Zur Früherkennung sicherheitsrelevanter Betriebszustände in Chemieanlagen mit neuronalen Netzen

Die festzustellende Konzentration aufwendiger Verfahrenstechnik im Verbund mit mehrstufiger Prozeßführung macht den Gesamtkomplex Chemieanlage zunehmend anfällig für jede Art von Betriebsstörungen. Auftretende Fehlzustände wirken sich negativ auf die Produktqualität aus und verringern den Gesamtwirkungsgrad der Anlage. Der Zeitaufwand für die Behebung von Betriebsstörungen kann zu einem empfindlichen Produktionsausfall führen. Zur Überwachung des bestimmungsgemäßen Betriebs verfahrenstechnischer Anlagen wird eine Methodik unter Verwendung neuronaler Netze vorgestellt. Die während des Betriebs aufgezeichneten Meßgrößen sind als zeitabhängiges Muster interpretierbar, so daß über Mustererkennungsverfahren ein Ansatz zur Automatisierung komplexer Bewertungs- und Entscheidungsprozesse gegeben werden kann. An einer Versuchsanlage wird bei ausgewählten, gezielt aufgeprägten Störungen das Prozeßverhalten aufgezeichnet, um anschließend mit Mustererkennungsverfahren auf Basis neuronaler Netze eine automatisierte Zustandsbewertung vorzunehmen. Zu Beginn wird vom reinen Semibatch-Prozeß ausgegangen. Danach werden die Erkenntnisse von Simulation und Experiment auf die kontinuierliche Fahrweise einschließlich der Anfahrphase übertragen. Unerwünschte Betriebszustände müssen dabei nicht an einer realen Anlage herbeigeführt werden, sondern sind auch über Simulationen an einem Modell trainierbar. Die Leistungsfähigkeit der Methodik auf Basis von neuronalen Netzen zur Identifizierung bestimmungsgemäßer und nichtbestimmungsgemäßer Betriebszustände wird nachgewiesen.