Modellbasierte Vorhersagen und Steuerung
Keywords
Maschinelles Lernen, virtuelle Sensoren, Computational Intelligence, Predictive Analystics, Reservoir Computing, Prediction Systems, Model Predictive Control, Transfer Learning
Kurzbeschreibung
Mit modellbasierten Methoden werden Modelle aus Prozess- und Betriebsdaten generiert, um komplexe Vorhersage- und Steuerungsprobleme zu lösen. Solche Methoden kommen vor allem dort zum Einsatz, wo das Prozesswissen unvollständig ist und/oder analytische Modelle unzureichend bekannt, nicht zuverlässig genug sind, oder entsprechende Zielparameter nicht direkt gemessen werden können. Mit statistischen daten-basierten Lernverfahren können online-Messdaten mit archivierten Prozessdaten verknüpft werden, und so mächtigere Modelle für genauere und zuverlässigere Vorhersagen gebildet werden. Diese Herangehensweise wird bereits seit Jahren erfolgreich im Zusammenhang mit Versicherungen, Banken oder Marketing eingesetzt, beispielsweise um die Kreditwürdigkeit von Kunden abzuschätzen oder um zu beurteilen, ob und warum Telekommunikationskunden gefährdet sind, den Anbieter zu wechseln. Im industriellen Umfeld bieten sich ebenfalls zahlreiche Anwendungsmöglichkeiten! Große Nutzenpotentiale ergeben sich bei der Automatisierung und der Optimierung von komplexeren Prozessen, insbesondere bei der Vorhersage von Qualitätskenngrößen, bei der Energieverbrauchsabschätzungen bis hin zu virtuellen Sensoren, welche schwierig zu messende prozessrelevante Variablen aus einfacher zugänglichen Größen bestimmen. Industrielle Anwendungen wie Prozesssteuerungen stellen allerdings sehr hohe Anforderungen bezüglich Genauigkeit, Zuverlässigkeit und Performance. Um diesen Anforderungen gerecht zu werden, verfeinert das SCCH bereits etablierte Methoden aus dem Bereich der computational intelligence, um maßgeschneiderte industrietaugliche Lösungen zu entwickeln. Ein wichtiger Aspekt bei der Umsetzung industrietauglicher Lösungen sind auch die Entwicklungs- und Wartungskosten. Um diese zu reduzieren, wird an sogenannten Transfer Learning Konzepten gearbeitet, die es ermöglichen, bereits generierte Modelle für ein spezifisches Anwendungsszenario einfacher und computerunterstützt auf neue Anwendungsszenarien übertragen zu können.
Anwendungsbereiche
- Kontinuierliche Produktionsprozesse wie z.B. chemische Industrie Stahlproduktion
- Mechanische Fertigungsprozesse
- Gebäudesteuerung zur Energieoptimierung
- Vorhersage von Energieerzeugungspotential bzw. Energieverbrauchsabschätzung