WO2023237252A1 - Combined rigorous and data-based modeling of an industrial process - Google Patents

Combined rigorous and data-based modeling of an industrial process Download PDF

Info

Publication number
WO2023237252A1
WO2023237252A1 PCT/EP2023/060543 EP2023060543W WO2023237252A1 WO 2023237252 A1 WO2023237252 A1 WO 2023237252A1 EP 2023060543 W EP2023060543 W EP 2023060543W WO 2023237252 A1 WO2023237252 A1 WO 2023237252A1
Authority
WO
WIPO (PCT)
Prior art keywords
modeling
implemented
data
rigorous
computer
Prior art date
Application number
PCT/EP2023/060543
Other languages
German (de)
French (fr)
Inventor
Thomas Bierweiler
Andreas Kemna
Daniel Labisch
Frank Olschewski
Piotr Strauch
Wolfgang Ziegler
Original Assignee
Siemens Aktiengesellschaft
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 Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to PCT/EP2023/060543 priority Critical patent/WO2023237252A1/en
Publication of WO2023237252A1 publication Critical patent/WO2023237252A1/en

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric

Definitions

  • the invention relates to a method for operational modeling of an output variable of an industrial process with the features of the preamble of claim 1.
  • the invention also relates to a device for controlling and / or monitoring an industrial system with the features of claim 10.
  • Process models are required for numerous applications. These include prediction tasks, process optimization, as well as classification and anomaly detection.
  • many process engineering processes cannot be modeled rigorously enough or this is only possible with too much effort.
  • data-driven modeling using machine learning (ML) or deep learning (DL) methods has often been used. But here too, sufficient accuracy can often only be achieved with considerable effort.
  • the method experts e.g. data scientists
  • lack a deeper understanding of the process which makes application even more difficult.
  • the structure of process engineering processes is often not taken into account in data-driven modeling.
  • the structure of the process to be modeled is known (e.g. basic process engineering and process flow diagrams, possibly also P&ID diagrams), this knowledge should also be taken into account in the structure of the data-driven model.
  • the method according to the invention also considerably simplifies the often necessary online adaptation of the modeling (particularly due to changing processes) and significantly reduces requirements for the quantity and quality of the data required for online adaptation. In most cases, only data-based modeling is used. However, "forgetting" the rigorous model and relying entirely on data-based modeling is unsatisfactory and wastes what has already been achieved. In addition, it may be that the data-based model does not achieve the desired accuracy with reasonable effort. In addition, many data-based models are not suitable for providing transparency about their prediction. This dampens the trust of the users and prevents their use in cases of doubt. Furthermore, trust in rigorous models tends to be greater.
  • the rigorous model can be used to generate simulation data that can be used to pre-train the data-based model or for parallel training.
  • the model error must be appropriately taken into account here. Especially when only certain parts of the rigorous model are inadequate, data-based models are used to replace them.
  • the structure of the data-driven model can be extensively adapted (e.g. several layers, ). This often requires considerable experience and possibly... Various iterations of the model structure are necessary to take process and measuring instrument dynamics into account in data-driven modeling.
  • Processes e.g. in process engineering, can have quite complex structures. It is of course possible to neglect these structures in data-driven modeling. However, if the process structure is neglected, the requirements for the scope and quality of the process data are significantly increased.
  • the invention is based on the object of specifying a method and an associated device that design operational modeling of output variables of an industrial process in a resource-saving but at the same time efficient manner.
  • the previously formulated task is solved by a method for operational modeling of an output variable of an industrial process with the features of claim 1.
  • the previously formulated task is solved by a device for controlling and / or monitoring an industrial system according to claim 10.
  • Advantageous further training is the subject of the dependent claims.
  • a method for operational modeling of an output variable of an industrial process includes the following steps: a) implementation of the industrial process, b) recording process values originating from the industrial process using suitable recording means, c) processing the recorded process values through a computer-implemented rigorous modeling, the recorded process values representing input values of the computer-implemented rigorous modeling, d) use of process values of at least one internal variable of the rigorous modeling, which were determined by the rigorous modeling, as input values of a further computer-implemented modeling, which is data-based is, e) Determination of initial values of the output variable through computer-implemented data-based modeling.
  • Rigorous modeling includes in particular mathematical/physical relationships in the form of (partial) Differential equations or differential-algebraic equations to use the input variables or Input parameters to determine output variables.
  • At least one internal variable is determined as part of the rigorous modeling process.
  • the inner variable is characterized by the fact that it is neither an input variable nor an output variable of rigorous modeling.
  • the internal size is therefore determined as a by-product during the rigorous modeling process. In other words, the internal size is defined such that only part of the full rigorous modeling is necessary to determine the internal size (or sizes).
  • the inner size is used as the input size or used as input values for a second modeling stage, which, in contrast to rigorous modeling, is data-based.
  • rigorous modeling is data-based.
  • the data-based modeling in the context of the method according to the invention can access significantly more extensive and more precise information (i.e. the internal variable determined by the rigorous modeling).
  • the method is particularly advantageous because the actual output value of the rigorous modeling does not necessarily have to be calculated. This can result in a significant reduction in the required (computing) resources.
  • the internal size is chosen so that it can be determined with as little effort as possible through rigorous modeling.
  • a user of the modeling is advantageously presented with a choice as to which internal variable is particularly suitable as an input variable for the subsequent data-based modeling based on certain criteria such as the accuracy of the modeling or the computational effort.
  • machine (self-) learning can be provided, which automatically or partially automated, for example using an assessment by the user, determines the most suitable internal size for further modeling.
  • the data-based model must represent less complex relationships, which enables simpler model structures. Especially with regard to dynamics, it may be possible that by taking dynamic changes in variables into account in rigorous modeling, dynamic components in data-based modeling can be completely dispensed with. This can significantly reduce complexity.
  • Another major advantage is that by determining and querying the internal size, easy-to-interpret intermediate results of rigorous modeling are available. By comparing the initial values of the output variable determined by rigorous modeling and the initial values of the output variable determined by data-based modeling, the behavior of the data-based modeling can be better interpreted. A supplementary upper bound for the difference between the two sizes could also increase user acceptance.
  • the collaboration between the modelers of rigorous modeling and the data analysts i.e. the modelers of data-based modeling also has the advantage that rigorous modeling continues to be actively used and the work of the rigorous modelers remains recognizable. Even subsequent improvements to the rigorous denting can easily be taken into account.
  • the mentioned comparison of the initial values of the output variable determined by rigorous modeling and the initial values of the output variable determined by data-based modeling can also be evaluated jointly by the modelers in order to find out in which areas the rigorous modeling may be necessary. still has deviations and uncertainties.
  • the data can be structured, which is based on the structuring of the process engineering flow diagrams or the piping and instrumentation flow diagram (P&I flow diagram). Through this structured model lation can be possible if necessary. Optimize sub-processes of the industrial process even more efficiently.
  • additional input values are used for rigorous modeling and/or further, data-based modeling, which input values include environmental conditions when carrying out the industrial process or parameters of elements used in carrying out the industrial process .
  • environmental conditions when carrying out the industrial process or parameters of elements used in carrying out the industrial process .
  • an ambient temperature or an air pressure as an environmental condition or a material composition of an element that is used in carrying out the industrial process can be used as input values.
  • the initial variable to be modeled can be a concentration of a nitrogen oxide, a carbon monoxide, a formaldehyde or a sulfur oxide.
  • One goal of operational modeling is to determine the respective proportion of the respective substance in a total amount of substance.
  • the industrial process can represent the combustion of a fuel in a gas turbine, a burner or an engine.
  • the recorded process values are preferably used as additional input values for further computer-implemented, data-based modeling. This allows the accuracy of data-based modeling to be further increased.
  • the further data-based modeling can be designed as a neural network, a regression or a self-organizing map.
  • output values determined by the computer-implemented rigorous modeling are used as additional input values further computer-implemented, data-based modeling is used.
  • the operationally modeled output values of the output variable are used to optimize the operation of the industrial process and/or to predict a maintenance requirement when carrying out the industrial process.
  • the previously formulated task is also solved by a technical module that is designed to provide and transmit information, as explained above, to a technical system, as explained above.
  • the technical module is preferably designed to offer at least one service as a technical service.
  • the previously formulated task is also solved by a device for controlling and/or monitoring an industrial system, which is designed to carry out a method as explained above.
  • FIG. 1 A method according to the invention is shown schematically in FIG.
  • An industrial process 1 such as combustion in a gas turbine is carried out.
  • process values and environmental conditions such as an ambient temperature of the industrial process 1 are recorded as input values y by recording means.
  • the rigorous modeling 2 determines y from the input values using (Differential-
  • At least one internal quantity x is determined.
  • the inner variable x represents neither an input variable y nor a target variable zr .
  • It is a kind of intermediate result or an intermediate product that results after carrying out a subset of rigorous modeling 2 and which can be accessed from outside as a quantity. This can be, for example, a temperature in a combustion chamber of the gas turbine.
  • Both the input values y from the industrial process 1 and the process values of the internal variable x find their way into further computer-implemented, data-based modeling 3 in a second, subsequent stage.
  • data-based modeling 3 can be, for example, a neural network or a self-organizing map.
  • the concentration of nitrogen oxide is available as the initial variable Zd to be determined.
  • This operationally modeled output variable Z can be used as part of an optimization of the industrial process 1 or for predicting a maintenance requirement when carrying out the industrial process 1.
  • the computing means for the computer implementations of the models 2, 3 can, for example, be implemented in a cloud-based environment and include, for example, a personal computer (PC).
  • the computing resources can be used with images Telephones must be connected, for example via a bidirectional, wireless connection (NFC, WiFi, Bluetooth, etc.).
  • the image means can be designed as data glasses.
  • the computing means are designed to generate visualization information for an application in an augmented reality and to transmit this to the image means, which then generate a corresponding visual representation.
  • FIG. 1 An essentially identical method is shown schematically in FIG.
  • the target variable z r determined by the rigorous modeling 2 is included as a further input value in the further, data-based modeling 3.
  • the accuracy of the modeling of the output variable z r can be further improved by data-based modeling 3.
  • the target variable z r must actually be determined by rigorous modeling 2. This can lead to increased modeling effort. Nevertheless, the improvements achieved through the increased accuracy can compensate for the disadvantage in certain case constellations.
  • a user of the method is preferably offered a choice regarding the determination of the target variable z r and the associated inclusion in the data-based modeling 3.
  • the invention is not limited to application in carrying out a single technical process. Rather, it can also be used, for example, in a multi-stage process.
  • the method can be used to determine a nitrogen oxide concentration in a gas turbine with a downstream catalytic converter.
  • the gas turbine and its nitrogen oxide concentration in the exhaust gas can easily be modeled as stationary (since it is very dynamic, ⁇ 2 seconds).
  • the measuring instrument dynamics has a dead time of approx. 2 to 5 minutes based on the measurement method, what can be determined from the physical conditions and can be introduced as rigorous modeling 2.
  • the downstream catalytic converter (series In contrast, switching of the gas turbine and catalytic converter) has a significant process dynamic (injection of NH3 into the catalytic converter), namely approx. 15 to 20 minutes until it settles into a new state.
  • These catalyst dynamics and the measuring instrument dynamics of the (downstream) nitrogen oxide concentration measurement can also be taken into account in the rigorous modeling 2. This structured modeling results in improved prediction of nitrogen oxide emissions.

Abstract

The invention relates to a method for modeling, during operation, an output variable of an industrial process (1) which can be used in a process plant, comprising: a) carrying out the industrial process (1), b) detecting, by means of suitable detection means, process values (y) arising from the industrial process (1), c) processing the detected process values (y) by means of computer-implemented rigorous modeling (2), the detected process values (y) being input values for the computer-implemented rigorous modeling (2), d) using process values of at least one internal variable (x) of the computer-implemented rigorous modeling (2) which were determined by means of the computer-implemented rigorous modeling (2) as input variables for additional computer-implemented modeling (3) which is data-based, e) determining output values of the output variable (zd) by means of the additional computer-implemented, data-based modeling (3).

Description

Beschreibung Description
Kombinierte rigorose und datenbasierte Modellierung eines industriellen Prozesses Combined rigorous and data-driven modeling of an industrial process
Die Erfindung betrifft ein Verfahren zur betriebsbegleitenden Modellierung einer Ausgangsgröße eines industriellen Prozesses mit den Merkmalen des Oberbegriffs des Anspruchs 1. Außerdem betrifft die Erfindung eine Vorrichtung zur Steuerung und/oder Überwachung eines industriellen Systems mit den Merkmalen des Anspruchs 10. The invention relates to a method for operational modeling of an output variable of an industrial process with the features of the preamble of claim 1. The invention also relates to a device for controlling and / or monitoring an industrial system with the features of claim 10.
Für zahlreiche Anwendungen werden Prozessmodelle benötigt. Dazu zählen Prädiktionsaufgaben, Prozessoptimierung, genauso wie Klassifizierungen sowie Anomalieerkennungen. Tatsächlich lassen sich viele verfahrenstechnische Prozesse nicht genügend genau rigoros modellieren oder dies ist nur mit einem zu hohen Aufwand möglich. In diesen Fällen wird gerade in den letzten Jahren häufig zu einer datengetriebenen Modellierung mittels Machine Learning (ML) - oder Deep Learning (DL) - Methoden übergegangen. Aber auch hier lässt sich eine ausreichende Genauigkeit häufig nur mit erheblichem Aufwand erzielen. Zudem fehlt den Methoden-Experten (z.B. Data Scientists) teilweise das tiefere Prozessverständnis, was die Anwendung weiter erschwert. Process models are required for numerous applications. These include prediction tasks, process optimization, as well as classification and anomaly detection. In fact, many process engineering processes cannot be modeled rigorously enough or this is only possible with too much effort. In these cases, especially in recent years, data-driven modeling using machine learning (ML) or deep learning (DL) methods has often been used. But here too, sufficient accuracy can often only be achieved with considerable effort. In addition, the method experts (e.g. data scientists) sometimes lack a deeper understanding of the process, which makes application even more difficult.
Oftmals wird die Struktur von z.B. verfahrenstechnischen Prozessen bei der datengetriebenen Modellierung nicht berücksichtigt. Wenn aber die Struktur des zu modellierenden Prozesses bekannt ist (z.B. verfahrenstechnische Grund- und Verfahrensfließbilder, ggf. auch R&I Diagramme) , soll dieses Wissen auch in der Struktur des datengetriebenen Modells berücksichtigt werden. Durch das erfindungsgemäße Verfahren wird auch die oftmals notwendige online-Adaption der Modellierung (insbesondere wegen sich ändernder Prozesse) erheblich vereinfacht und Anforderungen an Quantität und Qualität der benötigten Daten zur online-Adaption erheblich verringert . In den meisten Fällen wird ausschließlich eine datenbasierte Modellierung eingesetzt . Das rigorose Modell zu „vergessen" und komplett auf eine datenbasierte Modellierung zu gehen, ist j edoch unbefriedigend und verschenkt bereits Erreichtes . Zudem kann es sein, dass auch das datenbasierte Modell die gewünschte Genauigkeit nicht mit vertretbarem Aufwand erreicht . Zudem sind viele datenbasierte Modelle nicht geeignet , Transparenz über ihre Prädiktion zu geben . Dies dämpft das Vertrauen der Anwender und verhindert im Zwei fels fall den Einsatz . Darüber hinaus ist ein Vertrauen in rigorose Modelle tendenziell größer . The structure of process engineering processes, for example, is often not taken into account in data-driven modeling. However, if the structure of the process to be modeled is known (e.g. basic process engineering and process flow diagrams, possibly also P&ID diagrams), this knowledge should also be taken into account in the structure of the data-driven model. The method according to the invention also considerably simplifies the often necessary online adaptation of the modeling (particularly due to changing processes) and significantly reduces requirements for the quantity and quality of the data required for online adaptation. In most cases, only data-based modeling is used. However, "forgetting" the rigorous model and relying entirely on data-based modeling is unsatisfactory and wastes what has already been achieved. In addition, it may be that the data-based model does not achieve the desired accuracy with reasonable effort. In addition, many data-based models are not suitable for providing transparency about their prediction. This dampens the trust of the users and prevents their use in cases of doubt. Furthermore, trust in rigorous models tends to be greater.
Es ist daher zweckmäßig, das rigorose Modell weiter zu betrachten und mit Verfahren des ML und DL zu kombinieren . Häufig zu finden sind ML-Verfahren zur Optimierung der Modellparameter mithil fe der Daten, um das rigorose Modell besser an das tatsächliche Verhalten anzupassen . Vorteilhaft gestaltet sich die Kombination beider Verfahren auch hinsichtlich einer Zerti fi zierung, insbesondere hinsichtlich des EU AI Acts . It is therefore useful to further consider the rigorous model and combine it with ML and DL methods. ML methods are often found to optimize the model parameters using the data in order to better adapt the rigorous model to the actual behavior. The combination of both processes is also advantageous in terms of certification, especially with regard to the EU AI Act.
Alternativ kann das rigorose Modell zur Erzeugung von Simulationsdaten genutzt werden, die für ein Vortrainieren des datenbasierten Modells oder auch zum parallelen Training eingesetzt werden . Der Modell fehler muss hier allerdings geeignet berücksichtigt werden . Gerade wenn nur bestimmte Teile des rigorosen Modells unzureichend sind, werden datenbasierte Modelle genutzt , um lediglich diese zu ersetzen . Alternatively, the rigorous model can be used to generate simulation data that can be used to pre-train the data-based model or for parallel training. However, the model error must be appropriately taken into account here. Especially when only certain parts of the rigorous model are inadequate, data-based models are used to replace them.
Um ein dynamisches datenbasiertes Modell zu erstellen, muss ggf . die Struktur des datengetriebenen Modells weitreichend angepasst werden ( z . B . mehrere Layer, ... ) . Dabei ist oftmals erhebliche Erfahrung und ggf . diverse Iterationen der Modellstruktur notwendig, um Prozess- und Messinstrumenten- Dynamiken in der datengetriebenen Modellierung zu berücksichtigen . To create a dynamic data-based model, you may need to: The structure of the data-driven model can be extensively adapted (e.g. several layers, ...). This often requires considerable experience and possibly... Various iterations of the model structure are necessary to take process and measuring instrument dynamics into account in data-driven modeling.
Darüber hinaus werden für eine datengetriebene dynamische Modellbildung wesentlich mehr Daten benötigt , um die dynamische Modellbildung zuverlässig zu ermöglichen. Darüber hinaus wird die Modellbildung nochmals erschwert, wenn die zu modellierende Anlage mit closed loop Regelungen betrieben wird. Darüber hinaus ist bei sich änderndem Streckenverhalten eine Adaption des datengetriebenen Modells notwendig, was nochmals deutlich erhöhte Anforderungen an den Umfang und die Qualität der Prozessdaten stellt. In addition, significantly more data is required for data-driven dynamic modeling To enable reliable modeling. In addition, modeling becomes even more difficult if the system to be modeled is operated with closed loop controls. In addition, if the route behavior changes, an adaptation of the data-driven model is necessary, which places significantly increased demands on the scope and quality of the process data.
Prozesse, z.B. in der Verfahrenstechnik, können recht komplexe Strukturen aufweisen. Es ist natürlich möglich, diese Strukturen bei der datengetriebenen Modellierung zu vernachlässigen. Bei einer Vernachlässigung der Prozess-Struktur ergeben sich aber wieder erheblich erhöhte Anforderungen an Umfang und Qualität der Prozessdaten. Processes, e.g. in process engineering, can have quite complex structures. It is of course possible to neglect these structures in data-driven modeling. However, if the process structure is neglected, the requirements for the scope and quality of the process data are significantly increased.
Außerdem sind mehrere Ansätze bekannt (z.B. https : // agupubs . online library . wi ley . com/ do i/full/10.1029/2018 WR023333) , um mithilfe zusätzlicher Daten ein Korrekturmodell für das rigorose Modell zu erlernen. Diese zusätzlichen Daten werden jedoch nur im Training genutzt, nicht in der späteren Anwendung, was diesen Ansatz von dem unten vorgestellten erfindungsgemäßen Verfahren unterscheidet. In addition, several approaches are known (e.g. https : // agupubs . online library . wi ley . com/do i/full/10.1029/2018 WR023333) to learn a correction model for the rigorous model using additional data. However, this additional data is only used in training, not in later application, which distinguishes this approach from the method according to the invention presented below.
Ein weiterer bekannter Ansatz besteht darin, mittels einfacher meist algebraischer Gleichungen, weitere aussagekräftige Features aus den Daten zu generieren. Dies fängt bei der Anwendung von Funktionen auf einzelne Größen an (z.B. Quadratur) und umfasst außerdem kombinierte Auswertungen mehrerer Größen, wie z.B. unter https : / / turbulent flux . com/ combining-physics-and-machine- 1 earning- to -under stand-multiphase- trans lent- flow/ Another well-known approach is to generate further meaningful features from the data using simple, mostly algebraic equations. This starts with the application of functions to individual quantities (e.g. quadrature) and also includes combined evaluations of several quantities, such as under https : / / turbulent flux . com/ combining-physics-and-machine- 1 earning- to -under stand-multiphase- trans lent- flow/
Es sind außerdem Anwendungen bekannt, wo das rigorose und das datenbasierte Modell parallel betrieben werden und mittels gewichteter linearer Kombination das jeweils verlässlichere ausgewählt wird (https://towardsdatascience.com/combining- physics-and-deep-learning-54eac4afel46) , was jedoch mittel Markov Modellen erfolgen kann (https : / /www . sciencedirect . com/ science/ article/ ab s/pii/S 18755 10021005436 ) . There are also known applications where the rigorous and data-based models are operated in parallel and the more reliable one is selected using weighted linear combination (https://towardsdatascience.com/combining-physics-and-deep-learning-54eac4afel46), which, however can be done using Markov models (https : / /www . sciencedirect . com/ science/ article/ ab s/pii/S 18755 10021005436 ) .
Der Erfindung liegt die Aufgabe zugrunde , ein Verfahren und eine dazugehörige Vorrichtung anzugeben, die eine betriebsbegleitende Modellierung von Ausgangsgrößen eines industriellen Prozesses ressourcenschonend, aber dabei gleichzeitig ef fizient gestaltet . The invention is based on the object of specifying a method and an associated device that design operational modeling of output variables of an industrial process in a resource-saving but at the same time efficient manner.
Die zuvor formulierte Aufgabe wird durch ein Verfahren zur betriebsbegleitenden Modellierung einer Ausgangsgröße eines industriellen Prozesses mit den Merkmalen des Anspruchs 1 gelöst . Außerdem wird die zuvor formulierte Aufgabe gelöst durch eine Vorrichtung zur Steuerung und/oder Überwachung eines industriellen Systems gemäß Anspruch 10 . Vorteilhafte Weiterbildungen sind Gegenstand der abhängigen Ansprüche . The previously formulated task is solved by a method for operational modeling of an output variable of an industrial process with the features of claim 1. In addition, the previously formulated task is solved by a device for controlling and / or monitoring an industrial system according to claim 10. Advantageous further training is the subject of the dependent claims.
Ein Verfahren zur betriebsbegleitenden Modellierung einer Ausgangsgröße eines industriellen Prozesses , welcher in einer Prozessanlage zur Anwendung kommen kann, umfasst die folgenden Schritte : a) Durchführung des industriellen Prozesses , b) Erfassen von aus dem industriellen Prozess stammenden Prozesswerten durch geeignete Erfassungsmittel , c) Verarbeitung der erfassten Prozesswerte durch eine computerimplementierte rigorose Modellierung, wobei die erfassten Prozesswerte Eingangswerte der computerimplementierten rigorosen Modellierung darstellen, d) Verwendung von Prozesswerten wenigstens einer inneren Größe der rigorosen Modellierung, die von der rigorosen Modellierung ermittelt wurden, als Eingangswerte einer weiteren computerimplementierten Modellierung, welche datenbasiert ausgebildet ist , e ) Ermittlung von Ausgangswerten der Ausgangsgröße durch die computerimplementierte datenbasierte Modellierung . A method for operational modeling of an output variable of an industrial process, which can be used in a process plant, includes the following steps: a) implementation of the industrial process, b) recording process values originating from the industrial process using suitable recording means, c) processing the recorded process values through a computer-implemented rigorous modeling, the recorded process values representing input values of the computer-implemented rigorous modeling, d) use of process values of at least one internal variable of the rigorous modeling, which were determined by the rigorous modeling, as input values of a further computer-implemented modeling, which is data-based is, e) Determination of initial values of the output variable through computer-implemented data-based modeling.
Eine rigorose Modellierung umfasst dabei insbesondere mathe- matisch/physikalische Zusammenhänge in Form von (partiellen) Di f ferentialgleichungen oder di f ferenzial-algebraische Gleichungen, um aus den Eingangsgrößen bzw . Eingabeparametern Ausgangsgrößen zu ermitteln . Dabei wird im Rahmen der rigorosen Modellierung wenigstens eine innere Größe ermittelt . Die innere Größe zeichnet sich dadurch aus , dass es sich dabei weder um eine Eingangsgröße noch um eine Ausgangsgröße der rigorosen Modellierung handelt . Die innere Größe wird demnach im Verlauf der rigorosen Modellierung als ein Nebenprodukt ermittelt . Die innere Größe wird mit anderen Worten so definiert , dass nur ein Teil der vollständigen rigorosen Modellierung notwendig ist , um die innere Größe ( oder die inneren Größen) zu ermitteln . Rigorous modeling includes in particular mathematical/physical relationships in the form of (partial) Differential equations or differential-algebraic equations to use the input variables or Input parameters to determine output variables. At least one internal variable is determined as part of the rigorous modeling process. The inner variable is characterized by the fact that it is neither an input variable nor an output variable of rigorous modeling. The internal size is therefore determined as a by-product during the rigorous modeling process. In other words, the internal size is defined such that only part of the full rigorous modeling is necessary to determine the internal size (or sizes).
Die innere Größe wird als Eingangsgröße bzw . als Eingangswerte einer zweiten Modellierungsstufe verwendet , welche im Gegensatz zu der rigorosen Modellierung datenbasiert ausgebildet ist . Im Gegensatz zu einer reinen datenbasierten Modellierung der Ausgangswerte der Ausgangsgröße kann die datenbasierte Modellierung im Rahmen des erfindungsgemäßen Verfahrens auf deutlich umfangreichere und genauere Informationen ( also auf die durch die rigorose Modellierung ermittelte innere Größe ) zugrei fen . The inner size is used as the input size or used as input values for a second modeling stage, which, in contrast to rigorous modeling, is data-based. In contrast to a purely data-based modeling of the initial values of the output variable, the data-based modeling in the context of the method according to the invention can access significantly more extensive and more precise information (i.e. the internal variable determined by the rigorous modeling).
Es ist ein Merkmal der Erfindung, dass die rigorose und die datenbasierte Modellierung beide betriebsbegleitend durchgeführt werden . Wie einführend erläutert , war dies im Stand der Technik nicht bekannt . Die rigorose Modellierung stellt bei den tendenziell deterministischen technischen Anlagen in der Regel eine verlässliche Datenquelle für die datenbasierte Modellierung dar . It is a feature of the invention that the rigorous and data-based modeling are both carried out during operations. As explained in the introduction, this was not known in the prior art. Rigorous modeling generally represents a reliable data source for data-based modeling in technical systems that tend to be deterministic.
Das Verfahren gestaltet sich deshalb als besonders vorteilhaft , da die eigentliche Ausgangsgröße der rigorosen Modellierung nicht notwendigerweise berechnet werden muss . Dies kann eine bedeutende Verringerung der benötigten (Rechen- ) Ressourcen mit sich bringen . Vorteilhafterweise wird die innere Größe so gewählt , dass sie möglichst aufwandsarm durch die rigorose Modellierung ermittelt werden kann . Besonders vorteilhaft wird einem Anwender der Modellierung eine Auswahlmöglichkeit darüber dargeboten, welche innere Größe sich aufgrund bestimmter Kriterien wie Genauigkeit der Modellierung oder Rechenaufwand besonders als Eingangsgröße für die nachfolgende datenbasierte Modellierung eignet . Hierzu kann eine maschinelles ( Selbst- ) Lernen vorgesehen sein, welches automatisiert oder teilautomatisiert , beispielsweise unter Nutzung einer Beurteilung durch den Anwender, die für die weitere Modellierung am besten passende innere Größe ermittelt . The method is particularly advantageous because the actual output value of the rigorous modeling does not necessarily have to be calculated. This can result in a significant reduction in the required (computing) resources. Advantageously, the internal size is chosen so that it can be determined with as little effort as possible through rigorous modeling. Particularly A user of the modeling is advantageously presented with a choice as to which internal variable is particularly suitable as an input variable for the subsequent data-based modeling based on certain criteria such as the accuracy of the modeling or the computational effort. For this purpose, machine (self-) learning can be provided, which automatically or partially automated, for example using an assessment by the user, determines the most suitable internal size for further modeling.
Da mit der zusätzlichen Nutzung der inneren Größe ein erheblicher Informationsgewinn einhergeht , muss die datenbasierte Modell weniger komplexe Zusammenhänge abbilden, was einfachere Modellstrukturen ermöglicht . Speziell in Bezug auf die Dynamik kann es möglich sein, dass durch eine Berücksichtigung von dynamischen Änderungen von Größen in der rigorosen Modellierung auf dynamische Anteile in der datenbasierten Modellierung komplett verzichtet werden kann . Dies kann die Komplexität erheblich reduzieren . Since the additional use of the internal size results in a significant gain in information, the data-based model must represent less complex relationships, which enables simpler model structures. Especially with regard to dynamics, it may be possible that by taking dynamic changes in variables into account in rigorous modeling, dynamic components in data-based modeling can be completely dispensed with. This can significantly reduce complexity.
Ein weiterer großer Vorteil liegt darin, dass durch das Ermitteln und Abfragen der inneren Größe gut interpretierbare Zwischenergebnisse der rigorosen Modellierung vorliegen . So kann durch einen Vergleich der durch die rigorose Modellierung ermittelten Ausgangswerte der Ausgangsgröße und der durch die datenbasierte Modellierung ermittelten Ausgangswerte der Ausgangsgröße das Verhalten der datenbasierten Modellierung besser interpretiert werden . Eine ergänzende obere Schranke für die Di f ferenz beider Größen könnte die Akzeptanz beim Anwender zudem steigern . Another major advantage is that by determining and querying the internal size, easy-to-interpret intermediate results of rigorous modeling are available. By comparing the initial values of the output variable determined by rigorous modeling and the initial values of the output variable determined by data-based modeling, the behavior of the data-based modeling can be better interpreted. A supplementary upper bound for the difference between the two sizes could also increase user acceptance.
In der Zusammenarbeit zwischen den Modellierern der rigorosen Modellierung und den Daten-Analysten ( also den Modellierern der datenbasierten Modellierung) ergibt sich zudem der Vorteil , dass die rigorose Modellierung weiterhin aktiv genutzt wird und die Arbeit der rigorosen Modellierer damit erkennbar bleibt . Auch nachträgliche Verbesserungen der rigorosen Mo- dellierung können einfach berücksichtigt werden . Der erwähnte Vergleich der durch die rigorose Modellierung ermittelten Ausgangswerte der Ausgangsgröße und der durch die datenbasierte Modellierung ermittelten Ausgangswerte der Ausgangsgröße kann weiterhin auch gemeinsam von den Modellierern ausgewertet werden, um heraus zufinden, in welchen Bereichen die rigorose Modellierung ggf . noch Abweichungen und Unsicherheiten besitzt . The collaboration between the modelers of rigorous modeling and the data analysts (i.e. the modelers of data-based modeling) also has the advantage that rigorous modeling continues to be actively used and the work of the rigorous modelers remains recognizable. Even subsequent improvements to the rigorous denting can easily be taken into account. The mentioned comparison of the initial values of the output variable determined by rigorous modeling and the initial values of the output variable determined by data-based modeling can also be evaluated jointly by the modelers in order to find out in which areas the rigorous modeling may be necessary. still has deviations and uncertainties.
Auch die Möglichkeit , j ederzeit auf die rigorose Modellierung als „Fall-back"-Strategie umzuschalten, ist ein Vorteil des erfindungsgemäßen Verfahrens . Wird der datenbasierten Modellierung in einer konkreten Situation kein Vertrauen geschenkt , kann die datenbasierte Modellierung sehr einfach überbrückt werden . Auch wenn klar ist , z . B . durch eine vorgeschaltete Anomalieerkennung, dass sich die aktuelle Situation derart von den Trainingsdaten unterscheidet , dass die datenbasierte Modellierung extrapolieren müsste , kann eine solche Umschaltung ziel führend sein . Zur Umsetzung der „Fall-back"- Strategie kann im Anschluss an die Modellierungen eine Abfrage vorgenommen, ob ggf . auf die datenbasierte Modellierung verzichtet werden sollte . The possibility of switching to rigorous modeling at any time as a “fall-back” strategy is also an advantage of the method according to the invention. If no trust is placed in data-based modeling in a specific situation, data-based modeling can be bridged very easily. Even if If it is clear, for example through upstream anomaly detection, that the current situation differs from the training data to such an extent that the data-based modeling would have to extrapolate, such a switch can be effective. To implement the "fall-back" strategy, Following the modeling, a query was made as to whether. Data-based modeling should be avoided.
In der rigorosen Modellierung können vorteilhafterweise dynamische Veränderungen von ( Prozess- ) Messinstrumenten und - großen berücksichtigt werden, während im Rahmen der datenbasierten Modellierung vorteilhafterweise nur stationäre Vorgänge berücksichtigt werden . Es kann also ein dynamisches Verhalten der Erfassungsmittel im Rahmen der computer implementierten rigorosen Modellierung berücksichtigt werden . Dies reduziert die Belastung beteiligter Recheneinheiten bei der datenbasierten Modellierung . In rigorous modeling, dynamic changes in (process) measuring instruments and variables can advantageously be taken into account, while in the context of data-based modeling, only stationary processes are advantageously taken into account. Dynamic behavior of the detection means can therefore be taken into account as part of the computer-implemented rigorous modeling. This reduces the load on the computing units involved in data-based modeling.
Im Rahmen der datenbasierten Modellierung kann eine Strukturierung der Daten vorgenommen werden, welche sich an einer Strukturierung der verfahrenstechnischen Fließbilder bzw . dem Rohrleitungs- und Instrumentrierungs-Fließschema (R& I- Fließschema ) ergeben kann . Durch diese strukturierte Model- lierung lassen sich ggf . Teilprozesse des industriellen Prozesses noch ef fi zienter optimieren . As part of data-based modeling, the data can be structured, which is based on the structuring of the process engineering flow diagrams or the piping and instrumentation flow diagram (P&I flow diagram). Through this structured model lation can be possible if necessary. Optimize sub-processes of the industrial process even more efficiently.
Im Rahmen einer vorteilhaften Weiterbildung der Erfindung werden zusätzliche Eingangswerte für die rigorose Modellierung und/oder die weitere , datenbasierte Modellierung verwendet , welche Eingangswerte Umweltbedingungen bei der Durchführung des industriellen Prozesses oder Parameter von Elementen, die im Rahmen der Durchführung des industriellen Prozesses verwendet werden, umfassen . So können beispielsweise eine Umgebungstemperatur oder ein Luftdruck als Umweltbedingung oder eine stof fliche Zusammensetzung eines Elementes , welches bei der Durchführung des industriellen Prozesses zum Einsatz kommt , Verwendung als Eingangswerte finden . As part of an advantageous development of the invention, additional input values are used for rigorous modeling and/or further, data-based modeling, which input values include environmental conditions when carrying out the industrial process or parameters of elements used in carrying out the industrial process . For example, an ambient temperature or an air pressure as an environmental condition or a material composition of an element that is used in carrying out the industrial process can be used as input values.
Bei der zu modellierenden Ausgangsgröße kann es sich um eine Konzentration eines Stickstof foxids , eines Kohlenmonoxids , eines Formaldehyds oder eines Schwefeloxids handeln . Ein Ziel der betriebsbegleitenden Modellierung ist dabei den j eweiligen Anteil des j eweiligen Stof fes an einer Gesamtstof fmenge zu ermitteln . The initial variable to be modeled can be a concentration of a nitrogen oxide, a carbon monoxide, a formaldehyde or a sulfur oxide. One goal of operational modeling is to determine the respective proportion of the respective substance in a total amount of substance.
Der industrielle Prozess kann dabei eine Verbrennung eines Brennstof fes in einer Gasturbine , einem Brenner oder einem Motor darstellen . The industrial process can represent the combustion of a fuel in a gas turbine, a burner or an engine.
Bevorzugt werden die erfassten Prozesswerte als zusätzliche Eingangswerte der weiteren computerimplementierte , datenbasierten Modellierung verwendet . Dadurch kann die Genauigkeit der datenbasierten Modellierung weiter erhöht werden . The recorded process values are preferably used as additional input values for further computer-implemented, data-based modeling. This allows the accuracy of data-based modeling to be further increased.
Die weitere , datenbasierte Modellierung kann als ein neuronales Netz , eine Regression oder eine selbstorganisierende Karte ausgebildet sein . The further data-based modeling can be designed as a neural network, a regression or a self-organizing map.
Im Rahmen einer bevorzugten Weiterbildung der Erfindung werden von der computerimplementierten rigorosen Modellierung ermittelte Ausgangswerte als zusätzliche Eingangswerte der weiteren computerimplementierte , datenbasierten Modellierung verwendet . As part of a preferred development of the invention, output values determined by the computer-implemented rigorous modeling are used as additional input values further computer-implemented, data-based modeling is used.
Ganz besonders bevorzugt werden die betriebsbegleitend modellierten Ausgangswerte der Ausgangsgröße für eine Optimierung des Betriebes des industriellen Prozesses und/oder für eine Vorhersage eines Wartungsbedarfs bei der Durchführung des industriellen Prozesses verwendet . Very particularly preferably, the operationally modeled output values of the output variable are used to optimize the operation of the industrial process and/or to predict a maintenance requirement when carrying out the industrial process.
Die zuvor formulierte Aufgabe wird zudem gelöst durch ein technisches Modul , das zur Bereitstellung und Übermittlung von Informationen, wie zuvor erläutert , an ein technisches System, wie zuvor erläutert , ausgebildet ist . Das technische Modul ist dabei vorzugsweise dazu ausgebildet , wenigstens einen Dienst als technische Dienstleistung anzubieten . The previously formulated task is also solved by a technical module that is designed to provide and transmit information, as explained above, to a technical system, as explained above. The technical module is preferably designed to offer at least one service as a technical service.
Die zuvor formulierte Aufgabe wird zudem gelöst durch eine Vorrichtung zur Steuerung und/oder Überwachung eines industriellen Systems , die dazu ausgebildet ist , ein Verfahren wie zuvor erläutert durchzuführen . The previously formulated task is also solved by a device for controlling and/or monitoring an industrial system, which is designed to carry out a method as explained above.
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise , wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung des Aus führungsbeispiels , das im Zusammenhang mit den Zeichnungen näher erläutert wird . The characteristics, features and advantages of this invention described above and the manner in which these are achieved will be more clearly and clearly understood in connection with the following description of the exemplary embodiment, which will be explained in more detail in connection with the drawings.
In FIG 1 ist ein erfindungsgemäßes Verfahren schematisch dargestellt . Ein industrieller Prozess 1 , wie eine Verbrennung in einer Gasturbine , wird durchgeführt . Dabei soll parallel zur Durchführung des industriellen Prozesses 1 , also betriebsbegleitend, eine Konzentration eines Stickstof foxides in der Gasturbine als Ausgangsgröße Zd im Rahmen einer Modellierung ermittelt werden . Hierzu werden in einer ersten Stufe Prozesswerte und Umweltbedingungen wie eine Umgebungstemperatur des industriellen Prozesses 1 als Eingangswerte y von Erfassungsmitteln erfasst . Diese werden im Rahmen einer ersten computerimplementierten rigorosen Modellierung 2 weiterverarbeitet . Die rigorose Modellierung 2 ermittelt aus den Eingangswerten y unter Verwendung von ( Di f f erential-A method according to the invention is shown schematically in FIG. An industrial process 1 such as combustion in a gas turbine is carried out. Parallel to the implementation of the industrial process 1, i.e. during operation, a concentration of a nitrogen oxide in the gas turbine is to be determined as an initial variable Zd within the framework of modeling. For this purpose, in a first stage, process values and environmental conditions such as an ambient temperature of the industrial process 1 are recorded as input values y by recording means. These are carried out as part of a first computer-implemented rigorous modeling 2 further processed. The rigorous modeling 2 determines y from the input values using (Differential-
) Gleichungen, die den technischen Prozess 1 charakterisieren, die Konzentration des Stickstof foxides in der Gasturbine als Zielgröße zr . ) Equations that characterize the technical process 1, the concentration of nitrogen oxide in the gas turbine as the target variable z r .
Im Rahmen der rigorosen Modellierung 2 wird wenigstens eine innere Größe x ermittelt . Die innere Größe x stellt weder eine Eingangsgröße y noch eine Zielgröße zr dar . Sie ist eine Art Zwischenergebnis bzw . ein Zwischenprodukt , das sich nach einer Durchführung einer Teilmenge der rigorosen Modellierung 2 ergibt und welches von außen als Größe abrufbar ist . Es kann sich dabei beispielsweise um eine Temperatur in einer Brennkammer der Gasturbine handeln . As part of the rigorous modeling 2, at least one internal quantity x is determined. The inner variable x represents neither an input variable y nor a target variable zr . It is a kind of intermediate result or an intermediate product that results after carrying out a subset of rigorous modeling 2 and which can be accessed from outside as a quantity. This can be, for example, a temperature in a combustion chamber of the gas turbine.
Sowohl die Eingangswerte y aus dem industriellen Prozess 1 als auch die Prozesswerte der inneren Größe x finden in einer zweiten, nachfolgenden Stufe Eingang in eine weitere computerimplementierte , datenbasierte Modellierung 3 . Im Gegensatz zu der rigorosen, gleichungsbasierten Modellierung 2 finden in der weiteren Modellierung 3 ausschließlich datenbasierte Modellierungsschritte statt . Es kann sich bei der datenbasierten Modellierung 3 beispielsweise um ein neuronales Netz oder eine selbstorganisierende Karte handeln . Both the input values y from the industrial process 1 and the process values of the internal variable x find their way into further computer-implemented, data-based modeling 3 in a second, subsequent stage. In contrast to the rigorous, equation-based modeling 2, only data-based modeling steps take place in the further modeling 3. The data-based modeling 3 can be, for example, a neural network or a self-organizing map.
Als Ergebnis der weiteren, datenbasierten Modellierung 3 liegt die Konzentration des Stickstof foxids als zu ermittelnde Ausgangsgröße Zd vor . Diese betriebsbegleitend modellierte Ausgangsgröße Z kann im Rahmen einer Optimierung des industriellen Prozesses 1 oder für eine Vorhersage eines Wartungsbedarfs bei der Durchführung des industriellen Prozesses 1 verwendet werden . As a result of further, data-based modeling 3, the concentration of nitrogen oxide is available as the initial variable Zd to be determined. This operationally modeled output variable Z can be used as part of an optimization of the industrial process 1 or for predicting a maintenance requirement when carrying out the industrial process 1.
Die Rechenmittel für die Computerimplementierungen der Modellierungen 2 , 3 können beispielweise in einer cloudbasierten Umgebung realisiert sein und beispielsweise einen Personal Computer ( PC ) umfassen . Die Rechenmittel können mit Bildmit- teln verbunden sein, beispielsweise über eine bidirektionale , drahtlose Verbindung (NFC, WiFi , Bluetooth etc . ) . Die Bildmittel können als eine Datenbrille ausgebildet sein . Die Rechenmittel sind dabei dazu ausgebildet , Visualisierungsinformationen für eine Anwendung in einer erweiterten Realität zu erzeugen und diese an die Bildmittel zu übertragen, welche dann eine entsprechende bildliche Wiedergabe erzeugen . The computing means for the computer implementations of the models 2, 3 can, for example, be implemented in a cloud-based environment and include, for example, a personal computer (PC). The computing resources can be used with images Telephones must be connected, for example via a bidirectional, wireless connection (NFC, WiFi, Bluetooth, etc.). The image means can be designed as data glasses. The computing means are designed to generate visualization information for an application in an augmented reality and to transmit this to the image means, which then generate a corresponding visual representation.
In FIG 2 ist ein im Wesentlichen identisches Verfahren schematisch dargestellt . Im Unterschied zu der Aus führung gemäß FIG 1 geht die von der rigorosen Modellierung 2 ermittelte Zielgröße zr als ein weiterer Eingangswert in die weitere , datenbasierte Modellierung 3 ein . Dadurch kann die Exaktheit der Modellierung der Ausgangsgröße zr durch die datenbasierte Modellierung 3 weiter verbessert werden . Es ist aber zu beachten, dass damit die Zielgröße zr auch tatsächlich von der rigorosen Modellierung 2 ermittelt werden muss . Dies kann zu einem erhöhten Modellierungsaufwand führen . Dennoch können die durch die erhöhte Genauigkeit erreichten Verbesserungen den Nachteil bei bestimmten Fallkonstellationen kompensieren . Bevorzugt wird einem Anwender des Verfahrens eine Auswahlmöglichkeit bezüglich einer Ermittlung der Zielgröße zr und eines damit verbundenen Einbezugs in die datenbasierte Modellierung 3 geboten . An essentially identical method is shown schematically in FIG. In contrast to the embodiment according to FIG. 1, the target variable z r determined by the rigorous modeling 2 is included as a further input value in the further, data-based modeling 3. As a result, the accuracy of the modeling of the output variable z r can be further improved by data-based modeling 3. However, it should be noted that the target variable z r must actually be determined by rigorous modeling 2. This can lead to increased modeling effort. Nevertheless, the improvements achieved through the increased accuracy can compensate for the disadvantage in certain case constellations. A user of the method is preferably offered a choice regarding the determination of the target variable z r and the associated inclusion in the data-based modeling 3.
Die Erfindung ist nicht auf die Anwendung bei der Durchführung eines einzigen technischen Prozesses beschränkt . Vielmehr kann sie beispielsweise auch bei einem mehrstufigen Prozess zur Anwendung kommen . Beispielsweise kann das Verfahren zur Ermittlung einer Stickstof foxid-Konzentration bei einer Gasturbine mit nachgeschaltetem Katalysator verwendet werden . Die Gasturbine und deren Stickstof foxid-Konzentration im Abgas lassen sich gut als stationär modellieren ( da sehr hohe Dynamik, < 2 Sekunden) . Allerdings weist die Messinstrumen- ten-Dynamik eine Totzeit von ca . 2 bis 5 min aufgrund der Messmethode auf , was aus den physikalischen Gegebenheiten heraus ermittelbar ist und als rigorose Modellierung 2 eingebracht werden kann . Der nachgeschaltete Katalysator ( Serien- Schaltung von Gasturbine und Katalysator ) hat demgegenüber eine signi fikante Prozessdynamik (Einspritzung von NH3 in den Katalysator ) , nämlich ca . 15 bis 20 min bis zum Einschwingen in einen neuen Zustand . Diese Katalysator-Dynamik und die Messinstrumenten-Dynamik der (nachgeschalteten) Stickstof- foxid-Konzentrationsmessung können in der rigorosen Modellierung 2 ebenfalls berücksichtigt werden . Durch diese strukturierte Modellierung ergibt sich eine verbesserte Prädiktion der Stickstof f oxid-Emissionen . The invention is not limited to application in carrying out a single technical process. Rather, it can also be used, for example, in a multi-stage process. For example, the method can be used to determine a nitrogen oxide concentration in a gas turbine with a downstream catalytic converter. The gas turbine and its nitrogen oxide concentration in the exhaust gas can easily be modeled as stationary (since it is very dynamic, <2 seconds). However, the measuring instrument dynamics has a dead time of approx. 2 to 5 minutes based on the measurement method, what can be determined from the physical conditions and can be introduced as rigorous modeling 2. The downstream catalytic converter (series In contrast, switching of the gas turbine and catalytic converter) has a significant process dynamic (injection of NH3 into the catalytic converter), namely approx. 15 to 20 minutes until it settles into a new state. These catalyst dynamics and the measuring instrument dynamics of the (downstream) nitrogen oxide concentration measurement can also be taken into account in the rigorous modeling 2. This structured modeling results in improved prediction of nitrogen oxide emissions.
Obwohl die Erfindung im Detail durch das bevorzugte Aus führungsbeispiel und die Figuren näher illustriert und beschrieben wurde , so ist die Erfindung nicht durch die of fenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen . Although the invention has been illustrated and described in detail by the preferred exemplary embodiment and the figures, the invention is not limited by the disclosed examples and other variations can be derived from this by the person skilled in the art without departing from the scope of the invention.

Claims

Patentansprüche Patent claims
1. Verfahren zur betriebsbegleitenden Modellierung einer Ausgangsgröße eines industriellen Prozesses (1) , welcher in einer Prozessanlage zur Anwendung kommen kann, umfassend: a) Durchführung des industriellen Prozesses (1) , b) Erfassen von aus dem industriellen Prozess (1) stammenden Prozesswerten (y) durch geeignete Erfassungsmittel, c) Verarbeitung der erfassten Prozesswerte (y) durch eine computerimplementierte rigorose Modellierung (2) , wobei die erfassten Prozesswerte (y) Eingangswerte der computer implementierten rigorosen Modellierung (2) darstellen, d) Verwendung von Prozesswerten wenigstens einer inneren Größe (x) der computerimplementierten rigorosen Modellierung (2) , die von der computerimplementierten rigorosen Modellierung (2) ermittelt wurden, als Eingangswerte einer weiteren computerimplementierten Modellierung (3) , welche datenbasiert ausgebildet ist, e) Ermittlung von Ausgangswerten der Ausgangsgröße (Zd) durch die weitere computerimplementierte, datenbasierte Modellierung (3) . 1. Method for the operational modeling of an output variable of an industrial process (1), which can be used in a process plant, comprising: a) carrying out the industrial process (1), b) recording process values originating from the industrial process (1) ( y) by suitable recording means, c) processing of the recorded process values (y) by computer-implemented rigorous modeling (2), the recorded process values (y) representing input values of the computer-implemented rigorous modeling (2), d) use of process values of at least one internal Size (x) of the computer-implemented rigorous modeling (2), which were determined by the computer-implemented rigorous modeling (2), as input values of a further computer-implemented modeling (3), which is data-based, e) determining initial values of the output variable (Zd). further computer-implemented, data-based modeling (3) .
2. Verfahren nach Anspruch 1, bei dem zusätzliche Eingangswerte (y) für die computerimplementierte rigorose Modellierung (2) und/oder die weitere computerimplementierte, datenbasierte Modellierung (3) verwendet werden, welche Eingangswerte (y) Umweltbedingungen bei der Durchführung des industriellen Prozesses (1) oder Parameter von Elementen, die im Rahmen der Durchführung des industriellen Prozesses (1) verwendet werden, umfassen. 2. The method according to claim 1, in which additional input values (y) are used for the computer-implemented rigorous modeling (2) and / or the further computer-implemented, data-based modeling (3), which input values (y) determine environmental conditions when carrying out the industrial process ( 1) or parameters of elements used in the implementation of the industrial process (1).
3. Verfahren nach Anspruch 1 oder 2, bei dem die zu modellierende Ausgangsgröße (Zd) ein Volumenstrom, eine Konzentration einer anorganischen, gasförmigen Chlorverbindung, einer anorganischen, gasförmigen Fluorverbindung, eines Staubs, eines Stickstoffoxids, eines Kohlenmonoxids, eines Stickstoffdioxids, eines Stickstoffmonoxids, eines Distickstoffmonoxids, eines Ammoniaks, eines Quecksilbers, eines Methans, ei- nes Sauerstoffs, einer Feuchte, eines Kohlendioxids, eines Formaldehyds oder eines Schwefeldioxids darstellt. 3. The method according to claim 1 or 2, in which the output variable (Zd) to be modeled is a volume flow, a concentration of an inorganic, gaseous chlorine compound, an inorganic, gaseous fluorine compound, a dust, a nitrogen oxide, a carbon monoxide, a nitrogen dioxide, a nitrogen monoxide, a nitrous oxide, an ammonia, a mercury, a methane, a nes oxygen, moisture, carbon dioxide, formaldehyde or sulfur dioxide.
4. Verfahren nach Anspruch 3, bei dem der industrielle Prozess (1) eine Verbrennung eines Abfalls, oder eines Brennstoffes in einer Gasturbine, einem Brenner oder einem Motor darstellt . 4. The method according to claim 3, in which the industrial process (1) represents a combustion of a waste or a fuel in a gas turbine, a burner or an engine.
5. Verfahren nach einem der vorangegangenen Ansprüche, bei dem die erfassten Prozesswerte (y) als zusätzliche Eingangswerte der weiteren computerimplementierten, datenbasierten Modellierung (3) verwendet werden. 5. Method according to one of the preceding claims, in which the recorded process values (y) are used as additional input values of the further computer-implemented, data-based modeling (3).
6. Verfahren nach einem der vorangegangenen Ansprüche, bei dem die weitere computerimplementierte, datenbasierte Modellierung (3) als ein neuronales Netz, eine Regression oder eine selbstorganisierende Karte ausgebildet ist. 6. Method according to one of the preceding claims, in which the further computer-implemented, data-based modeling (3) is designed as a neural network, a regression or a self-organizing map.
7. Verfahren nach einem der vorangegangenen Ansprüche, bei dem ermittelte Ausgangswerte (zr) der computerimplementierten rigorosen Modellierung als zusätzliche Eingangswerte der weiteren computerimplementierten, datenbasierten Modellierung (3) verwendet werden. 7. Method according to one of the preceding claims, in which determined output values (z r ) of the computer-implemented rigorous modeling are used as additional input values of the further computer-implemented, data-based modeling (3).
8. Verfahren nach einem der vorangegangenen Ansprüche, bei dem im Rahmen der computerimplementierten rigorosen Modellierung (2) ein dynamisches Verhalten der Erfassungsmittel berücksichtigt wird. 8. Method according to one of the preceding claims, in which dynamic behavior of the detection means is taken into account as part of the computer-implemented rigorous modeling (2).
9. Verfahren nach einem der vorangegangenen Ansprüche, bei dem die betriebsbegleitend modellierten Ausgangswerte der Ausgangsgröße (Zd) für eine Optimierung des Betriebes des industriellen Prozesses (1) und/oder für eine Vorhersage eines Wartungsbedarfs bei der Durchführung des industriellen Prozesses (1) verwendet werden. 9. Method according to one of the preceding claims, in which the operationally modeled initial values of the output variable (Zd) are used to optimize the operation of the industrial process (1) and/or to predict a maintenance requirement when carrying out the industrial process (1). .
10. Vorrichtung zur Steuerung und/oder Überwachung eines industriellen Systems, die dazu ausgebildet ist, ein Verfahren gemäß einem der Ansprüche 1 bis 9 durchzuführen. 10. Device for controlling and/or monitoring an industrial system, which is designed to carry out a method according to one of claims 1 to 9.
11. Vorrichtung nach Anspruch 10, wobei das industrielle11. The device according to claim 10, wherein the industrial
System eine Gasturbine, einen Brenner oder einen Motor, insbesondere mit einem nachgeschalteten Katalysator, umfasst. System comprises a gas turbine, a burner or an engine, in particular with a downstream catalytic converter.
12. Vorrichtung nach Anspruch 11, bei der die zu modellie- rende Ausgangsgröße (Zd) ein Volumenstrom, eine Konzentration einer anorganischen, gasförmigen Chlorverbindung, einer anorganischen, gasförmigen Fluorverbindung, eines Staubs, eines Stickstoffoxids, eines Kohlenmonoxids, eines Stickstoffdioxids, eines Stickstoffmonoxids, eines Distickstoffmonoxids, eines Ammoniaks, eines Quecksilbers, eines Methans, eines Sauerstoffs, einer Feuchte, eines Kohlendioxids, eines Formaldehyds oder eines Schwefeldioxids darstellt. 12. The device according to claim 11, in which the output variable (Zd) to be modeled is a volume flow, a concentration of an inorganic, gaseous chlorine compound, an inorganic, gaseous fluorine compound, a dust, a nitrogen oxide, a carbon monoxide, a nitrogen dioxide, a nitrogen monoxide, a nitrous oxide, an ammonia, a mercury, a methane, an oxygen, a moisture, a carbon dioxide, a formaldehyde or a sulfur dioxide.
PCT/EP2023/060543 2023-04-21 2023-04-21 Combined rigorous and data-based modeling of an industrial process WO2023237252A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/EP2023/060543 WO2023237252A1 (en) 2023-04-21 2023-04-21 Combined rigorous and data-based modeling of an industrial process

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2023/060543 WO2023237252A1 (en) 2023-04-21 2023-04-21 Combined rigorous and data-based modeling of an industrial process

Publications (1)

Publication Number Publication Date
WO2023237252A1 true WO2023237252A1 (en) 2023-12-14

Family

ID=86331984

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/060543 WO2023237252A1 (en) 2023-04-21 2023-04-21 Combined rigorous and data-based modeling of an industrial process

Country Status (1)

Country Link
WO (1) WO2023237252A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4338608A1 (en) * 1993-11-11 1995-08-03 Siemens Ag Neural network mathematical model control for process control
EP1336081A2 (en) * 2000-11-22 2003-08-20 Smartsignal Corporation Inferential signal generator for instrumented equipment and processes
US20220297706A1 (en) * 2021-03-19 2022-09-22 Nvidia Corporation Combining rule-based and learned sensor fusion for autonomous systems and applications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4338608A1 (en) * 1993-11-11 1995-08-03 Siemens Ag Neural network mathematical model control for process control
EP1336081A2 (en) * 2000-11-22 2003-08-20 Smartsignal Corporation Inferential signal generator for instrumented equipment and processes
US20220297706A1 (en) * 2021-03-19 2022-09-22 Nvidia Corporation Combining rule-based and learned sensor fusion for autonomous systems and applications

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HEEJIN LIM ET AL: "Modeling and Optimization of a Styrene Monomer Reactor System Using a Hybrid Neural Network Model", INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH, vol. 43, no. 20, 1 September 2004 (2004-09-01), pages 6441 - 6445, XP055437279, ISSN: 0888-5885, DOI: 10.1021/ie049936x *

Similar Documents

Publication Publication Date Title
AT522344B1 (en) Method and device for model-based optimization of a technical facility
EP2791493B1 (en) Method and apparatus for monitoring exhaust gas sensor dynamics
EP1668431B1 (en) Method, computer program with program code means and computer program product for analyzing variables influencing a combustion process in a combustion chamber, using a trainable statistical model
DE102007046962A1 (en) Simulation system for simulating operation of process plant, has model regeneration unit, which compares indication of actual value with simulated output to develop updated process model for use by simulation routine
EP2048553A1 (en) Control circuit for regulating a process, in particular a combustion process
WO2002077527A1 (en) Method for regulating a thermodynamic process in particular a combustion process
EP1890207B1 (en) Method of generating a process model
DE102020216145A1 (en) Soot mass estimation method and control apparatus
DE102017222899A1 (en) Method, apparatus and computer program product for operating operating units
DE102014007433A1 (en) Method for calibrating a control unit that controls or regulates a technical process that can be described by reaction kinetic equations, in particular for calibrating a control unit that controls or regulates exhaust gas aftertreatment in an exhaust gas stream of an internal combustion engine
EP1409976A1 (en) Method and device for correcting a temperature signal
EP2971768B2 (en) Development of a superior model for controlling and/or supervising a compressor system
DE102008057494A1 (en) Emission model determining method for internal combustion engine in motor vehicle, involves determining number of representative main components and determining and storing transformation matrix in controller
WO2013026636A1 (en) Method for the creation of a model
DE102016123773A1 (en) System and method for emission control in power plants
WO2023237252A1 (en) Combined rigorous and data-based modeling of an industrial process
DE102013017260B3 (en) Method for operating a drive device and corresponding drive device
DE102006045785A1 (en) Diagnostics method for self-diagnosis of test systems, especially test benches for machines/machine tools, uses a test piece with its adjusting/supply devices and a set-up of measuring instruments
DE102012200032B4 (en) Method and device for dynamic diagnosis of sensors
EP1693558A1 (en) Method of forecasting of pollutant emissions of combustion processes
DE102012006767B4 (en) Method for operating an internal combustion engine and corresponding internal combustion engine
DE102020121890A1 (en) Method for diagnosing a control and/or regulation system and control and/or regulation system
EP2347184B1 (en) Method and device for monitoring the combustion of a power plant by means of a real concentration distribution
WO2003105997A1 (en) Method and device for controlling a flue gas denitrification plant
EP4254085A1 (en) Method for modeling an industrial system and device for controlling and / or monitoring an industrial system

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23723143

Country of ref document: EP

Kind code of ref document: A1