DE19528426A1 - Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze - Google Patents
Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler NetzeInfo
- Publication number
- DE19528426A1 DE19528426A1 DE19528426A DE19528426A DE19528426A1 DE 19528426 A1 DE19528426 A1 DE 19528426A1 DE 19528426 A DE19528426 A DE 19528426A DE 19528426 A DE19528426 A DE 19528426A DE 19528426 A1 DE19528426 A1 DE 19528426A1
- Authority
- DE
- Germany
- Prior art keywords
- chemical reactor
- state
- nnb
- neural network
- reactor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
- B01J19/0006—Controlling or regulating processes
- B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D21/00—Control of chemical or physico-chemical variables, e.g. pH value
- G05D21/02—Control of chemical or physico-chemical variables, e.g. pH value characterised by the use of electric means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/906—Process plant
Description
In kontinuierlich betriebenen chemischen Reaktoren können
plötzlich und unvermutet sprunghafte Änderungen des
Reaktorzustandes auftreten. Beispielsweise steigt bei einer
unvermuteten sprunghaften Änderung des Reaktorzustandes die
Temperatur stark an oder die Reaktionsausbeute sinkt rapide
ab, was zu Produktionsausfällen und Reaktorstörfällen führt.
Diese Phänomene lassen sich durch sogenannte kritische
Zustände wie folgt erklären.
Das dynamische Verhalten eines kontinuierlichen Reaktors wird
mathematisch durch eine parameterabhängige
Differentialgleichung beschrieben:
Die Variable x ist ein Vektor. Er beinhaltet alle
Reaktorzustände.
Beispielsweise können dies die Konzentrationen der
beteiligten chemischen Verbindungen oder die Temperatur des
Gemisches sein.
Das Verhalten des Reaktors wird durch mehrere äußere
Einflußgrößen µ bestimmt, die vom Betreiber oder der Umwelt
vorgegeben sind, z. B. die mittlere Verweilzeit der Stoffe im
Reaktorkessel, die Kühlrate, die Reaktionsraten der Stoffe im
Reaktorkessel oder der Kesseldruck des Reaktors.
Der Reaktor wird in einem stationären, d. h. zeitlich
konstanten Zustand betrieben, d. h.:
In Abhängigkeit vom vorliegenden Parameterwert µ gibt es
meist mehrere mögliche stationäre Zustände x(µ), die auf
äußerst komplizierte Art und Weise miteinander verbunden
sind.
Ein kritischer Zustand tritt dort auf, wo bei Variation der
Parameter µ ein stationärer Zustand x(µ) aufhört zu
existieren oder instabil wird. Der Reaktor wechselt dann
sprunghaft von einem stationären Zustand zum nächsten oder
beginnt zu oszillieren. Dies kann zu unkontrollierbaren
Situationen führen.
Es liegen in der Praxis keine hinreichend genauen
mathematischen Modelle zur dynamischen Beschreibung der im
Reaktor ablaufenden Prozesse vor.
Es sind deshalb auch nicht alle externen Einflußgrößen
bekannt. Wichtige Parameter µ können sich folglich verändern,
ohne daß dies zunächst bemerkt wird. Dies führt zu
Störfällen, falls kritische Punkte erreicht werden.
Es ist bekannt, daß das dynamische Verhalten eines
kontinuierlichen Reaktors in einer lokalen Umgebung eines
kritischen Zustands mathematisch durch eine
parameterabhängige Differentialgleichung, der sogenannten
Normalform, beschrieben werden kann (J. Guckenheimer et al,
Nonlinear Oscillations, Dynamical Systems, and Bifurcations
of Vector Fields, Springer-Verlag, ISBN 0-540-90819-6, S. 117
bis 165, 1983). Jede Normalform repräsentiert genau einen Typ
eines kritischen Zustands.
Der Erfindung liegt das Problem zugrunde, unter Verwendung
künstlicher neuronaler Netze Zustandsparameter eines
chemischen Reaktors zu ermitteln.
Das Problem wird durch das Verfahren gemäß Patentanspruch 1
gelöst.
Es werden von mindestens einem Datengenerator für mindestens
eine vorgegebene Normalform Kurven in Normalkoordinaten
generiert. Jede dieser Kurven wird durch ein eigenes
neuronales Netz mit einem Parameteroptimierungsverfahren auf
ermittelte Meßgrößen transformiert. Die optimierten Parameter
des neuronalen Netzes und des Datengenerators werden als
Zustandsparameter des chemischen Reaktors verwendet.
Das Verfahren birgt mehrere Vorteile in sich. Es ist eine
verläßliche automatische Ermittlung von wichtigen
Zustandsparametern eines chemischen Reaktors möglich, obwohl
kein globales Modell zur Beschreibung aller Zustände eines
chemischen Reaktors existiert.
Durch die Weiterbildungen des Verfahrens nach den
Patentansprüchen 2 und 3 ist eine direkte Bewertung der
ermittelten Zustandsparameter hinsichtlich der Stabilität des
Reaktorzustandes als auch hinsichtlich der Ermittlung des
nächstliegenden Typs des kritischen Zustands des chemischen
Reaktors möglich.
Durch die Weiterbildung des Verfahrens gemäß Patentanspruch 4
ist es bei Verwendung mehrerer Datengeneratoren, also bei der
Berücksichtigung mehrerer Typen kritischer Zustände, möglich,
direkt aus dem Konvergenzverhalten aller Datengeneratoren und
neuronalen Netze während des Parameteroptimierungsverfahrens
auf den Typ des dem aktuellen Zustand des chemischen Reaktors
nächstliegenden kritischen Zustands zu schließen.
Vorteilhafte Weiterbildungen ergeben sich aus den abhängigen
Ansprüchen.
In den Zeichnungen ist ein bevorzugtes Ausführungsbeispiel
der Erfindung dargestellt und wird im folgenden näher
beschrieben.
Es zeigen
Fig. 1 eine Skizze, in der ein chemischer Reaktor, dessen
Zustandsparameter bestimmt werden sollen,
dargestellt ist;
Fig. 2 eine Darstellung einer Kurve, die beispielhaft die
Abhängigkeit der stationären Reaktorzustände, in
diesem Fall die Temperatur T des chemischen Reaktors
von einem Parameter µ darstellt;
Fig. 3 eine Skizze, die den prinzipiellen zeitlichen
Verlauf einer Trajektorie in Normalkoordinaten
darstellt, wie sie von einem Datengenerator erzeugt
wird, der eine einen Umkehrpunkt beschreibt;
Fig. 4 eine Skizze, die den prinzipiellen zeitlichen
Verlauf einer Trajektorie in Normalkoordinaten
darstellt, wie sie von einem Datengenerator erzeugt
wird, der eine eine Hopf′sche Verzweigung
beschreibt;
Fig. 5 eine Skizze, in der ein Datengenerator und ein
neuronales Netz dargestellt sind, deren Parameter
durch Anpassung der Ausgangsgrößen des neuronalen
Netzes an ermittelte Meßgrößen des chemischen
Reaktors, bei Durchführung eines
Parameteroptimierungsverfahrens verändert werden;
Fig. 6 eine Skizze, in der mehrere Datengeneratoren und
mehrere neuronale Netze, die jeweils einen Typ eines
kritischen Zustandes beschreiben, optimiert werden
und das am Besten bei Durchführung des
Parameteroptimierungsverfahrens konvergierende
neuronale Netz und der am Besten konvergierende
Datengenerator ausgewählt werden, und deren
Parameter als Zustandsparameter des chemischen
Reaktors verwendet werden;
Fig. 7 ein Ablaufdiagramm, in der detailliert alle
Verfahrensschritte des Verfahrens dargestellt sind.
Anhand der Fig. 1 bis 7 wird die Erfindung weiter
erläutert.
In Fig. 1 ist ein chemischer Reaktor R dargestellt. In den
chemischen Reaktor R fließt kontinuierlich eine bestimmte
Menge einer einströmenden chemischen Substanz ECS hinein. Im
chemischen Reaktor R findet eine chemische Reaktion statt, in
deren Folge die einströmende chemische Substanz ECS in eine
chemische Substanz CS umgewandelt wird. Die entstandene
chemische Substanz CS fließt kontinuierlich aus dem
chemischen Reaktor R aus. Die Zeit, die sich dabei jedes Atom
im Durchschnitt im chemischen Reaktor R aufhält, wird als
mittlere Verweilzeit bezeichnet.
In dem chemischen Reaktor R ist die chemische Substanz CS den
Einflüssen mehrerer äußerer Einflußgrößen µi(i=1 bis d,
d ∈ N) ausgesetzt.
Die äußeren Einflußgrößen µi sind beispielsweise die mittlere
Verweilzeit der Substanz im chemischen Reaktor R, eine
Kühlrate des chemischen Reaktors R, Reaktionsraten, die die
Geschwindigkeit der chemischen Reaktionen angeben, oder der
Kesseldruck, dem der chemische Reaktor R unterliegt. Die
äußeren Einflußgrößen µi sind vom Betreiber des chemischen
Reaktors R oder von der Umwelt vorgegeben.
Die im vorigen beschriebenen Möglichkeiten, welche Parameter
als Einflußgrößen µi angesehen werden können, sind keineswegs
umfassend. Viele weitere Parameter haben Einfluß auf das
chemische Verhalten des chemischen Reaktors R und sind somit
weitere äußere Einflußgrößen µi. Es ist bisher nicht möglich,
alle äußeren Einflußgrößen µi anzugeben.
Hieraus wird schon ersichtlich, daß es somit nicht möglich
ist, ein globales mathematisches Modell in Form eines
Differentialgleichungssystems zur Beschreibung des
dynamischen Verhaltens des chemischen Reaktors R zu
definieren. Eine Voraussetzung für ein globales exaktes
mathematisches Modell wäre zumindest die Kenntnis aller
äußeren Einflußgrößen µi, die aber nicht vorhanden ist.
Auch die Bewertung der bekannten Einflußgrößen µi ist noch
nicht formal möglich, d. h. es ist noch nicht exakt bekannt,
welche Einflußgrößen µi exakt welchen Effekt auf das
dynamische Verhalten des chemischen Reaktors R und die sich
in dem chemischen Reaktor R befindenden chemische Substanz CS
haben.
Im folgenden wird ohne Einschränkung der Allgemeingültigkeit
das erfindungsgemäße Verfahren beschrieben mit nur einer
äußeren Einflußgröße µ. Die Einflußgröße µ kann als ein
Vektor aufgefaßt werden, der alle bekannten äußeren
Einflußgrößen µi aufweist. Auch in diesem Fall ist das im
folgenden beschriebene bevorzugte Ausführungsbeispiel auf
exakt dieselbe Art und Weise anwendbar. Die Reduktion auf nur
eine eindimensionale Einflußgröße µ dient nur der
übersichtlicheren und somit einfacheren Darstellung des
erfindungsgemäßen Verfahrens.
Wie im vorigen beschrieben wurde, wird das dynamische
Verhalten des kontinuierlichen chemischen Reaktors R
mathematisch durch eine parameterabhängige
Differentialgleichung beschrieben:
Der chemische Reaktor R wird in einem stationären, d. h.
zeitlich konstanten Zustand betrieben
In Abhängigkeit von der Einflußgröße µ gibt es meist mehrere
mögliche stationäre Zustände x(µ) des chemischen Reaktors R,
die auf äußerst komplizierte Art und Weise miteinander
verbunden sind.
In Fig. 2 ist beispielhaft anhand eines einfachen
Reaktormodells, das in (J. Moiola et al, Computing
Bifurcation Points Via Characteristic Gain Loci, IEEE Trans.
Autom. Contr., 36, S. 358 bis 362, 1991) diskutiert ist, eine
Funktion dargestellt, die die Abhängigkeit der stationären
Zustände x(µ) des chemischen Reaktors R von der Einflußgröße
µ beschreibt.
In diesem einfachen Reaktormodell wird die Einflußgröße µ
durch die mittlere Verweilzeit der chemischen Substanz CS in
dem chemischen Reaktor R repräsentiert. Die Fig. 2 zeigt
also die Abhängigkeit einer Temperatur T, die einem
stationären Zustand x(µ) des chemischen Reaktors R
entspricht, des chemischen Reaktors R abhängig von der
Einflußgröße µ, in diesem Beispiel der mittleren Verweilzeit
der chemischen Substanz CS in dem chemischen Reaktor R.
Angenommen, der chemische Reaktor R befindet sich in einem
ersten Zustand Z1 bei einer relativ geringen ersten
Temperatur T₁. Der chemische Reaktor R befindet sich in dem
ersten Zustand Z1 bei einer ersten Verweilzeit µ₁ der
chemischen Substanz CS in dem chemischen Reaktor R. Wenn sich
die mittlere Verweilzeit µ, also eine äußere Einflußgröße µ
langsam und unbemerkt vergrößert, wirkt sich dies, wie aus
Fig. 2 ersichtlich ist, zunächst nicht wesentlich auf die
Temperatur T des chemischen Reaktors R aus.
Sobald jedoch ein erster kritischer Zustand KZ1 bei einer
mittleren Verweilzeit µ₂ überschritten wird, springt die
Temperatur T des chemischen Reaktors R schlagartig auf ein
neues, höheres Niveau. Dies ist durch einen Pfeil P in Fig.
2, ausgehend von dem ersten kritischen Zustand KZ1
angedeutet.
Nun stellt sich eine zweite Temperatur T₂ der chemischen
Substanz CS in dem chemischen Reaktor R ein. Selbst wenn
jetzt die mittlere Verweilzeit µ, also bei einem komplexeren
Reaktormodell eine beliebige äußere Einflußgröße µi wieder
sinkt, wird die Temperatur T des chemischen Reaktors R nicht
mehr auf den ursprünglichen Wert, die erste Temperatur T₁,
zurückgehen, sondern weiterhin auf einem sehr hohen Niveau,
in Nähe der zweiten Temperatur T₂, bleiben.
Sinkt jedoch die Einflußgröße µ, also die mittlere
Verweilzeit µ unter eine dritte Verweilzeit µ₃, bleibt in
diesem Fall die Temperatur T des chemischen Reaktors nicht
mehr zeitlich konstant, sondern beginnt zu oszillieren. Dies
geschieht ab einem Erreichen eines zweiten kritischen
Zustandes KZ2 des chemischen Reaktors R. Die kritischen
Zustände KZ1, KZ2, KZ3 und KZ4 werden mathematisch als lokale
Bifurkationen bezeichnet. Sie sind die Ursache für das
sprunghafte Verhalten des chemischen Reaktors R.
Man unterscheidet mehrere Typen von kritischen Zuständen KZ
nach ihrem qualitativen Einfluß auf die Stabilität des
chemischen Reaktors R.
Es liegen keine hinreichend genauen globalen Modelle zur
dynamischen Beschreibung der im chemischen Reaktor R
ablaufenden Prozesse vor.
Es sind deshalb, wie oben beschrieben, auch nicht alle
äußeren Einflußgrößen µi bekannt. Somit können sich wichtige
Parameter, also äußere Einflußgrößen µi, ändern, ohne daß
dies zunächst bemerkt wird, was zu Störfällen führt, falls
ein kritischer Zustand erreicht wird durch die Änderung der
äußeren Einflußgröße µ.
Durch das Verfahren wird es ermöglicht, während des Betriebes
des chemischen Reaktors R anhand von einer Folge von
Meßgrößen zk(tj) zu erkennen, ob sich der Zustand des
chemischen Reaktors R einem kritischen Zustand KZ nähert.
Das dynamische Verhalten des Reaktors in der Umgebung des
vorliegenden stationären Zustandes, das durch die Folge von
Meßgrößen zk(tj) dargestellt wird, muß also gemessen werden.
Dazu wird der Gleichgewichtszustand des chemischen Reaktors R
gestört, indem man z. B. das Zulaufvolumen der einströmenden
chemischen Substanz ECS kurzzeitig erhöht oder erniedrigt.
Weitere Möglichkeiten, den chemischen Reaktor R aus dem
aktuellen stationären Zustand Z heraus zubringen, und das
"Rücklaufen des chemischen Reaktors R in den stationären
Zustand" zu messen, sind jedem Fachmann geläufig und können
ohne weiteres angewendet werden.
Wichtig ist, daß in der Phase, in der der chemische Reaktor R
wieder in den stationären Ausgangszustand zurückschwingt,
eine Ermittlung einiger Zustandsgrößen, z. B. Konzentrationen
von in der chemischen Substanz CS enthaltenen Stoffen, die
Temperatur T der chemischen Substanz CS im chemischen Reaktor
R oder ähnliche, für den Fachmann aussagekräftige Größen,
oder von Zuständen abhängige Größen, z. B. der Druck im
chemischen Reaktor R, elektrische Leitfähigkeit, etc.,
vorgenommen wird.
Man erhält also eine zeitabhängige Folge von Meßgrößen zk(tj)
1, wobei tj den Zeitpunkt angibt, zu dem die jeweilige
Meßgröße ermittelt wurde und der Index k die jeweilige
Zustandsgröße, die gemessen wurde, eindeutig identifiziert,
also z. B. eine Konzentration eines Stoffes, die Temperatur T
der chemischen Substanz CS im chemischen Reaktors R zu dem
Zeitpunkt tj oder auch den Druck im chemischen Reaktors R.
Das dynamische Verhalten jedes Systems in der Nähe eines
kritischen Zustandes KZ läßt sich in speziellen reduzierten
Koordinaten beschreiben, den Normalkoordinaten ξi.
Die Differentialgleichung =f(x,µ), die das dynamische
Verhalten des chemischen Reaktors R beschreibt, wird in ein
künstliches Koordinatensystem transformiert. Die Koordinaten
dieses Koordinatensystems werden als Normalkoordinaten ξi
bezeichnet. Die transformierte Differentialgleichung, die die
Dynamik des chemischen Reaktors R in den Normalkoordinaten ξi
beschreibt, wird als Normalform NF bezeichnet.
Jede Normalform NF ist eine bekannte und in der Regel sehr
einfache parameterabhängige Differentialgleichung in ein oder
zwei Koordianten (J. Guckenheimer et al, Nonlinear
Oscillations, Dynamical Systems, and Bifurcations of Vector-
Fields, Springer-Verlag, ISBN 3-540-90819-6, S. 117 bis 165,
1983).
Wie ebenso aus dieser Schrift bekannt ist, wird die Dynamik
verschiedener chemischer Reaktoren in der Nähe von kritischen
Zuständen KZ gleichen Typs in Normalkoordinaten ξi von ein- und
derselben Normalform NF dargestellt. Jede Normalform NF
repräsentiert also genau einen Typus eines kritischen
Zustands KZ.
In den Fig. 3 und 4 sind zwei prinzipielle zeitliche
Verläufe von typischen Lösungskurven von Normalformen NF in
Normalkoordinaten ξi dargestellt. Fig. 3 beschreibt den
Verlauf in der Umgebung eines Umkehrpunktes UP. Die
kritischen Zuständen KZ1 und KZ3 in Fig. 2 sind von diesem
Typ.
In Fig. 4 ist eine weitere Lösungskurve ξi(t) einer anderen
Normalform NF in Normalkoordinaten ξi dargestellt. Diese
Normalform beschreibt die Dynamik in der Umgebung eines
weiteren Typs von kritischem Zustand KZ, eines sogenannten
Hopf′schen Verzweigungspunktes HP. In Fig. 2 stellen die
kritischen Zustände KZ2 und KZ4 jeweils einen Hopf′schen
Verzweigungspunkt HP dar.
Weitere Typen von kritischen Zuständen KZ und deren
zugehörige Normalform NF, sind dem Fachmann bekannt und in
(J. Guckenheimer et al, Nonlinear Oscillations, Dynamical
Systems, and Bifurcations of Vector Fields, Springer-Verlag,
ISBN3-540-90819-6, S. 117 bis 165, 1983) beschrieben. Somit
beschränkt sich das erfindungsgemäße Verfahren nicht auf das
bevorzugte Ausführungsbeispiel hinsichtlich der verwendeten
Normalformen NF, sondern kann für jede beliebige Normalform
NF, die jedem Fachmann bekannt ist, durchgeführt werden.
Jede Normalform NF ist eine bekannte parameterabhängige
Differentialgleichung:
Hierbei bezeichnet der Vektor ξ den Vektor der
Normalkoordinaten ξi. Man kann die Normalkoordinaten ξi als
versteckte, nicht direkt meßbare Zustände des chemischen
Reaktors R interpretieren, die mit den realen Zuständen x des
chemischen Reaktors R über eine a priori unbekannte Beziehung
zusammenhängen.
λ bezeichnet einen Stabilitätsparameter der jeweiligen
Normalform NF. Je stärker negativ der Stabilitätsparameter λ
ist, desto größer ist die Entfernung des realen Zustandes x
zu einem durch die jeweiligen Normalform NF repräsentierten
kritischen Zustand KZ.
Ist also der Stabilitätsparameter λ < 0, so ist der Zustand,
in dem sich der chemische Reaktor R befindet, stabil. Ist der
Stabilitätsparameter λ = 0, so ist der Zustand des chemischen
Reaktors R kritisch. Ist der Stabilitätsparameter λ < 0, so
befindet sich der chemische Reaktor R in einem instabilen
Zustand.
Für den Umkehrpunkt UP und für den Hopf′schen
Verzweigungspunkt sind in der folgenden Tabelle die
Normalformen NF angegeben.
Zusätzliche Normalformparameter parp definieren den Typ des
kritischen Punktes, also des jeweiligen kritischen Zustandes
KZ, genauer.
Der Index p bezeichnet den jeweiligen Normalformparameter
parp eindeutig. Der Index p ist eine natürliche Zahl.
Abhängig von den Vorzeichen der Normalformparameter parp kann
man beispielsweise erkennen, ob im Falle Hopf′scher
Verzweigungspunkte stabile, periodische Zustände des
chemischen Reaktors R zu erwarten sind. Die Modellierung der
Reaktordynamik des chemischen Reaktors R in Normalkoordinaten
ξi hat also den Vorteil, daß einfache mathematische
Gleichungen zur Beschreibung der Dynamik des chemischen
Reaktors R in der nächsten Umgebung eines kritischen
Zustandes KZ ausreichen, und die Entfernung des tatsächlich
gemessenen Zustands des chemischen Reaktors R, der durch die
Folge von Meßgrößen zk(tj) festgelegt ist, zu dem
nächstliegenden kritischen Zustand KZ direkt ablesbar ist aus
der jeweiligen Normalform NF, ebenso wie der Typ des
kritischen Zustandes KZ.
Allerdings sind die Normalkoordinaten ξi künstliche,
versteckte, nicht meßbare Zustände, deren Zusammenhang mit
der Folge von Meßgrößen zk(tj) am realen chemischen Reaktor R
zunächst unbekannt ist.
Es muß also eine Transformation gefunden werden, die die
Lösungskurven der Normalform NF eines jeden kritischen
Zustandes KZ in der Weise auf die Folge von Meßgrößen zk(tj)
abbildet, daß aus der Abbildung erkennbar wird, zum einen
welcher Typ von kritischen Zustand KZ dem tatsächlichen
Zustand am nächsten liegt und zum anderen, wie weit entfernt
der tatsächliche Zustand von dem kritischen Zustand KZ liegt.
Wie in Fig. 5 dargestellt ist, wird die Transformation von
Normalkoordinaten ξi zu dem Zeitpunkt tj auf die Folge von
Meßgrößen zk(tj) zu demselben Zeitpunkt tj durch ein
neuronales Netz NNb durchgeführt.
Ein Index b ist eine natürliche Zahl und identifiziert jedes
neuronale Netz NNb eindeutig.
Die Normalkoordinaten ξi(tj), die eine zeitabhängige
Lösungskurve jeweils einer Normalform NF darstellen, wie sie
beispielhaft in den Fig. 3 und 4 beschrieben sind, sind
die Eingangsgrößen des neuronalen Netzes NNb.
Die Lösungskurven von einer Normalform NF in
Normalkoordinaten ξi werden jeweils von einem Datengenerator
DGb generiert. Dies bedeutet, daß bei einer Anzahl von c
verwendeten Normalformen NF, d. h. bei Berücksichtigung von c
verschiedenen Typen von kritischen Zuständen KZ bei der
Untersuchung des dynamischen Verhaltens des chemischen
Reaktors R, genau c unterschiedliche Datengeneratoren DGb
verwendet werden, die jeweils Lösungskurven einer Normalform
NF in Normalkoordinaten ξi b(tj) generieren.
Der Index b ist eine natürliche Zahl und identifiziert ebenso
jeden Datengeneratoren DGb eindeutig, da jeweils ein
Datengenerator DGb einem neuronalen Netz NNb zugeordnet wird.
Dies bedeutet ebenso, daß für jeden verwendeten
Datengenerator DGb jeweils ein eigenes neuronales Netz NNb
vorgesehen wird.
Die Anzahl n der Eingänge jedes neuronalen Netzes NNb ist
gleich der Anzahl unterschiedlicher Normalkoordinaten
ξi b(tj), also der Dimension des Normalkoordinatenvektors ξ.
Die Anzahl der Ausgänge jedes neuronalen Netzes NNb ist
gleich der Anzahl der Meßgrößen zk(tj), die aus dem
chemischen Reaktor R ermittelt wurden und den jeweiligen
tatsächlichen aktuellen Zustand des chemischen Reaktors R
beschreiben.
Die bis jetzt unbekannte Transformation von Normalkoordinaten
ξi auf die Folge von Meßgrößen zk(tj) wird näherungsweise
gefunden, indem alle neuronalen Netze NNb und alle
Datengeneratoren DGb an die Folge von Meßgrößen zk(tj)
angepaßt werden 2, 4 und 5, wobei jeweils ein Datengenerator
DGb und ein neuronales Netz NNb einander zugeordnet werden
und jeweils an die Folge von Meßgrößen zk(tj) angepaßt
werden, d. h. Ausgangsgrößen I(tj) des neuronalen Netzes NNb
werden an die Folge von Meßgrößen zk(tj) angepaßt. Hierbei
wird jeweils eine Ausgangsgröße I(tj) eines neuronalen Netzes
NNb an eine Meßgröße zk(tj) angepaßt.
Ein Index b bezeichnet für jede Ausgangsgröße I(tj) eines
neuronalen Netzes NNb das neuronale Netz NNb und den
dazugehörenden Datengenerator DGb. Ein weiterer Index k
bezeichnet den jeweiligen Ausgang eines neuronalen Netzes NNb
eindeutig, der der jeweiligen Meßgröße zk(tj) angepaßt werden
soll.
Das neuronale Netz NNb und das Parameteranpassungsproblem zur
Berechnung des Stabilitätsparameters λ und der
Normalformparameter parp werden mit Hilfe bekannter
Algorithmen zur Lösung eines Optimierungsproblems der
numerischen Mathematik gelöst, z. B. mit dem Levenberg-
Marquardt-Verfahren (P. Gill et al, Practical Optimization,
Academic Press, London, ISBN 0-12-283952-8, S. 136-137, 1981;
und J. More, The Levenberg-Marquardt Algorithm:
Implementation and Theory, Numerical Analysis, Lecture Notes
in Mathematics 630, Springer Verlag, S. 105-116, 1977).
Es können auch beliebige andere
Parameteroptimierungsverfahren verwendet werden, die jedem
Fachmann geläufig sind.
Die Anpassung des neuronalen Netzes NNb und die Anpassung des
Datengenerators DGb kann zu einem
Parameteroptimierungsproblem eines großen neuronalen Netzes
GNNb zusammengefaßt werden. Es muß also nur ein
Parameteroptimierungsproblem bzw. Parameteranpassungsproblem
gelöst werden (vgl. Fig. 5).
Da der Typ des kritischen Zustandes KZ, in dessen Nähe sich
ein tatsächlicher aktueller Zustand des chemischen Reaktors R
befindet, a priori nicht bekannt ist, ist es vorteilhaft,
mehrere unterschiedliche Normalformen NF und somit mehrere
unterschiedliche Datengeneratoren DGb und diesen zugeordneten
mehrere unterschiedliche neuronale Netze NNb zu
berücksichtigen.
Je nach Leistungsfähigkeit des Prozeßkontrollrechners, der
die Parameteroptimierung durchführt, können eine beliebige
Anzahl kritischer Zustände KZ, auch höherer Ordnung,
untersucht werden. Die Parameteroptimierung kann nach
unterschiedlichsten Kriterien durchgeführt werden.
Beispielsweise könnte dieses Kriterium sein, daß die
Kombination aus Datengenerator DGb neuronalem Netz NNb in der
Weise möglichst gut an die Folge von Meßgrößen zk(tj)
angepaßt wird, daß ein quadratischer Fehler err minimiert
wird.
Ebenso denkbar und für jeden Fachmann leicht nachvollziehbar,
kann ein beliebiges Optimierungskriterium angewendet werden,
z. B. auch die Minimierung des Absolutbetrages der maximalen
Abweichung oder ähnliche Optimierungskriterien.
Da jede Normalform NF in Normalkoordinaten ξi Kurven mit
einem eigenen, sehr charakteristischen Verlauf erzeugt, der
sich erheblich von dem Verlauf von anderen Kurven anderer
Normalformen NF in Normalkoordinaten ξi unterscheidet, wie
dies auch in den Fig. 3 und 4 dargestellt ist, konvergiert
für eine bestimmte Folge von Meßgrößen zk(tj) jeweils genau
ein neuronales Netz NNb und der dem neuronalen Netz NNb
zugeordnete Datengenerator DGb um Größenordnungen besser, d. h.
schneller und bis zu einem um Größenordnungen kleineren
Approximationsfehler err als die anderen neuronalen Netze NN
und den diesen zugeordneten Datengeneratoren DG.
Aus diesem Konvergenzverhalten wird in einer
Bewertungseinheit BE darauf geschlossen, welches neuronale
Netz NNb, welcher Datengenerator DGb und somit welche
Normalform NF dem tatsächlichen Zustand am nächsten liegt, da
die jeweils am Besten konvergierende Transformation der
Normalform NF durch das jeweilige neuronale Netz NNb
durchgeführt wird, das der Normalform NF zugeordnet ist, das
am Besten auf die Folge von Meßgrößen zk(tj) abgebildet
werden kann. Somit erhält man aus dem Konvergenzverhalten
aller großen neuronalen Netze GNNb direkt die Information,
welcher Typ von kritischen Zustand KZ, also welche Normalform
NF, dem tatsächlichen Zustand des chemischen Reaktors R am
nächsten liegt 6.
Nach Durchführung des Parameteroptimierungsverfahrens ist
auch der Stabilitätsparameter λ und die Normalformparameter
parp derjenigen Normalform NF bekannt, d. h. sie liegen
explizit als optimierte Parameter nach dem
Parameteroptimierungsverfahren vor, die bei der Anpassung an
die Folge von Meßgrößen zk(tj) am Besten konvergiert hatte.
Diese Parameter können zusätzlich in einem Ergebnissignal
ES(i), das von der Bewertungseinheit BE zur Verfügung
gestellt wird enthalten sein. Weiterhin kann die Information,
welcher Typ von Normalform NF dem kritischen Zustand KZ am
nächsten liegt, in dem Ergebnissignal ES(i) enthalten sein.
Claims (4)
1. Verfahren zur Ermittlung von Zustandsparametern eines
chemischen Reaktors (R), unter Verwendung mindestens eines
Neuronalen Netzes (NNb; b=1 . . c) mit n Eingängen und m
Ausgängen,
- - bei dem eine Folge von Meßgrößen (zk(tj); k = 1 . . m) aus dem chemischen Reaktor (R) ermittelt wird, wobei tj (j=1 . . s) den Zeitpunkt beschreibt, zu dem die Folge von Meßgrößen (Zk(tj)) ermittelt wurde,
- - bei dem mindestens ein Datengenerator (DG) aus jeweils einer vorgegebenen Normalform (NF), die einen Typ eines kritischen Zustands des chemischen Reaktors (R) beschreibt, eine Kurve in Normalkoordinaten (ξi; i=1 . . n) generiert,
- - bei dem an die n Eingänge jedes neuronalen Netzes (NNb) jeweils eine Kurve in Normalkoordinaten (ξi; i=1 . . n) angelegt wird, wobei jedem Datengenerator (DG) ein neuronales Netz (NNb) zugeordnet wird,
- - bei dem jedes neuronale Netz (NNb) und jeder dem neuronalen Netz (NNb) zugeordneter Datengenerator (DGb) an die Folge von Meßgrößen (zk(tj)) angepaßt wird unter Verwendung von Parameteroptimierungsverfahren, wobei jedem Ausgang des neuronalen Netzes (NNb) ein Meßwert der Folge von Meßgrößen (zk(tj)) zugeordnet wird, und
- - bei dem die durch das Parameteroptimierungsverfahren optimierten Parameter, die Zustandsparameter des chemischen Reaktors (R) darstellen, zur Weiterverarbeitung zur Verfügung gestellt werden.
2. Verfahren nach Anspruch 1, bei dem die Zustandsparameter
des chemischen Reaktors (R) mindestens einen
Stabilitätsparameter aufweisen, der eine Beurteilung der
Stabilität des Zustandes des chemischen Reaktors (R)
ermöglicht.
3. Verfahren nach Anspruch 1 oder 2, bei dem die
Zustandsparameter des chemischen Reaktors (R) mindestens
einen Parameter aufweisen, der eine Beurteilung des dem
Zustand des chemischen Reaktors (R) nächstliegenden Typs des
kritischen Zustands des chemischen Reaktors (R) ermöglicht.
4. Verfahren nach einem der Ansprüche 1 bis 3, bei dem bei
mehreren neuronalen Netzen (NNb) und mehreren
Datengeneratoren (DGb) das neuronale Netz (NNb) und der
Datengenerator (DGb) ausgewählt werden, deren Parameter als
die Zustandsparameter des chemischen Reaktors (R) verwendet
werden, das bei Durchführung des
Parameteroptimierungsverfahrens am besten konvergiert.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19528426A DE19528426C2 (de) | 1995-08-02 | 1995-08-02 | Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze |
JP8204996A JPH09128009A (ja) | 1995-08-02 | 1996-08-02 | ニューラルネットワークを使用して反応装置の状態パラメータを検出する方法 |
US08/691,248 US6029157A (en) | 1995-08-02 | 1996-08-02 | Method for determining state parameters of a chemical reactor with artificial neural networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19528426A DE19528426C2 (de) | 1995-08-02 | 1995-08-02 | Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19528426A1 true DE19528426A1 (de) | 1997-02-06 |
DE19528426C2 DE19528426C2 (de) | 2003-04-30 |
Family
ID=7768534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19528426A Expired - Fee Related DE19528426C2 (de) | 1995-08-02 | 1995-08-02 | Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze |
Country Status (3)
Country | Link |
---|---|
US (1) | US6029157A (de) |
JP (1) | JPH09128009A (de) |
DE (1) | DE19528426C2 (de) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7216113B1 (en) * | 2000-03-24 | 2007-05-08 | Symyx Technologies, Inc. | Remote Execution of Materials Library Designs |
US20050165575A1 (en) * | 2003-09-23 | 2005-07-28 | Jacob Mettes | Automated regression analysis and its applications such as water analysis |
DE102004055832A1 (de) * | 2004-11-19 | 2006-06-01 | Celanese Chemicals Europe Gmbh | Verfahren zur Herstellung von Aldehyden |
JP5541863B2 (ja) * | 2005-08-12 | 2014-07-09 | ザ ガバメント オブ ザ ユナイテッド ステイツ オブ アメリカ, アズ リプレゼンテッド バイ ザ セクレタリー, デパートメント オブ ヘルス アンド ヒューマン サービシーズ | 神経雪崩アッセイ |
KR100971914B1 (ko) * | 2008-10-14 | 2010-07-22 | 한국원자력연구원 | 초고온 가스로의 동심축 이중관형 고온가스관의 설계방법 |
US11520310B2 (en) * | 2019-06-18 | 2022-12-06 | International Business Machines Corporation | Generating control settings for a chemical reactor |
US11675334B2 (en) | 2019-06-18 | 2023-06-13 | International Business Machines Corporation | Controlling a chemical reactor for the production of polymer compounds |
CN111638028B (zh) * | 2020-05-20 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5426721A (en) * | 1993-06-17 | 1995-06-20 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | Neural networks and methods for training neural networks |
-
1995
- 1995-08-02 DE DE19528426A patent/DE19528426C2/de not_active Expired - Fee Related
-
1996
- 1996-08-02 US US08/691,248 patent/US6029157A/en not_active Expired - Fee Related
- 1996-08-02 JP JP8204996A patent/JPH09128009A/ja not_active Withdrawn
Non-Patent Citations (4)
Title |
---|
Bioprocess Monitoring and Controll, M.N. Pons (Herausg.) München 1991, S. 251-269, 344-358 * |
C.M. Bishop, Rev. Sci. Instrum. 65, 1803 (1994) * |
K.S. Narendra, K. Parthasarathy, IEEE Trans. Neural Networks 1, 4 (1990) * |
T.B. Blank, S. D. Brown, Anal. Chem. 65, 3081 (1993) * |
Also Published As
Publication number | Publication date |
---|---|
JPH09128009A (ja) | 1997-05-16 |
DE19528426C2 (de) | 2003-04-30 |
US6029157A (en) | 2000-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2106576B1 (de) | Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems | |
EP1052558A1 (de) | Verfahren und Einrichtung zur Zustandsschätzung | |
DE102004026979A1 (de) | Vielfacheingabe- /Vielfachausgabe-Steuer-/Regelblöcke mit nichtlinearen Vorhersagefähigkeiten | |
DE3811086A1 (de) | Pid-reglersystem | |
EP0845720B1 (de) | Verfahren zur Analyse und Darstellung von transienten Prozessvorgängen | |
DE202018102632U1 (de) | Vorrichtung zum Erstellen einer Modellfunktion für ein physikalisches System | |
DE102018007641A1 (de) | Numerisches steuersystem | |
EP1145192B1 (de) | Anordnung miteinander verbundener rechenelemente, verfahren zur rechnergestützten ermittlung einer dynamik, die einem dynamischen prozess zugrunde liegt und verfahren zum rechnergestützten trainieren einer anordnung miteinander verbundener rechenelemente | |
EP0663632A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses | |
DE19528426C2 (de) | Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze | |
DE19530646C1 (de) | Lernverfahren für ein rekurrentes neuronales Netz | |
WO2020187591A1 (de) | Verfahren und vorrichtung zum ansteuern eines roboters | |
DE4338607A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
EP0875808A2 (de) | Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses | |
EP0897155A1 (de) | Verfahren zur Steuerung von Prozessvorgängen | |
EP0750764B1 (de) | Verfahren und anordnung zur fuzzy-regelung | |
DE19537010C2 (de) | Lernverfahren und -anordnung zur Nachbildung eines dynamischen Prozesses | |
EP1145190B1 (de) | Anordnung miteinander verbundener rechenelemente, verfahren zur rechnergestützten ermittlung einer dynamik, die einem dynamischen prozess zugrunde liegt und verfahren zum rechnergestützten trainieren einer anordnung miteinander verbundener rechenelemente | |
EP0978052A1 (de) | Rechnergestütztes verfahren zur auswahl von trainingsdaten für ein neuronales netz | |
EP2402832B1 (de) | Verfahren und Anzeigesystem zur Kalibrierung von normierten Anzeigen von Prozessgrössen | |
DE102019128223A1 (de) | Verfahren, Vorrichtungen und Computerprogramme | |
DE102018221002A1 (de) | Steuereinrichtung zur Steuerung einer Fertigungsanlage sowie Fertigungsanlage und Verfahren | |
DE19932794A1 (de) | Verfahren zur Adaption eines Prozeßreglers | |
AT521649B1 (de) | Verfahren zur Ermittlung von Prozessabläufen | |
DE19835137A1 (de) | Vorrichtung zum Bestimmen der Konzentration einer Meßflüssigkeit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8304 | Grant after examination procedure | ||
8339 | Ceased/non-payment of the annual fee |