Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle. Christoph Kugler, Thomas Hochrein 26. Mai 2011

Transkript

1 Das Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011

2 Das in Echtzeit und inline Unmessbare messen Softsensoren zur Prozessanalyse und Qualitätskontrolle Christoph Kugler, Thomas Hochrein 26. Mai 2011

3 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 3

4 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 4

5 1. Softsensorik - eine kurze Einführung Ziele der Anwender: minimaler Ausschuss optimale Maschinenauslastung maximale Qualität bei minimalen Kosten wirtschaftliche Produktion 5

6 1. Softsensorik - eine kurze Einführung Qualität und Effizienz muss inline, in Echtzeit erfasst werden. Messtechnik klassische Messtechnik nicht ausreichend für komplexe Kenngrößen komplexe Messtechnik zu teuer und kompliziert Softsensorik 6

7 1. Softsensorik - eine kurze Einführung bekannte Softsensoren Quelle: Gneuß Quelle: Dynisco Temperatursensor Drucksensor Was wird wirklich gemessen? 7

8 1. Softsensorik - eine kurze Einführung bekannte Softsensoren Elektrisches Signal aus einer Widerstands- oder Spannungsänderung... Quelle: Gneuß Temperatursensor... wird in ein Temperatursignal mit Hilfe einer Kalibrierung umgerechnet. 8

9 1. Softsensorik - eine kurze Einführung bekannte Softsensoren Elektrisches Signal aus einer Widerstandsänderung (DMS) wird in ein Drucksignal mit Hilfe einer Kalibrierung umgerechnet. Drucksensor Quelle: Dynisco 9

10 1. Softsensorik - eine kurze Einführung Quelle: Gneuß Quelle: Dynisco Temperatursensor Drucksensor Softsensoren messen nicht direkt. Sie berechnen aus gegebenen Messgrößen die gewünschten Ausgangsgrößen durch vorher generierte mathematische Modelle. 10

11 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 11

12 2. Motivation: Warum Softsensoren? Motivation: viele inline nicht zugängliche Messgrößen viele in Echtzeit nicht zugängliche Messgrößen große Anzahl an Einflussgrößen (nicht alle werden gemessen) komplexe Prozesse, analytische Herleitung oft nicht möglich Realisierbarkeit: vielfältige Hardware-Sensoren mit schnellem Ansprechverhalten verfügbar integrierte Messtechnik kann weiter verwendet werden Anwendungen in der chemischen Industrie und Energieerzeugung theoretisch jede in-, on-, at-, offline messbare Größe vorhersagbar 12

13 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 13

14 3. Realisierung von Softsensoren Ziele bei der Sensorentwicklung: Prozessoptimierung Echtzeit-Feedback Realisierung durch Softsensoren Voraussetzungen zur Entwicklung von Softsensoren: Hardwaresensoren vorhanden (lückenlose) Aufzeichnung von Prozessdaten QS-Daten zur Modellierung verfügbar Abhängigkeit zwischen Messgröße und Ausgabegröße 14

15 3. Realisierung von Softsensoren Hardware Sensoren Quelle: ABB Kein Softsensor ohne Hardwaresensoren! Quelle: Keyence Softsensor Kennwert 1 Quelle: Janitza Kennwert 2 Quelle: Gneuß Quelle: Fujitsu 15

16 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 16

17 4. Typen von Softsensoren Softsensor rigorose Modellierung statistische Regressionsverfahren (Chemometrie) künstliche neuronale Netze Quelle: Fujitsu 17

18 4. Typen von Softsensoren Softsensor rigorose Modellierung statistische Regressionsverfahren (Chemometrie) künstliche neuronale Netze Quelle: Fujitsu exakte Beschreibung mit Naturgesetzen nötign bei hoher Komplexität t nicht anwendbar meist nur Näherungen N möglichm 18

19 4. Typen von Softsensoren Beispiel für f r rigorose Modellierung: Polyesterherstellung im Batch Reaktor [Fis05] 19

20 4. Typen von Softsensoren Softsensor rigorose Modellierung statistische Regressionsverfahren (Chemometrie) künstliche neuronale Netze Quelle: Fujitsu exakte Beschreibung mit Naturgesetzen nötign bei hoher Komplexität t nicht anwendbar meist nur Näherungen N möglichm 20

21 4. Typen von Softsensoren Softsensor rigorose Modellierung statistische Regressionsverfahren (Chemometrie) künstliche neuronale Netze Quelle: Fujitsu lineare Gleichungen Anpassung der freien Parameter Expertenwissen für f r statistische Verfahren notwendig 21

22 4. Typen von Softsensoren Beispiel für f r statistische Regressionserfahren: Vorhersage des E-Moduls aus FT-NIR Daten der Schmelze mit einem Chemometrie-Softsensor [Las10] 22

23 4. Typen von Softsensoren Softsensor rigorose Modellierung statistische Regressionsverfahren (Chemometrie) künstliche neuronale Netze Quelle: Fujitsu lineare Gleichungen Anpassung der freien Parameter Expertenwissen für f r statistische Verfahren notwendig 23

24 4. Typen von Softsensoren Softsensor rigorose Modellierung statistische Regressionsverfahren (Chemometrie) künstliche neuronale Netze Quelle: Fujitsu Struktur vom Nervensystem abgeleitet komplexe Algorithmen und Gleichungen große e Anzahl an Datensätzen tzen nötign nur Aussagen im geg. Wertebereich möglichm 24

25 4. Typen von Softsensoren Beispiel für f r künstliche k neuronale Netze: Vorhersage des MFI aus Prozessdaten bei der reaktiven Polypropylen Produktion [Yia04] 25

26 4. Typen von Softsensoren Beispiel für f r künstliche k neuronale Netze: Vorhersage des Schmelzeflusses beim Füllen einer Kavität im Spritzguß [Che04] 26

27 4. Typen von Softsensoren Beispiel für f r künstliche k neuronale Netze: Vorhersage des Schmelzeflusses beim Füllen einer Kavität im Spritzguß Generalisierung! [Che04] 27

28 4. Typen von Softsensoren Softsensor rigorose Modellierung statistische Regressionsverfahren (Chemometrie) künstliche neuronale Netze Quelle: Fujitsu Struktur vom Nervensystem abgeleitet komplexe Algorithmen und Gleichungen große e Anzahl an Datensätzen tzen nötig n nur Aussagen im geg. Wertebereich möglich m 28

29 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 29

30 5. Prozessmodelle auf Basis von Softsensoren Softsensoren benötigen Modelle, erstellt aus realen Messwerten. Modell des Prozesses Beinhaltet Informationen über die Abhängigkeiten der Prozessgrößen voneinander. Modell auf der Basis von Messwerten kann zum besseren Verständnis des Prozesses dienen! 30

31 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 31

32 6. Prozessanalyse durch Modellierung Anhand der erstellten Modelle lassen sich verschiedene Rückschlüsse über den Prozess ziehen: 32

33 6. Prozessanalyse durch Modellierung 33

34 6. Prozessanalyse durch Modellierung 34

35 Inhalt 1. Softsensorik - eine kurze Einführung 2. Motivation: Warum Softsensoren? 3. Realisierung von Softsensoren 4. Typen von Softsensoren 5. Prozessmodelle auf Basis von Softsensoren 6. Prozessanalyse durch Modellierung 7. Zusammenfassung 35

36 7. Zusammenfassung Vorteile von Softsensoren: Softsensoren benötigen keine zusätzliche Sensorinfrastruktur. Die Ermittlung der Messwerte erfolgt in Echtzeit. Zusätzliche Ausgangskenngrößen ohne zusätzliche Hardware möglich. Softsensoren machen auch komplexe Kenngrößen zugänglich. Softsensoren können Sensordrift und Sensorfehler erkennen. Rückschlüsse auf die Qualität der Ausgangsmaterialien möglich. Modelle geben ein weiter gehendes und tieferes Verständnis des Prozesses. 36

37 Vielen Dank für Ihr Interesse! Ihr Ansprechpartner bei Fragen Christoph Kugler Messtechnik Friedrich-Bergius-Ring Würzburg Tel: Fax:

38 Literaturverweise [Fis05] Fischer, I.: Modellierung, Simulation und Optimierung eines Batch- Polymerisationsprozesses, Doktorarbeit, Fakultät für Umweltwissenschaften und Verfahrenstechnik, Brandenburgische Technische Universität Cottbus, 2005 [Las10] Laske, S. et al.: Real-time characterization of polypropylene nanocomposites in a corotating twin screw extruder, ANTEC, 2010 [Yia04] Yiagopoulos, T.; Schmidt, C.-U.; Maselli, E.: Development of a Softsensor for On-Line MFI Monitoring in Reactive Polypropylene Extrusion, DECHEMA Monographs 138, Wiley-VCH, Weinheim, 2004 [Che04] Chen, X.; Gao, F.; Chen, G.: A soft-sensor development for melt-flow-length measurement during injection mold filling, Material Science and Engineering A 384, ,