ML-Modell

Die Aufgabe des Machine Learning(ML)-Modells ist es, möglichst genau die Restlebenszeit des Katalysators vorherzusagen. Um dieses Ziel zu erreichen, musste sowohl die Sensorik als auch das Domänenwissen der Prozessexpertin in das ML-Modell integriert werden. Konkret bedeutete dies, das Domänenwissen der Prozessexpertin in eine Funktion zu überführen und diese Funktion als Ausgangsgröße zu nutzen, auf Grundlage dieser das ML-Modell trainiert wird.

Die folgenden Punkte erläutern Aufbau und Funktionsweise des ML-Modells:

Quantifizierung des Prozesswissens

Auswahl relevanter Messgrößen und Verlauf

Beschreibung der Messdaten

Architektur des ML-Modells

Trainieren / Validierung des Modells

Quantifizierung des Prozesswissens

Funktion für die Restlebenszeit des untersuchten Katalysators mit drei Reaktivierungsprüngen

Die Abschätzung der Restlebenszeit des verwendeten Katalysators ist von den im Folgenden beschriebenen Faktoren abhängig:

  1. Die initiale Lebensdauer des Katalysators beträgt 100 Tage.
  2. Die Funktion folgt ohne Temperaturänderungen einer abfallenden Gerade.
  3. Das sprunghafte Erhöhen der Reaktortemperatur, die sogenannte Reaktivierung des Katalysators, reduziert die Lebenszeit des Katalysators.
  4. Eine Reduktion der Ofentemperatur erhöht nicht die Lebenszeit des Katalysators.

Eine Reaktivierung bedeutet, dass der Katalysator wieder mehr Methan in Kohlendioxid umsetzen kann. Dies geht allerdings zu Lasten der Lebenszeit. Die sich ergebende Funktion für die Restlebenszeit des untersuchten Katalysators mit drei Reaktivierungsprüngen ist in der Abbildung links dargestellt.

Auswahl relevanter Messgrößen und Verlauf

Die grundlegende Arbeitsweise des Katalysators basiert auf folgender Gleichung:

CH4 + O2 → CO2 + H2O

Neben der Funktionsbeschreibung für die Restlebenszeit ist natürlich die Auswahl der Messgrößen für das ML-Modell relevant. Hierzu wurden die folgenden Größen von der Prozessexpertin ausgewählt:

Signal Name Bezeichnung Beschreibung
CH4 Methan Methan, das vom Katalysator umgewandelt werden muss.
CO2 Kohlendioxid Resultierendes Kohlendioxid
H2O Wasser Entstehendes Wasser bei der Umwandlung von MH4 in CO2.
Tofen Ofentemperatur Die Temperatur des Ofens wird für Temperatursprünge verändert.

Beschreibung der Messdaten

Verlauf der relevanten Messdaten

Links ist der Verlauf der relevanten Messdaten dargestellt. Darin lässt sich die prinzipielle Funktionsweise des Katalysators für die Umwandlung von Methan in Kohlendioxid anhand der zugrundeliegenden chemischen Gleichung CH4 + O2 → CO2 + H2O erkennen. Der Katalysator selbst verliert über die Zeit an Fähigkeit, CH4 in CO2 umzuwandeln. Dies zeigt sich daran, dass der CO2-Gehalt über die Zeit weniger wird, gleichzeitig aber der CH4-Gehalt ansteigt. Wird die Temperatur im Ofen erhöht, erlangt der Katalysator wieder die Möglichkeit, mehr CH4 in CO2 umzuwandeln. Bei Rücknahme der Temperatur wechselt der Katalysator wieder in seinen alten Betriebszustand. Das H2O ist bei der Reaktion ein Nebenprodukt und folgt daher dem Verhalten des CO2.

Für das ML-Verfahren ist das Lernen des Zusammenhangs zwischen gemessenen Größen und Restlebenszeit möglich. Anhand der Temperatur lassen sich einzelne Anlagenzustände lernen. Beispielsweise, dass die abfallende Gerade bei konstanter Temperatur dem Verhalten der Messgrößen CO2 und H2O folgt.

Architektur des ML-Modells

Struktur des Lernverfahrens als künstliches neuronales Netz (KNN)

Wie so häufig bei der Entwicklung von ML-Modellen im Produktionsbereich, reicht auch hier eine relativ einfache Struktur des Lernverfahrens. Als Vorverarbeitungsschritt wird eine Zscore-Standardisierung angewandt. Insgesamt besitzt das künstliche neuronale Netz lediglich ein »hidden layer« (dt. verborgene Schicht) mit vier Knoten. Als Aktivierungsfunktion lieferte die ReLU-Funktion die besten Ergebnisse.

Trainieren / Validierung des Modells

Verlauf des Expertenwissens und des ML-Modells

Am Versuchsstand des Fraunhofer UMSICHT wurden Versuche mit mehreren Katalysatoren durchgeführt, um eine ausreichend große Datenbasis zum Trainieren und Validieren des ML-Modells zu haben. Nach jedem Versuch wurde dazu von der Prozessexpertin der Verlauf der Restlebenszeit des Katalysators beschrieben und in eine Funktion übersetzt. Für das Modell diente diese Funktion schließlich als Ausgangsgröße, auf die trainiert wurde. Im laufenden Betrieb (siehe Abschnitt Systemarchitektur) wurde das Modell schließlich dazu verwendet, kontinuierlich die Restlebenszeit des Katalysators vorherzusagen.

Um einen Eindruck der Güte des ML-Modells zu bekommen, ist in der Abbildung links sowohl der Verlauf des Expertenwissens als auch der prädizierte Verlauf des ML-Modells dargestellt. Sprünge in der Restlebenszeit bedeuten wie bereits erwähnt, dass hier eine Reaktivierung des Katalysators stattgefunden hat. Allgemein zeigt sich, dass das Modell dem Verlauf des Expertenwissens sehr gut folgt. Lediglich in den Bereichen, in denen der Katalysator seinen Zustand wechselt (also durch eine Temperaturerhöhung eine Reaktivierung erfolgt) und die Restlebenszeit sprunghaft reduziert wird, liefert das Modell größere Abweichungen zum Expertenwissen.

Weitere Informationen

 

Projektseite
»PrädiKat«

Sie wollen mehr über das Projekt »PrädiKat« erfahren? Dann besuchen Sie die Projektseite und informieren Sie sich.

 

 

Applikation

Zum PrädiKat-Werkzeug gehört eine Web-Applikation, die als Kommunikator zwischen ML-Modell und Nutzer*in fungiert und dabei das Ergebnis der Katalysatorauswertung anzeigt. Mehr zum Anwendungsbereich finden Sie auf der Applikationsseite.

 

Versuchsstand

Mit dem Versuchsstand des Fraunhofer UMSICHT wird der typische Alterungsvorgang eines technischen Katalysators simuliert. Besuchen Sie die Seite zum Versuchsstand, um mehr zu erfahren.