Prozessdatenanalyse – Zusammenhänge aus Betriebsdaten der Prozesstechnik bewerten - Seminar / Kurs von Haus der Technik e.V.

Sie erfahren, wie man gestörte Messungen z.B. mittels Ausreißererkennung und Filtern vorbehandelt ohne den Inhalt der Daten zu unterdrücken. Anschließend erkennen Sie maßgebliche Änderungen der Prozessdaten (z.B. durch Leckagen in Rohrleitungen oder Ablagerungen in Wärmetauschern) sowie signifikante Einflussfaktoren mittels Korrelationsanalyse.

KI ist in der Prozessdatenanalyse ein wichtiges Element, dass sich unter anderem in der Principal Component Analyse (PCA), in den neuronalen Netzen oder auch in der Clusterbildung weiderfindet. In diesem Kurs lernen Sie, wie diese KI-basierten Werkzeuge richtig anwenden.

Durch Datenregression ermittelte Kennlinien und Trends helfen, Zusammenhänge einzuschätzen und zu bewerten. Bei der experimentellen Modellbildung helfen schrittweise, partielle und Hauptkomponenten-Regression zur Modellreduktion und besserem Verständnis.

Die experimentelle Modellbildung liefert auch Prozessmodelle für die Regelungstechnik, insbesondere für modellprädiktive Regelung und modellbasierte Verfahrensoptimierung. Sie sind die Grundlage der gehobenen Regelungsalgorithmen (APC: Advanced Prozess Control). Anhand eines Simulationsmodells eines Wärmetauschers wird durch Prozesssimulation gezeigt, wie eine nichtlineare Modellbildung die Regelung verbessern kann.

Softsensoren dienen zur Überwachung von nicht direkt messbaren Größen. Mittels Regression und Hauptkomponentenanalyse werden die Oktanzahl im Raffinerieprozess und die Konzentration in einem Bioreaktor aus optischer Messung und Spektralanalyse berechnet.

Mittels statistischer Prozess- und Messgerätekontrolle (SPC) mit Regelkarten undSchwingungsanalyse erhalten Sie weitere Fehlerfrüherkennungsmethoden für Condition Monitoring und Instandhaltung. Zuletzt führt eine Clusterbildung zur Klassifikation neuer Messungen für die Fehlererkennung und Ursachenanalyse. Anhand der vorgestellten Methoden und Definitionen können Sie KPIs (Key Performance Index) definieren und aussagekräftige Dashboards erstellen.

Unterschiedliche Anwendungsbeispiele zur Prozessdatenanalyse in der Praxis finden Sie .

Zum Thema

Industrie 4.0 und immer modernere Messwerterfassungssysteme führen zu einer wachsenden Datenmenge. Verstehen Sie es, die im Unternehmen erfassten Daten der Prozess- und Verfahrenstechnik für Ihre Anforderungen Gewinn bringend zu nutzen? Erkennen Sie den Mehrwert der Vernetzung? Eine wirksame Datenanalyse unterstützt die Betriebssicherheit und Anlagenverfügbarkeit und kann helfen, Betriebs-, Personal-, Gewährleistungs- und Instandhaltungskosten drastisch zu senken.

Für einfache Beispiele kann die Datenauswertung mit Excel erfolgen, für komplexere Aufgaben stehen statistische Analyseverfahren wie z. B. die frei verfügbare statistische Programmiersprache R zur Verfügung.

Das Seminar gibt einen Überblick über die Methoden der Datenanalyse, praktische Beispiele der Datenauswertung in der Prozess- und Verfahrenstechnik werden gerechnet, auf kommerzielle Lösungswege wird hingewiesen und um eine Übersicht der gängigen kommerziellen und lizenzfreien Programmpakete zur Datenauswertung ergänzt.

Vor jedem neuen Themengebiet wird ein praktisches Beispiel (meistens) aus der Zementindustrie - zusammen mit den geplanten Lösungsschritten - erklärt, wofür die Methode nützlich verwendbar ist.

Zielsetzung

Sie lernen, Zusammenhänge aus großen Datenmengen auszuwerten und „smart Data“ zu generieren. Sie verstehen Funktionen von Softwaretools zur Datenanalyse. Neben Filtern, Korrelation und Regression werden Methoden zur Datenreduktion, Klassifikation, experimentellen Modellbildung und -reduktion behandelt. Beispielprogramme, die die wichtigsten Routinen für Testdaten enthalten, erklären verfahrenstechnische Fragestellungen anschaulich. 

 

Teilnehmerkreis Entscheidungsträger/-innen, Automatisierungsfachleute, MSR-Techniker/-innen, Digitalisierungs-Experten- und Ingenieure/-innen aus Instandhaltung, Betrieb, etc., die im Rahmen von Analysen z. B. mit Messungen für Condition Monitoring und Predictive Maintenance per intelligenter Datenanalyse in der Produktion beauftragt sind und jene, die aus Predicitive Analytics Schlüsse für den reibungslosen Betrieb ziehen möchten.