Industrie + Technik

Chemie verhandelt schneller als andere Branchen | Die IG Bergbau Chemie Energie brauchte im Jahr 2019 in der chemischen Industrie zwei Monate, um zu einem Ergebnis zu kommen. Zudem kam sie ohne Drohungen aus. Dagegen sind die Tarifauseinandersetzungen bei mehreren anderen Gewerkschaften konfrontativer geworden. Das belegt eine Untersuchung des Instituts der deutschen Wirtschaft. Die längste Zeit, um zum Ergebnis zu kommen, brauchten Billigflieger Ryanair (27 Monate) und das Gebäudereinigerhandwerk (20 Monate).Alle Quellen bewerten | Der Europäische Emissionshandel (EU-ETS) kontrolliert knapp die Hälfte der in der EU verursachten CO2-Emissionen. Wie sich das System auf alle Emissionsquellen inklusive der Landwirtschaft und auf alle Treibhausgase ausweiten ließe, hat ein Forscherteam um Gernot Klepper vom Kieler Institut für Weltwirtschaft untersucht. Das Bundesministerium für Ernährung und Landwirtschaft hat die Studie ETSPLUS über den Projektträger Fachagentur Nachwachsende Rohstoffe unterstützt.Der Abschlussbericht: <a href="https://t1p.de/q1ud" target="_blank">https://t1p.de/q1ud</a>Gefahrgutrecht | Manche Vorschriften, wie Chemikalien auf Straßen, Schienen, Binnenwasserwegen oder durch die Luft zu transportieren sind, haben sich zum Jahresbeginn geändert. Darum ging es bei einer Veranstaltung der Verbands der Chemischen Industrie zum Gefahrgutrecht 2020. Die Folien der Vortragenden etwa von Berufsgenossenschaft, Bayer oder BASF lassen sich downloaden.<a href="http://bit.ly/Gefahrgutrecht2020" target="_blank">http://bit.ly/Gefahrgutrecht2020</a>Maren Bulmahn

Meldung

Gewerkschaft, Emissionen und Transport

Chemie verhandelt schneller als andere Branchen | Die IG Bergbau Chemie Energie brauchte im Jahr 2019 in der chemischen Industrie zwei Monate, um zu einem Ergebnis zu kommen. Zudem kam sie ohne Drohungen aus. Dagegen sind die Tarifauseinandersetzungen bei mehreren anderen Gewerkschaften konfronta...

Verfahren im laufenden Betrieb zu verbessern, kann die Produktion effizienter machen. Werden Methoden maschinellen Lernens mit Modellen kombiniert, die Unsicherheiten beschreiben, lassen sich Anlagen optimieren.
Rohstoffe sollen aus erneuerbaren Quellen kommen, eine flexible Fahrweise von Chemieanlagen soll den fluktuierenden Strommarkt ausgleichen und Unternehmen wollen die Zeiten von der Produktentwicklung bis zur Produktion verkürzen. All dies verändert den Betrieb verfahrenstechnischer Anlagen: Viele werden selten an ihrem Auslegungspunkt betrieben, sondern mit abweichender Last, anderen Produktspezifikationen oder Rohstoffen. Deshalb sind Energie- und Rohstoffeinsatz sowie Betriebskosten nicht wirtschaftlich.<h2>Optimieren in Echtzeit</h2>Methoden der Echtzeitoptimierung (real-time optimization, RTO) können die Anlageneffizienz steigern. Hierbei repräsentiert ein stationäres Modell die Anlage. Dieses wird stetig an Messdaten der Anlage angepasst, und für die aktuelle Auslastung wird ein (kosten-)optimaler Betriebspunkt ermittelt. Die Anforderungen an Modelle für RTO sind hoch: Sie müssen das Anlagenoptimum zuverlässig wiedergeben, sich einfach an Messdaten anpassen lassen und schnell zu lösen sein.Zwar ist RTO seit Jahren Stand der Technik, die Industrie setzt sie jedoch wenig ein. Als Gründe nennt sie die hohen Implementierungskosten und fehlenden wirtschaftlichen Erfolg realisierter Projekte. Neben Modellentwicklung und Schnittstellenarbeit zur Prozessleittechnik sind Auswahl und Implementierung von Prozessanalytik teuer. Modellseitig liegen die Schwierigkeiten in der mangelhaften Wiedergabe einzelner Anlagenphänomene, der Zeit für die Optimierung und dem hohen Rechenaufwand für die Modellanpassung.<h2>Modellieren und Lernen</h2>Datengetriebene Modelle für dynamische Systeme sind in der Regelungstechnik seit Jahrzehnten üblich. Seit einigen Jahren dienen sie nun auch dazu, stationäre Systeme mit maschinellem Lernen (ML) zu beschreiben.Für RTO-Zwecke sind neuronale Netze oder Gauß-Prozesse Ersatzmodelle. Diese bilden nichtlineares Verhalten komplexer Anlagen bestens ab, sind leichter als übliche physikochemische Anlagenmodelle an Messdaten anzupassen und schneller in der Optimierung. Hiermit lassen sich Kosten für die Entwicklung von RTO-Systemen senken und selbstanpassende autonome Anlagenbetriebe chemischer und biochemischer Prozesse erreichen.<h2>Mit seltenen Messdaten und Unsicherheiten umgehen</h2>In Chemieanlagen werden Temperaturen, Drücke, Flüsse und Füllstände kontinuierlich gemessen und können im Millisekundentakt vorliegen. Konzentrationen von Rohstoffen und Produkten werden nur selten kontinuierlich analysiert. Gewöhnlich bestimmen Betriebe Zusammensetzungen von Flüssig- oder Gasphasen im Tages- oder Wochentakt mit Gaschromatographie.Für Methoden, um Prozesse mit seltenen Messungen zu behandeln, nennen Ge und Kollegen das halbüberwachte Lernen (semi-supervised learning, SSL) als Klasse.1)Im laufenden Forschungsprojekt bauen wir auf SSL-Methoden auf und wenden sie für die RTO stationärer Anlagen an. Die Anlagen unterliegen wechselnden Umgebungsbedingungen, Veränderungen in den Rohstoffströmen, Degradation von Katalysatoren sowie Betriebsmitteln und wechselnder Auslastung. Wegen der sich ändernden Anlageneigenschaften muss das Anlagenmodell – der digitale Zwilling – ständig angepasst werden.Messdatenhistorien solcher Prozesse sind in der Regel durch starke Häufung geprägt: Es gibt einige wenige stationäre Betriebspunkte, an denen sich die Anlage häufig befindet und an denen viele Daten vorliegen, zwischen denen allerdings große leere Bereiche liegen.Unterliegen Parameter oder Eintrittsgrößen nichtlinearer Modelle Normalverteilungen, können Austrittsgrößen schiefe oder multimodale Verteilungsformen annehmen. Analog können bei realen Prozessen durch variierende Eintrittsgrößen und Streuung von Eigenschaften wie Katalysatorpartikelgrößen nichtnormale Verteilungen in Austrittsgrößen wie Produktströmen entstehen.Um den Betrieb mit ML-basierten Modellen zu unterstützen, ist es unerlässlich, die Unsicherheiten in bekannten und unbekannten Betriebsbereichen zu quantifizieren. Liegt eine solche Beschreibung der Modellunsicherheiten vor, kann dieses Modell dazu dienen, die Anlage kontinuierlich zu optimieren, während die Beschreibung der Modellunsicherheiten zu große Schritte in unbekannte Betriebsbereiche verhindert.Modelle der Anlage und der Unsicherheiten müssen kontinuierlich an neue Anlagenmessdaten angepasst oder nachtrainiert werden, um in der RTO eingesetzt werden zu können.<h2>Modellstrukturen</h2>Um die Unsicherheiten zu beschreiben, wird ein separates Modell aufgebaut. Hierfür ist über die Modellstruktur zu entscheiden, sodass sich beliebige schiefe, multimodale Verteilungen aus den Messdaten schätzen lassen.Die Abbildung skizziert Optionen, wie sich ein ML-basiertes Anlagenmodell mit einem Modell zur Beschreibung der Unsicherheiten kombinieren lässt. Durch die Trennung des Unsicherheitsmodells von der Beschreibung des Anlagenverhaltens lässt sich zusätzlich die Abhängigkeit der Unsicherheiten vom jeweiligen Anlagenzustand abbilden.<figure><img src="https://media.graphcms.com/S2y03AguTwSb6IYA37KZ"><figcaption><label>Abb. 1: </label>Die Beispiele a, b und c zeigen, wie sich Unsicherheitsmodelle mit Anlagenmodellen kombinieren lassen, die auf maschinellem Lernen basieren.</figcaption></figure>
Das Projekt soll Modellierungskonzepte für SSL finden, die sicheren und zuverlässigen Anlagenbetrieb über RTO optimieren. Hierzu liegt der Untersuchungsschwerpunkt auf der Qualität der Eingangs-Ausgangs-Korrelationen (ML-Modell), der zuverlässigen Vorhersage seltener Qualitätsmessgrößen und der Anwendbarkeit für RTO.<h2>Beispiele: Chloralkaliprozess und oxidative Methankopplung</h2>Aufbauend auf den Arbeiten von Pedregosa und Kollegen2) erproben wir Kombinationen ML-basierter Anlagen- und Unsicherheitsmodelle. Die Methode wird auf zwei Beispiele angewendet: auf einen Chloralkaliprozess mit variablen Strompreisen und auf eine Miniplant, die Methan oxidativ koppelt (oxidative coupling of methane, OCM), und zwar Methan aus Biogas mit veränderlicher Zusammensetzung. Für beide erzeugen die Forscher Szenarien mit seltenen Messdaten, Datenhäufung und unterschiedlicher Datenqualität. Danach arbeiten sie mit Messdaten aus der Industrie. Dieses Framework wird schließlich online an die OCM-Miniplant mit schwankender Feedgaszusammensetzung angeschlossen.Mit diesem Projekt leisten wir einen Beitrag zur Echtzeitoptimierung (bio-)chemischer Anlagen und liefern einen Prototyp für eine autonom arbeitende, sich selbst optimierende Anlage, der als Vorlage für eine Anwendung in der Industrie dienen soll.Das Projekt wird durch ein Max-Buchner-Forschungsstipendium finanziert.<h2>AUF EINEN BLICK</h2>Methoden der Echtzeitoptimierung können Anlagen effizienter machen, die Industrie nutzt sie aber noch wenig.Datengetriebene Modelle für dynamische Systeme sind in der Regelungstechnik üblich. Damit lassen sich nun auch stationäre Systeme wie Anlagen beschreiben.Ein Projekt nutzt halbüberwachtes Lernen, um Anlagen in Echtzeit zu optimieren. Bei sich ändernden Prozesseigenschaften ist das Anlagenmodell – der digitale Zwilling – anzupassen.Grafik: Adobe Stock/fotohansel<figure><img src="https://media.graphcms.com/NwJGV9rSiWcTEraQyOgN"><figcaption><label>Abb. 2: </label>Mensch-Maschine-Zusammenarbeit.</figcaption></figure>
<h2>Der Autor</h2>Erik Esche habilitiert an der TU Berlin im Fachgebiet Dynamik und Betrieb technischer Anlagen bei Jens-Uwe Repke. Esche verbindet Verfahrenstechnik mit mathematischer Optimierung und erprobt so entwickelte Methoden an den Miniplants des Lehrstuhls für den Betrieb verfahrenstechnischer Anlagen.<div><img src="https://media.graphcms.com/v8P8JGVkTMOZMh2gkrhd">

</div>
<ul><li>
1 Z. Ge, Z. Song, S. X. Ding, B. Huang, IEEEAccess 2017, 5, 20590–20616</li><li>
2 F. Pedregosa, G. Varoquaux, A. Gramfort et al., J. Mach. Learn. Res. 20011, 12, 2825–2830</li></ul>

Meldung

Gewerkschaft, Emissionen und Transport

Überprüfung Ihres Anmeldestatus ...