- Nonlinear hybrid control model for accurate steady-state predictions. Computers & Chemical Engineering 178, 2023, 108368 mehr…
- Kombination eines datengetriebenen Vorhersagemodells mit einem Digitalen Zwilling zur Regelung von Luftzerlegungsanlagen. Jahrestreffen "Prozess-, Apparate- und Anlagentechnik", 2023 mehr…
- Untersuchung einer rein datengetriebenen Anlagenmodellierung einer Luftzerlegungsanlage zur Anwendung in einer modell-prädiktiven Regelung. Jahrestreffen der ProcessNet-Fachgruppen Fluidverfahrenstechnik und Hochdruckverfahrenstechnik, 2022 mehr…
- Hybridmodellierung zur Regelung von Kolonnen in Luftzerlegungsanlagen. Jahrestreffen der Prozess-, Apparate- und Anlagentechnik, 2022 mehr…
- Hybrid Modeling Approaches for Air Separation Unit Control Applications. 12th international conference on Distillation & Absorption (D&A), 2022 mehr…
- Hybrid Modeling Approaches for Air Separation Unit Control Applications. 12th international conference on Distillation & Absorption (D&A), 2022 mehr…
- Investigation of a Model‐Based Deep Reinforcement Learning Controller Applied to an Air Separation Unit in a Production Environment. Chemie Ingenieur Technik, 2021 mehr…
- Untersuchung eines rein datengetrieben, selbstlernenden Prozessreglers im Produktivbetrieb am Beispiel einer Luftzerlegungsanlage. Jahrestreffen der ProcessNet-Fachgemeinschaft Prozess-, Apparate- und Anlagentechnik, 2020 mehr…
ProcessRLC – Künstliche Intelligenz in der industriellen Prozessregelung
Beschreibung
Bayerische Schlüsselindustrien wie die Luftfahrt, Energietechnik, Robotik und die Verfahrenstechnik nutzen nach dem heutigen Stand der Technik etablierte Regelungskonzepte wie PID-, Kaskaden- und LMPC-Regler. Der notwendige Einsatz der KI im Bereich der Prozesssteuerung- und Regelung zeigt sich darin, dass praxistypische Regelungskonzepte sich im industriellen Umfeld als sehr wartungsintensiv gestalten und nicht automatisch an Änderungen in der Regelstrecke anpassen können und daher per Hand nachjustiert werden müssen. Dies kann dazu führen, dass Regler mit der Zeit starke Einbußen bei der Regelgüte zeigen. Eine fehlende Nachjustierung führt zu einer schlechten Anlagenperformance, resultierend im hohen Energie- und Rohstoffverbrauch und negativen Auswirkungen auf die finale Produktqualität.
Das Forschungsprojekt ProcessRLC (Process Industrial Reinforcement Learning Controller) zielt auf die Entwicklung neuer Methoden der KI zur Entscheidungsunterstützung am Beispiel der Steuerung und Regelung von verfahrenstechnischen Anlagen ab. Anhand der Prozessteuerung von Luftzerlegungsanlagen (LZA), die industriell zur Verflüssigung von Gasgemischen wie Luft und einzelner atmosphärischer Gase nach dem sogenannten Linde-Verfahren eingesetzt werden, sollen zwei innovative KI-Ansätze zur Entscheidungsfindung im Bereich der Steuerungs- und Regelungstechnik entwickelt und erprobt werden.
Über dem Stand der Technik werden rein datengetriebene Ansätze zur Regelung physikalischer Größen wie Temperatur, Druck und Medienflüsse (z.B. Gas) untersucht. In diesem Fall wird den dazugehörigen Reglern keinerlei Vorabinformationen über die physikalischen Eigenschaften der Regelungsaufgabe gegeben. Das Ziel hierbei ist es, den Regler soweit zu optimieren, dass er die Regelungsaufgaben selbstständig übernehmen kann. Darüber hinaus werden hybride Ansätze untersucht, in denen der datengetriebene Regler mit einem vereinfachten, physikalischen Modell kombiniert wird. Beide Ansätze werden abschließend an einer großtechnischen Produktionsanlage im Realbetrieb getestet und stetig weiterentwickelt. Die Anlage soll mittels KI befähigt werden, selbstständig den optimalen Betriebspunkt zu finden und die Regelungsaufgaben zu übernehmen. Das Ziel ist die Entwicklung einer selbstlernenden Regelungssoftware für nichtlineare Prozesse, die eine erhebliche Effizienzsteigerung gegenüber herkömmlichen Regelungsverfahren erlaubt und leicht auf andere Anwendungsfälle übertragbar ist. Bei Projekterfolg wäre dies die weltweit erste Regelungssoftware im industriellen Einsatz dieser Art.
Projektpartner
Förderung
Der Lehrstuhl bedankt sich bei der Förderung durch das Bayerische Staatsministerium für Wirtschaft, Landesentwicklung und Energie (StMWi) im Rahmen des Bayerischen Förderprogramms für Forschung und Entwicklung „Informations- und Kommunikationstechnik“.
