Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Optimierung der Prozessführung komplexer verfahrenstechnischer Prozesse mit Support Vector Machines

 
: Kühnert, C.; Minx, J.; Bernard, T.; Kuntze, H.-B.

Automatisierungstechnische Praxis atp 51 (2009), Nr.7, S.47-49
ISSN: 0178-2320
ISSN: 0340-4730
ISSN: 2190-4111
Deutsch
Zeitschriftenaufsatz
Fraunhofer IITB ( IOSB) ()

Abstract
Industrielle Produktionsprozesse sind häufig hinsichtlich mehrerer unterschiedlicher Gütekriterien zu optimieren (z. B. Kosten, Qualität, Energie- und Rohstoffverbrauch). Eine multikriterielle Optimierung der Prozessführung ausschließlich auf der Grundlage von physikalisch motivierten analytischen Modellen ist in den meisten Fällen sehr zeitaufwändig und damit kostenintensiv. Da in der Regel umfangreiche historische Prozessdaten vorliegen, bietet es sich an, die Optimierung alternativ dazu auf der Grundlage geeigneter Data-Mining-Methoden durchzuführen. Sie sind in der Lage, aus großen Datenmengen charakteristische Prozessführungsmuster zu identifizieren und hinsichtlich ihres Beitrages zur Prozessoptimierung zu klassifizieren. Im vorliegenden Beitrag wird hierzu ein neuartiges Konzept vorgestellt, welches im Rahmen des Fraunhofer-Verbundprojektes PRODAMI entwickelt wurde. Es werden aus einem Merkmalspool automatisiert relevante Merkmale der Prozessgrößen bezüglich einer frei wählbaren Gütefunktion selektiert. Außerdem wird basierend auf der Methode der Support Vector Machines for Regression(SVR) ein Modell generiert, mittels dem optimale Werte der relevanten Merkmale berechnet werden können. Die Leistungsfähigkeit des Data-Mining-Konzeptes wird anhand eines realen industriellen Batchprozesses demonstriert.

 

In general industrial processes have to be optimized due to several performance criteria (e. g. costs, quality, energy and raw material consumption). In general control optimization based on the development of physical models is very time consuming and cost intensive. But as in many cases historical process data are available an alternative approach consists in using suitable Data Mining methods for process control optimization. These methods can identify characteristic control patterns and classify them according to their contribution for process optimization. This article presents a new concept that has been developed within the Fraunhofer joint research project PRODAMI based on Support Vector Machines for Regression (SVR). Within that concept out of an arbitrarily generated feature set the significant features depending on a predefined quality parameter are selected. Furthermore a model of the quality parameter in terms of the relevant features is derived and used to find the optimal feature values. The proposed Data-Mining concept is applied to a real world industrial batch process.

: http://publica.fraunhofer.de/dokumente/N-103883.html