insbes. Sollwerte, eingegeben. Es wird eine Optimierungsstrategie abgeleitet, die ein Veränderung der Eingänge vorschlägt, wozu die strukturierten Daten in den Regelprozeß eingegeben werden. Bei der zugehörigen Vorrichtung ist eine zusätzliche Einrichtung (Advisory-System) zur Generierung von Signalen vorhanden. Damit wird dem Operator entsprechend dem Steuervorschlag und dem Prozeßmodell eine Prädiktion angeboten. Das Prozeßmodell wird aufgrund von aktuellen Prozeßdaten im Sinne einer Adaption nachkorrigiert.

Description

Beschreibung

Verfahren und Vorrichtung zur Prozeßführung einer verfahrenstechnischen Anlage

Die Erfindung bezieht sich auf ein Verfahren zur Prozeßführung einer verfahrenstechnischen Anlage, insbesondere eines Rückgewinnungskessels (sog. Recovery-Boiler) bei der Zell- stoffherstellung, wobei aus für Eingänge und Ausgänge an- fallenden Prozeßdaten Signale ermittelt und zur Steuerung und/oder Regelung des Prozesses verwendet werden. Daneben bezieht sich die Erfindung auch auf die zugehörige Vorrichtung, die vorzugsweise zur Steuerung und/oder Regelung des Recovery-Boilers als verfahrenstechnische Anlage geeignet ist, wobei der Anlage wenigstens eine Steuer- und/oder Regeleinrichtung zugeordnet ist .

Der Recovery-Boiler in einer Zellstofffabrik hat im wesentlichen zwei Aufgaben: 1. Rückgewinnung von Chemikalien aus dem anorganischen Anteil der Schwarzlauge 2. Produktion von Dampf aus dem organischen Anteil der Schwarzlauge zur Energiegewinnung.

Der Herstellungsprozeß für Zellstoff beinhaltet das Kochen von Holzschnitzeln, wobei nach dem Kochungszyklus ein Zell- stoffbrei (Pulpe) und eine schwache Schwarzlauge (weak black liquor) entstehen. Die schwache Schwarzlauge (ca. 12 bis 18 % feste Stoffe) wird durch Eindampfung zu einer starken Schwarzlauge (strong black liquor = BL) mit 50 bis 55 %

Feststoffen konzentriert. Durch einen weiteren Verfahrens- schritt wird die Schwarzlauge (BL) auf 60 bis 80 % Feststoffe konzentriert, um die Verbrennung zu erleichtern.

Letztere Schwarzlauge (BL) wird in den Recovery-Boiler ein- gesprüht, wobei BL-Tröpfchen entstehen. Diese BL-Tröpfchen verbrennen im Recovery-Boiler und produzieren u.a. C0₂, Na₂S0₄ und ggfs. auch Kohle. Die organischen Bestandteile verbrennen zum großen Teil im Gasraum; eine weitere Umsetzung erfolgt in der Kohleschicht auf der Oberfläche eines Schmelzbettes (char-bed) , das sich am Boden des Recovery-Boilers ausbildet. Durch die anorganischen Bestandteile der Schwarzlauge entsteht eine Sodaschmelze, die aus dem Recovery-Boiler abfließt. Diese Sodaschmelze wird in nachfolgenden Schritten des Rückgewinnungszyklus (Recovery cycle) weiterverarbeitet und dem Kochprozeß wieder zugeführt .

Das sog. Rußblasen (Sootblowing) ist ein notwendiger Reinigungsvorgang der Wärmeübergangsflächen im Recovery- Boiler. Dabei wird ein gewichtiger Anteil des im Recovery- Boiler erzeugten Dampfes verbraucht (ca. 5 bis 10 %) . Das

Rußblasen wird zyklisch durchgeführt. Daher muß u.a. zwischen der Effizienzsteigerung des Recovery-Boilers durch das Sootblowing und dem dafür notwendigen Dampfverbrauch optimiert werden.

Aufgabe der Erfindung ist es, ein Verfahren und eine Vorrichtung anzugeben, mit denen vorbeschriebener Prozeß in geeigneter Weise geführt werden kann.

Zur Lösung dieser Aufgabe wird erfindungsgemäß das im

Patentanspruch 1 angegebene Verfahren insbesondere zwecks Optimierung der Prozeßführung in der Zellstoff- und Papierindustrie vorgeschlagen. Vorteilhafte Weiterbildungen sind in Unteransprüchen angegeben, wobei insbesondere die Ansprüche 9 bis 11 praxisrelevante Ausbildungen für einen Recovery-Boiler kennzeichnen. Die zugehörige Vorrichtung wird in den Patentansprüchen 12 und 13 angegeben. Eine solche Vorrichtung ist geeignet, dem Anlagenfahrer als Operator eines anlagentechnischen Systems geeignete Hilfestellung zu geben.

Bei der Erfindung ist besonders vorteilhaft, daß über das

Advisory-System dem Operator konkretere Steuervorschläge zum Fahren der Anlage gemacht werden können und darüber hinaus sogar eine Prädiktion als Vorhersage über den Anlagenbetrieb möglich ist. Dabei kann das dazu notwendige Prozeßmodell aufgrund von aktuellen Prozeßdaten nachkorrigiert werden, so daß das Modell dem aktuellen Anlagen-Zustand entspricht.

Weitere Einzelheiten und Vorteile des erfindungsgemäßen Verfahrens und der zugehörigen Vorrichtung speziell zur Prozeß- führung eines Recovery-Boilers ergeben sich aus nachfolgender Figurenbeschreibung. Es zeigen

Figur 1 eine schematische Darstellung eines Recovery-Boilers, Figur 2 die Grobstruktur des zugehörigen Regelkreises, Figur 3 den Aufbau des Advisory-Systems und

Figur 4 ein Kamerabild eines Schmelzbettes des Recovery- Boilers gemäß Figur 1 und Figur 5 die Bedienoberfläche eines Interface des Advisory- Systems für die Mensch/Maschine-Kommunikation. Die Figuren werden nachfolgend teilweise gemeinsam beschrieben. Die Erfindung wird daran beispielhaft speziell für einen Recovery-Boiler erläutert . Sie ist aber auch für andere verfahrenstechnische Anlagen insbesondere in der Zellstoff- und Papierindustrie einsetzbar.

Der eingangs bereits erläuterte Verbrennungs- und Rückgewinnungsprozeß bei der Zellstoffherstellung kann durch die maßgeblichen vier Eingänge (Prozeßimpuls = Manipulated variables) ü beeinflußt werden:

1. Menge der einströmenden Schwarzlauge (BL-Flow)

2. Zugeführte Primärluft (Primary Air = PA) .

3. Zugeführte Sekundärluft (Secondary Air = SA) .

4. Zugeführte Tertiärlauft (Tertiary Air = SA) . 5. Druck der einströmenden Schwarzlauge (BL-Pressure) .

Die wesentlichen Ausgänge (Prozeßoutputs) y lassen sich speziell bei einem Rückgewinnungskessel in der Papier- und

Zellstoffindustrie durch folgende Variablen beschreiben: 1. Schmelzbett (char bed.)

Char-bed - Gestalt und zwar Höhe und Form

Char-bed - content, d.h. der chemische Gehalt der Einzel - komponenten

Char-bed - Temperatur Der Bettgestalt kommt besondere Bedeutung zu.

2. Gas:

NOx - Gehalt

SOx - Gehalt

CO - Gehalt des Gases 02 - Überschuß (Excess 02) im Gas H2S + xx - Total reduced Sulfur (TRS)

3. Tropfchengröße (Droplet size)

4. Zahl und Volumen der zu den Superheatern vom Gasstrom hinaufgerissenen Partikel (Carry Over) 5. Dampf :

Dampfdurchflußmenge F Dampfdruck P Dampftemperatur T.

6. Temperatur im Kessel (Temperaturprofil) 7. Reduktionsgrad der Grünlauge 8. pH-Wert der Asche

Bild 1 zeigt ein vereinfachtes Schema eines Recovery Boilers mit seinen Ein- und Ausgängen. Dargestellt ist ein Kessel 1 mit Einlassen 2 bis 6 sowie Auslässe 7 und 9. Im einzelnen wird über die Einlasse 2 und 3 Schwarzlauge (BL) eingesprüht, aus der sich nach Verbrennung eine Schmelze in einem Schmelz - bett 10 variabler Gestalt bildet. Verbrennungsluft wird über die Einlasse 4 bis 6 zugeführt. Über den Auslaß 7 können Proben der Schmelze zur Reduktionsgradbestimmung entnommen werden.

Im oberen Bereich 8 des Kessels 1 wird mit der Verbrennung Dampf erzeugt und über einen Gasauslaß 9 ausgegeben. Es sind Meßstellen für die Dampfvariablen Durchfluß (F) , Druck (P) und Temperatur (T) vorhanden. Weiterhin werden die Gas- bestandteile wie 0₂, CO, S0₂, H₂S und NO_x bestimmt. Auch der pH-Wert der anfallenden Asche kann erfaßt werden.

Die allgemeinen Ziele der Prozeßsteuerung beim Betrieb des Recovery-Boilers gemäß Figur 1 sind 1. Verbesserung der Rückgewinnung der anorganischen Chemikalien (chemical recovery)

2. Erhöhung der Energiegewinnung aus organischen Anteilen (energy conversion efficiency) 3. Erhöhung der Verfügbarkeit des Recovery Boilers (Betriebskosten) 4. Einhaltung der gesetzlich festgelegten Maximal-Konzentrationen von Schadstoffen in den Emissionen.

Letztere Ziele konkurrieren üblicherweise miteinander, so daß bei der Steuerung eines Recovery-Boilers eine komplexe Problematik vorliegt. Gegenwärtig werden Recovery-Boiler vom Anlagenfahrer, der nachfolgend als Operator OP bezeichnet wird, überwacht und gesteuert. Der Operator OP fährt den Prozeß entsprechend seiner Erfahrung und insbesondere anhand von vorhandenen Prozeßrichtlinien.

Zur Einstellung der Stellgrößen ü = (PA, SA, TA, BL-Flow, BL- Press) gibt es eine Grundautomatisierung, die üblicherweise mit sog. Low-Level-Controllern durchgeführt wird , was hier als gegeben vorausgesetzt wird. Über der Ebene der Low-Level- Controller ist nunmehr eine weitere Regelungs-/Optimierungs- ebene vorgesehen, die

1. voneinander unabhängige Ausgänge (Prozeßoutputs) y_u auf vorgegebene Sollwerte (Setpoints) y_d einstellt und

2. voneinander abhängige Ausgänge (Prozeßoutputs) y_a mit Hilfe einer entsprechenden Gewichtung Q so bewertet, daß sich im stationären Fall gewünschte Verhältnisse zwischen den Komponenten von ρ_a einstellen. Eine entsprechende Grobstruktur des Regelkreises zeigt Figur 2. In einer Einheit 20 wird ein Prozeß 21, der beispielhaft durch den Betrieb des Recovery-Boiler aus Figur 1 definiert ist, durch einen Controller 22 geregelt. Prozeßdaten werden auf ein sog. Advisory-System 30 übergeben, das dem Operator OP Hinweise zum Einrichten der Setpoints sp am Controller 22 liefert .

Für die Reglerkonzeption und die zugehörige Optimierung ist eine hinreichende Prozeßkenntnis notwendig, die z.B. auf eine datengetriebene Identifikation eines Prozeßmodells aufbaut . Das entsprechende Prozeßmodell wird dabei aus Betriebsdaten gewonnnen. Im folgenden wird zunächst das Prozeßmodell beschrieben. Danach folgt eine Beschreibung der Schritte a) Datenvorverarbeitung (data reconcilliation) b) Systemidentifikation (system identification) c) Optimierung d) Operatorberatung (Operator advice) .

Aus Figur 3 ist der Verfahrensablauf im Advisory-System 30 aus Figur 2 näher ersichtlich. Dazu sind Ablaufeinheiten 32 bis 36 zusammengeschaltet, die den softwaremäßigen Verfahrensablauf wiedergeben. Die Rohdaten gelangen über einen Eingang 31 auf die Einheit 32 zur Datenaufbereitung und von dort auf die Einheit 33 zur Systemidentifikation. Hier erfolgt gleichermaßen eine Daten-Clusterung. Der Einheit 34 zur Optimierung ist weiterhin ein externer Optimierer 35 zugeordnet. Von dort werden die Daten auf die Einheit 36 zum Control Advice für den Operator OP aus Figur 2 gegeben. Zur Prozeßidentifikation und Regelstrategie wird zunächst das

Prozeßmodell betrachtet: Das dynamische Prozeßmodell hat im diskreten Fall folgende allgemeine Form

x_k+1=f(x_k,ü_k) (la)

mit x_k - Zustandsvektor ü_k - Stellgrößenvektor y_k - Outputvektor

Im vorliegenden Fall werden folgende Annahmen getroffen:

1. Die Prozeßoutputs und Zustandsgrößen werden gleichgesetzt y_k = ^χ _k

2. Das System wird als nichtlineares, aber statisches Übertragungsglied angesehen y_k = §( )• ⁽2⁾

Diese Annahme über die statische Übertragungseigenschaft ist darin begründet , daß 1. das Open-Loop-System gemäß Gl ' en (la) und (lb) als stabil anzunehmen ist und

2. die größte Systemzeitkonstante als klein gegenüber der Abtastzeit angenommen wird.

Letzteres bedeutet, daß im Augenblick einer Messung bzw. eines Stelleingriffs sich das System immer im eingeschwungenen Zustand befindet. Dieses soll aus Gründen der Vereinfachung der Regelungsstrategie näherungsweise auch für die Bettgestalt gelten, worauf weiter unten eingegangen wird. Eine Besonderheit des Systems ist, daß es weniger Eingänge als Ausgänge hat :

dim(ü) < dim(y) [3)

Das bedeutet im vorliegenden Fall, daß mit den vorhandenen Eingängen die Ausgänge nicht beliebig beeinflußt werden können, was für die Systemidentifikation zwar keine Rolle spielt, aber für die Regelstrategie von Belang ist.

Im folgenden wird das System gemäß Gl . (2) um einen beliebigen Arbeitspunkt ü_k linearisiert

Δy_k = J_c - ^ΔÜk ' (4)

mit Δy_k = y_k+1 - y_k und der Jacobi -Matrix J_c . Gleichung

(4) beschreibt somit einen linearen Zusammenhang zwischen ÄnderungenΔü_k am Eingang des Systems und den daraus folgenden Änderungen Δy_kam Ausgang des Systems. Für ein Teilsystems des Recovery-Boilers gemäß Figur 1 seien die EingangsänderungΔü_k = ΔBL_k und die dazugehörenden Aus- gangsänderungen Δy_k = (ΔO₂,ΔCO)_k ^τ . Die entsprechende Jacobi- Matrix (Jacobian) lautet

Die Identifikationsaufgabe besteht nun darin, für bestimmte Arbeitspunkte ü₀ die Jacobi-Matrizen zu ermitteln, während die Regelungsaufgabe darin besteht, für die ermittelten Jacobi-Matrizen eine Regelstrategie zu entwerfen, die das

System in den Arbeitspunkten ü₀ optimiert.

Zur Datenvorverarbeitung (Data reconciliation) wird bei den anfallenden Daten vom stationären Prozeß ausgegangen, so daß die Daten von instationären Vorgängen entfernt werden können. Die Prozeßdaten können stark verrauscht sein, insbesondere was die Gasvariablen betrifft. Die Datenvorverarbeitung behandelt daher verrauschte Prozeßdaten, die außerdem aufgrund von Störungen in der Sensorik sehr stark aus einem vorgegebenen Toleranzband herausfallen können.

Zur Systemidentifikation kann zunächst eine datengetriebene Systemidentifikation mit Clusterung erfolgen. Das Ziel einer Clusterung ist, aus vorliegenden Daten die Arbeitspunkte herauszufinden .

Die Arbeitspunkte werden im niedrigdimensionalen Eingaberaum, also insbesondere für die Eingänge ü = (PA, SA, TA, BL- Flow) , definiert. Diese Besonderheit des Verfahrens wurde deshalb gewählt, da wegen der geringeren Anzahl der Eingänge entsprechend Gl . (3) einige Ausgänge voneinander abhängig sind und daher eine unabhängige Clusterung des Ausgaberaums nicht möglich ist.

Die Daten-Clusterung erfolgt mittels eines bekannten Fuzzy- Clustering-Algorithmus, der in folgenden Schritten arbeitet: 1. Vorgabe der Merkmale, nach denen geclustert wird. Im vorliegenden Fall sind dieses die Eingangsvariablen ü = (PA, SA, TA, BL-Flow) 2. Vorgabe der Anzahl n der zu erwartenden Cluster. Bei den vorliegenden Daten hat sich eine Clusteranzahl von n=10 als am besten erwiesen.

3. Berechnung der Clusterzentren u_c 4. Ermittlung der Zugehörigkeitsfunktionen für ü = (PA, SA, TA, BL-Flow) , die für jede Komponente von ü angeben, welchen Zugehörigkeitswert zu einem ClusterC, ein Datum besitzt, das einen bestimmten Abstand d von dessen

Clusterzentrum üj. hat. Diese Zugehörigkeitswerte werden bei der Systemidentifikation als Datengewichte berücksichtigt .

Anschließend erfolgt eine Identifikation des Prozeßmodells auf der Grundlage derjenigen Daten, die nach der Datenvor- Verarbeitung vorliegen.

Die Identifikation des Prozeßmodells dient der späteren Vorhersage (Prädiktion) der Ausgänge (Prozeßoutputs) im Advice-Teil der Steuerung für den Recovery-Boiler. Bei der Modellbildung wird von einem statischen Prozeß ausgegangen, bei dem jede innere Prozeßdynamik vernachlässigt wird. Das ist deshalb gerechtfertigt, da die Zeitkonstanten schneller gasdynamischer Vorgänge aber auch langsamer thermischer Prozesse unterhalb der Eingriffszeit der Operators liegen. Die Modellierung geht daher zunächst von einem nichtlinearen, aber statischen Zusammenhang zwischen Inputs wund Outputs y des Prozesses aus :

y = /Au) (e; Diese Funktion wird in verschiedenen Arbeitspunkten des Input -Raumes linearisiert und mit Hilfe des bekannten Takagi/Sugeno-Modellansatzes approximiert. Es ergibt sich

c y = ∑μ, (u) {J_c' - u + const' ) (7)

1=1 mit const' - -J - u' + y' , (ύ) - Zugehörigkeitsgrad (degree of membership) of des i.clusters J - Jacobian des i. cluster const' - Konstante des i.clusters u' - Kern des i.clusters y' - Ausgangsvektor zu u'

Die Identifikation benutzt ein rein datengetriebenes Verfahren, bei dem zunächst eine Clusterung des Input-Raumes vorgenommen wird und anschließend die Jacobians sowie die konstanten Biases identifiziert werden.

Die dazu benutzten Datensätze basieren auf Tagessätzen von Prozeßdaten aus drei bis vier Monaten, die folgender Prozedur unterzogen werden:

a) lineare Interpolation der sog. Infrequent Measurements b) Einfügen von extra gemessenen Bettdaten c) Herausstreichen von Datensätzen, deren Inputs oder Outputs maximale oder minimale Grenzen über- bzw. unterschreiten. d) Filtern der Outputs Y_CUR zu Y_FILT e) Ausschneiden von Transienten (15 min nach einer Input- Änderung der Luftströme und maximal 10 mal in einem Tagessatz) f) Zusammenfassen der Tagesdatensätze zu einem großen

Datensatz g) Gegebenenfalls lineare Interpolation der Bettdaten h) Komprimierung der großen Datensatzes mit einem frei wählbaren Kompressionsfaktor

Der Algorithmus zur Clusterung ist folgendermaßen strukturiert : Ausgehend von einer vorgegebenen Clusteranzahl c und einer Unscharfe m werden die Clusterzentren bis zu einer maximalen Iterationsanzahl maxi ter bzw. bis zu einer Abbruchschwelle u_eps iterativ berechnet. Mit den Zugehörigkeitsgraden u und den Clusterzentren v, ergeben sich dann folgende Schritte :

1. Berechnung der Clusterzentren v,

2. Berechnung einer Fuzzy-Scatter-Matrix S, :

S,=∑ -(^-v,)-(x,-v,)^r,Vϊe{l,...,c} (9) λ=l

3. Extrahieren der Eigenvektoren d, der maximalen Eigenwerte jeder S, ,

4. Berechnung der Zugehörigkeitsgrade u_lk und Abstände D,_t zwischen den Punkten und den Clusterzentren v, :

Di,. —

Vi e {l,-,c}, Vk e { l,-,N} bis { l=maxi ter oder maxi ω^. - u_l'_k ^~l ) < u_ eps } . ( 11 ) ι,k \" 11/

Die anschließende Regression berechnet für jedes Cluster die Jacobian und den konstanten Bias anhand der Fuzzy-Clustering- Ergebnisse und der gereinigten und normalisierten Eingangsvariablen sowie jeder einzelnen gereinigten und normalisierten Ausgangsvariablen. In diesem Zusammenhang bedeutet „gereinigt", daß sogenannte Ausreißer in den Inputs um einen Medianwert herum entfernt werden, wobei in diesem Fall sowohl der Input- als auch der Output-Vektor gestrichen werden.

Vor jeder Regressionsberechnung für ein bestimmtes Cluster wird jeder Datenpunkt durch seinen Zugehörigkeitsgrad zu diesem Cluster gewichtet .

Das Modell wird derart berechnet, daß jeder einzelne Ausgang getrennt berücksichtigt wird. Auf diese Weise erhält man ein sog. MISO-Modell. Der Vorteil dieser Vorgehensweise ist, daß für die Erstellung eines Modells für einen speziellen Ausgang die maximale Anzahl der zur Verfügung stehenden Daten benutzt wird.

Der Algorithmus ist folgendermaßen strukturiert : 1. Es seien

[^χ]_k ⁼ (^χ, ^■ ***;/**) ^bzw' (12a) (12b)

die gewichtete Eingangsmatrix bzw. der gewichtete Ausgangs- vektor für das Cluster k. [X]_k ist eine n*n_in Matrix und |7l ist ein n*l Vektor, wobei n_in die Dimension des Eingaberaums und n die Anzahl der Datenpunkte sind. Der normalisierte Regressionsvektor b_Jk wird dann folgendermaßen definiert :

wobei der letzte Koefficient von b _k den konstanten Koeffizienten der Regression bezeichnet (Bias) . Für jeden Ausgang ist die Zahl n unterschiedlich, da immer die maximal mögliche Anzahl von Daten benutzt wird. 2. Denormierung von b_jk .

Die Ergebnisse der Identifikation sind in Datenfiles gespeichert mit folgenden Inhalten fcjjj.mat - enthält folgende Parameter, die aus der Modellidentifikation ermittelt wurden:

V - nicht normierte Clusterzentren v - normierte Clusterzentren alpha - Locality parameter (hier alpha=0) d - Clusterrichtungsparameter fuzy - Parameter (hier fuzzy=l) u - Zugehörigkeitswerte der Daten zu den

Clustern nach der Identifikation m - Fuzzyness parameter c - Anzahl der Cluster ljjj - Konstante Bias-Werte des Modells ljj_b - Konstante Bias-Werte des Basismodells jjj - Jacobians für alle Cluster in einer Matrix zusammengefaßt jacob. mat - Jacobians J1...J10 für jedes Cluster getrennt jacob_b.mat - Jacobians J1...J10 für jedes Cluster getrennt für das Basismodell

Die Bettgestalt wird mit Hilfe dreier Parameter, und zwar der Breite (width) , der Höhe (height) und der Exzentrizität

(eccentricity) wiedergegeben. Durch den Operator erfolgt eine Zuordnung der von der Kamera wiedergegebenen Bettgestalt zu einem ausgewählten Bettmuster. Nach der optischen Auswahl werden intern die drei Bettparameter berechnet und abgespei- chert . Diese Daten werden wie gewöhnliche Prozeßoutputs behandelt und werden sowohl zur Prozeßidentifikation als auch zur Optimierung gleichberechtigt mit den anderen Prozeßoutputs herangezogen. Allerdings werden diese Daten seltener (ca. 60 bis 120 min) als die anderen Prozeßoutputs (minüt- lieh) bestimmt.

Die Identifikation der Bettgestalt wird vom Operator durchgeführt. Dem Operator wird eine Anzahl möglicher Bettgestalten als Muster angeboten. Diese Muster erhalten Koordinaten, anhand derer eine zahlenmäßige Benennung eines Musters aber auch die zahlenmäßige Angabe eines approximierten Zwischenwertes möglich ist. Die vorliegenden Muster vergleicht der Operator mit der Bettgestalt, die er anhand eines Kamerabildes mit Hilfe einer Kamera identifiziert. Hat der Operator eine Ähnlichkeit zwischen dem Kamerabild und einem Muster gefunden, so gibt er in das Advisorysystem die Koordinaten desjenigen Musters ein, von dem er annimmt, daß es am ähnlichsten mit der im Kamerabild dargestellten angezeigten Bettgestalt ist. Ein Kamerabild mit einer erkennbaren Bettgestalt 40 ist in Figur 4 wiedergegeben. Figur 5 zeigt Beispiele verschiedener Bettgestaltmuster. Anhand Figur 5 wird ein Programm (opera.m) zur Mensch-Maschine-Kommunikation mit Bedienoberfläche in WINDOWS-Format für einen Recovery-Boiler gemäß Figur 1 unter Verwendung des vorstehend erläuterten Vorgehens verdeutlicht:

Das Programm opera.m realisiert ein User- Interface zur Bestimmung der Bettparameter Höhe, Breite und Exzentrizität, d.h. der (Unsymmetrie . Dem Operator werden verschiedene Bett- formen auf dem Feld 61 der Bedienoberfläche 60 in Figur 5 angeboten, die dieser dann mit der Maus auswählen und als Datenelemente in den Datenvektor Y_FILT eingeben kann. Der Operator fungiert somit als "intelligenter Sensor". Sein individueller Eindruck von der Bettform wird aufgrund des Kamerabildes 40 aus Figur 4 als Datentripel BED_WIDTH, BED_HEIGHT, BED_EXC abgespeichert und bei der Optimierung berücksichtigt .

In opera.m werden mögliche Bettformen generiert, die der Operator individuell auswählen kann. Die Grundformel zur Berechnung der Bettform ist

y=h*exp ( -abs (x/w) . ^Λn) (14)

mit w - Weitenparameter h - Höhenparameter x - x-Koordinate y - y-Koordinate n - Exponent Es wird eine symmetrische Kurve erzeugt . Zur Erzeugung von asymmetrischen Bettformen wird die Formel gemäß Gl . (14) in einen linken und einen rechten Teil geteilt , so daß mit einem zusätzlichen Exzentrizitätsparameter auch eine asymmetrische Bettform produziert werden kann. Mit vertikalen und horizontalen Sliders am Fenster 61 in Figur 5 lassen sich Weite, Höhe und Exzentrizität stufenlos einstellen. Ein zusätzliches Fenster 62 zeigt die Parameter der gewählten Bettform an. Mit einem Apply-Button 63 wird die gewählte

Bettform als gültig übernommen. Mit dem Setpoint-Button 64 kann eine gewünschte Bettform eingegeben werden. Mit dem Close-Button 65 wird das Fenster geschlossen.

Anschließend wird die Optimierung des Reglerentwurfs (control design) behandelt, wobei ein geeignetes Prozeßmodell vorausgesetzt wird:

a) Prozeßmodell: Die Optimierung geht wiederum entsprechend der bereits abgehandelten Identifikation mit Gl . (7) von einem nichtlinearen, aber statischen Zusammenhang zwischen Inputs wund Outputs y des Prozesses aus:

y = fA«) . ⁽⁶'⁾

deren Approximation bereits erläutert wurde.

Im Programm wird μ,(u) mit MU(i) bezeichnet und die Vektoren^ and u werden durch ihre gefilterten Werte y_ftlt und u_filt ersetzt. b) Optimierung

Die Optimierung benutzt die folgende zu minimierende Gütefunktion

J = (y_ßh - y_se,p ) ^τ Q(y_ßu -

⁽ 15 : mit

J - Kostenfunktion

^_ft - n x 1 gefilterter Ausgangsvektor y_setp - n x 1 ausgangsseitiger setpoint Vektor u_adv - m x 1 Eingangs Advicevektor u_fllt - m x 1 gefilterter Eingangsvektor

Q - n x n gewichtete Matrix für Ausgang

R - m x m gewichtete Matrix für Eingä ige

Jl_mιn - Kostenfunktion für die kleinsten Beschrä nkunge

Jl_max - Kostenfunktion für die größten Beschränkungen

Es wird angenommen, daß m < n. Das Optimum wird ermittelt durch Gradientenabstieg. Für jedes Clusterzentrum wird ein

Vektor A 'advberechnet , der die Gütefunktion j in Richtung ihres Optimums führt:

Hieraus ergibt sich

Δw'_αΛ =-K-(J_c -Q-(y_ßll-y_selp) + R-(u_adv-u_ßlt) + J_c'^T -Y_vec) (17)

c mit K = (l-λ)∑μ,(u)[J_c ^T -Q-J_C+RY . (17a) ι=l λ bestimmt die Lernrate bei der Optimierung. Y_vec ist ein Vektor, dessen Elemente aus den Output Soft Constraints berechnet werden und die nichtlinear von y abhängen. Im zugehörigen Programm selbst wurde die Q-Matrix durch Ql=abs (sgn (Q) ) ersetzt, um eine doppelte Gewichtung, sowohl im Setpoint als auch in der Kostenfunktion zu verhindern. Die Gesamtänderung für u_adv ergibt sich zu c u_adv = ∑μ,(u) - Au_a'_dv . (18)

1=1

Anhand des differentiellen Prozeßmodells

c y_moie, (* + i) = y_moie< (*) + ∑μ, («) ^• ' ^■ Δ«^ ⁽ I 9 ⁾

1=1

wird ein u_adv(k + T) = u_adv(k) + Au_adv(k + 1) solange berechnet, bis die Änderungen eine bestimmte Grenze £ unterschritten haben

mod«/(* + l)-;Vmod«/(*)l<* ( 0)

beziehungsweise eine bestimmte Anzahl von Iterationen erreicht ist.

Da jedes Outputelement von y nicht unabhängig von den Inputelementen von u gesteuert werden kann, ist nicht zu erwarten, daß bei Erreichen des globalen Optimums

J = min auch sämtliche Setpoints in y_setp erreicht werden. Es ergibt sich daher immer ein Kompromiß zwichen den zu erreichenden Teilzielen. Auf der Basis der in der Optimierung berechneten Inputs U_ADV und dem gerade aktuellen gefilterten Prozeßinput U_FILT sowie dem aktuellen gefilterten Prozeßoutput Y_FILT wird über das Prozeßmodell ein Wert Y_EST vorhergesagt, der zusätzliche Informationen über Beschränkungen außerhalb der Optimierungsschleife berücksichtigt. Y_EST ist derjenige Prozeßoutput, der sich ergeben würde, wenn man unter den obengenannnten Beschränkungen den Advice U_ADV implementieren würde.

Insgesamt ergibt sich also eine geeignete Operatorberatung (Operator-Advice) : Ein Operator-Advice wird dann gegeben, wenn

1. die Stationarität des Prozesses gestört ist, beispielweise durch Parameterfluktuation oder sprunghaften bzw. driftförmigen Störungen an den Prozeßeingängen, und diese durch Veränderung der Prozeßeingänge wiederhergestellt werden soll,

2. ein neuer Sollwert oder eine neue Gewichtung der Ausgänge gefordert wird und der Prozeß von einem Arbeitspunkt in einen neuen Arbeitspunkt gesteuert werden soll.

Beide Punkte haben Auswirkungen auf die geforderte Änderung des Stellgrößenvektors ü . Da es sich nicht um eine automatische Regelung handelt, und da der Operator nicht durch ständige Advices überlastet werden darf, werden Advices nur ab einer bestimmten Schwelle der Stellgößenänderungen gegeben. Diese Schwellwerte werden prozeßangepaßt festgelegt.

Ein sog. Pattern Learning wurde implementiert, um das stati- sehe Prozeßmodell, das aus einer großen Menge von Daten ge- wonnen wurde, entsprechend dem aktuellen Prozeßverhalten zu adaptieren. Hierbei wird angenommen, daß die einmal identifizierten Input-Clusterzentren weiterhin bestehen bleiben. Das bedeutet, daß die Clusterzentren nicht adaptiert werden. Zu jedem Zeitpunkt werden gleitende Mittelwerte

DELTA ( 21 :

DELTA U (22)

berechnet. Dabei sind U_CUR und Y_CUR ungefilterte Ein- bzw. Ausgänge, N_JAC die Anzahl der zu mittelnden Werte und MAXHIST eine Zählvariable. Danach werden aus dem Modell die Werte

delta_y = ∑ MU(i) ^■ J_c (i) ^■ DELTA _ U ( 23 :

(=1

berechnet ,

Das Adaptionsgesetz für eine neue Jacobian J_NEW lautet:

_{r IST} ■ _r, _{r n 1 Λ},„ (DELTA Y ^'- delta y) ^• DELTA U^τ

J NEW ι = Jl + LearRat ^■ MU(ι) ^■ = — = = ¹ = (24!

^~ DELTA υ^τ - DELTA U + Spoot

mit der Adaptionsrate LearRat und der Konstante Spoot. Mit der Einfügung des Multiplikator MU(i) werden die Cluster- Zentren entsprechend ihrer Anregung adaptiert, wodurch die sog. "Persistence of Exitation" berücksichtigt wird. Um ein zu großes Abdriften der neu berechneten Jacobian von der ursprünglich berechneten Jacobian zu verhindern, wird die Norm der Differenz DELTA_J_i = J_NEW__i - J_B_i berechnet, die nicht größer sein darf, als eine vorgegebene Schranke THRES . Wird diese Schranke erreicht, so ändert sich die Jacobian in diesem Schritt nicht .

Schließlich ist auch ein sog. Batch Learning möglich:

Um Arbeitspunktveränderungen wirksam abfangen zu können, wird zyklisch eine Neuberechnung des Prozessmodells durchgeführt. Hierzu werden die Daten, aus denen das ursprüngliche Grundmodell berechnet wurde, mit aktuellen Daten angereichert und mit diesem erweiterten Datensatz sowohl eine neue Cluster- bestimmung als auch eine neue Modellberechnung durchgeführt.

Eine zusätzliche Option auf eine Operatorberatung ist, einen Advice dann zu geben, wenn der Absolutwert der geforderte Stellgrößenänderung einen bestimmten Prozentsatz des Absolutwertes der Stellgröße angenommen hat .

Der Advice wird wie folgt berechnet :

1. Einlesen der aktuellen Prozeßinputs und -Outputs

2. Filterung der aktuellen Prozeßinputs und -Outputs

3. Bei Bedarf Eingabe der Bettform

4. Berechnung des Advices aus der Optimierung und einer entsprechenden Prädiktion 5. Test, ob die geplante Adviceänderung unterhalb einer vorgeschriebenen Schranke liegt, womit die Empfindlichkeit definiert ist. Dabei ergeben sich zwei Möglichkeiten:

- Wenn ja — keine Adviceänderung

- Wenn nein — Adviceänderung

6. Aussetzen des Advices für eine vorgeschriebene Zeit, wenn der Operator den Advice implementiert hatte.

Claims

Patentansprüche

1. Verfahren zur Prozeßführung einer verfahrenstechnischen Anlage, insbesondere eines Rückgewinnungskessels (sog. Recovery-Boiler) bei der Zellstoffherstellung, wobei aus für Eingänge und Ausgänge anfallenden Prozeßdaten Signale ermittelt und zur Steuerung und Regelung des Prozesses verwendet werden, mit folgenden Verfahrensschritten:

- Die Rohdaten werden in einer Einheit zur Datenvorver- arbeitung aufbereitet,

- die aufbereiteten Daten werden einer Systemidentifizierung unterzogen,

- vom Operator werden gewünschte Zielwerte der Ausgänge, vorzugsweise Prozeßsollwerte, eingegeben, - damit wird eine Kontroll -/Optimierungsstruktur abgeleitet, die eine Veränderung der Eingänge vorschlägt,

- die strukturierten Daten werden in den Regelprozeß eingegeben .

2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t , daß zur Systemidentifizierung datengetriebene Methoden verwendet werden.

3. Verfahren nach Anspruch 1, d a d u r c h g e k e n n - z e i c h n e t , daß zur Systemidentifizierung Fuzzy-

Methoden, insbesondere eine Fuzzy-Clusterung, angewandt werden .

4. Verfahren nach Anspruch 1, d a d u r c h g e k e n n - z e i c h n e t , daß zur Systemidentifizierung statistische Methoden verwendet werden.

5. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t , daß das Prozeßmodell aufgrund von aktuellen Prozeßdaten im Sinne einer Adaption nachkorrigiert wird.

6. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t , daß vom Operator die Gewichtung der zu erreichenden Zielwerte einstellbar ist.

7. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t , daß dem Operator ein Vorschlag für ein zu implementierendes Steuersignal unterbreitet wird.

8. Verfahren nach Anspruch 1, d a d u r c h g e k e n n - z e i c h n e t , daß dem Operator entsprechend dem Steuervorschlag und dem Prozeßmodell eine Vorhersage der zu erwartenden Prozeßreaktion angeboten wird

9. Verfahren nach Anspruch 1, wobei ein Recovery-Boiler mit einem Schmelzbett (char bed) variabler Gestalt vorhanden ist, d a d u r c h g e k e n n z e i c h n e t , daß

- die Gestalt des Schmelzbettes mit einem Katalog typischer, automatisch parametrierbarer Bettgestalten verglichen wird,

- durch optischen Vergleich des Schmelzbettbildes mit den angebotenen Mustern eine Grobklassifikation der Bettgestalt vorgenommen wird,

- eine Feineinstellung der Parameter des ausgewählten Musters dieses so verändert, daß es dem Schmelzbild am nächsten kommt , - die Parameter des ausgewählten und feineingestellten

Musters in die Datenbasis automatisch eingegeben werden, - die eingegebenen Bettparameter als aktuelle Bettdaten verarbeitet werden.

10. Verfahren nach Anspruch 9, d a d u r c h g e - k e n n z e i c h n e t , daß das Schmelzbett durch eine Kamera erfaßt und als Kamerabild dem Operator auf einem Monitor vermittelt wird.

11. Verfahren nach Anspruch 9, d a d u r c h g e - k e n n z e i c h n e t , daß der Vergleich und/oder die Feineinstellung durch den Operator erfolgt.

12. Vorrichtung zur Durchführung des Verfahrens nach Anspruch 1 oder einem der Ansprüche 2 bis 11, vorzugsweise zur Prozeß- führung eines sog. Recovery-Boilers als verfahrenstechnische Anlage, wobei der Anlage wenigstens eine Steuer- und/oder Regeleinrichtung zugeordnet ist, d a d u r c h g e k e n n z e i c h n e t , daß ein Regelkreis mit einer Einrichtung (Advisory-System 30) zur Generierung von Signalen, für die wenigstens eine Steuer- und/oder Regeleinrichtung einschließlich Regelkreis vorhanden ist, mit dem einem Operator (OP) die neuen Steuer- und Regelsignale mitgeteilt werden .

13. Vorrichtung nach Anspruch 12, d a d u r c h g e k e n n z e i c h n e t , daß das Advisory-System (30) ein Interface (60) beinhaltet, an dem vom Operator (OP) das Bild (40) des Schmelzbettes mit den vom Interface (60) angebotenen Bettformen verglichen und durch Feineinstellungen an die aktuelle Bettform angepaßt wird.