Früherkennung von Fermenterprozessstörungen durch den Einsatz einer auf Prozessexpertise basierenden KI

Eine auf künstlicher Intelligenz (KI) basierende Methode zur Erkennung von Prozessstörungen in anaeroben Fermentern wurde entwickelt, um die derzeitigen Herausforderungen beim Betrieb und der Prozessüberwachung von anaeroben Fermentern zu überwinden. Begrenzte Überwachungsmöglichkeiten und häufige prozessbiologische Störungen des Fermenters führen zu finanziellen Verlusten, die durch eine fortschrittlichere und datengetriebene Prozessüberwachungsmethode vermieden werden könnten.

Häufige Fermenterprozessstörungen und die damit verbundene unzureichende Prozessüberwachung führen zu einer verminderten Nutzung der Anlagenkapazität sowie zu finanziellen Verlusten. Die am weitesten verbreitete Methode zur Prozessüberwachung besteht aus der Messung der flüchtigen Fettsäuren in der Gärrestprobe, welche von einem Prozessexperten analysiert werden. Diese Methode hat einige Nachteile, nämlich die zeitliche Verzögerung zwischen der Probenahme und der Erkennung der Prozessstörung, die Anfälligkeit für menschliche Fehler sowie die hohen Kosten für Personal und Laboranalysen. Um diese Nachteile zu überwinden, wurde ein System zur Erkennung von Prozessstörungen mit Hilfe von künstlicher Intelligenz (KI) entwickelt. Dieses System verwendet online verfügbare Anlagendaten, hauptsächlich Signale der Biogasqualitätsmessung. Der gewählte Ansatz besteht aus einer Kombination von Prozessexpertise mit unüberwachten Machine-Learning-Algorithmen. Für die Entwicklung eines solchen KI-Systems gibt der Prozessexperte Inputs zu geeigneten Signalen und deren Verhalten bei Prozessstörungen. Der Datenwissenschaftler entwickelt Modelle, um das beschriebene Verhalten der Signale mit Hilfe statistischer Methoden und Machine Learning zu detektieren. Das System zur Erkennung von Prozessstörungen wurde anhand der Daten von zwei Vergärungsanlagen getestet, und die Ergebnisse zeigten, dass alle Prozessstörungen vom Algorithmus erkannt wurden. Außerdem erkannte der Algorithmus die Prozessstörungen im Durchschnitt 21 Tage, bevor der Prozessexperte Maßnahmen zur Erholung des Fermenters empfahl. Das System erreichte eine Gesamtgenauigkeit von 99,5 % und eine Sensitivität von 100 %. Diese Ergebnisse zeigen, dass die Prozessstörungen früh genug erkannt wurden, um genügend Zeit für Maßnahmen zur Erholung des Fermenters zu haben. Darüber hinaus kann der Schluss gezogen werden, dass der vorgeschlagene Algorithmus zuverlässig zur Früherkennung von Prozessstörungen eingesetzt werden kann, ohne dass eine Messung der flüchtigen Fettsäuren erforderlich ist.



Copyright: © Witzenhausen-Institut für Abfall, Umwelt und Energie GmbH
Quelle: Biomasse-Forum 2023 (November 2023)
Seiten: 6
Preis: € 3,00
Autor: Dipl.-Ing.agr. Raiko Kolar
 
 Diesen Fachartikel kaufen...
(nach Kauf erscheint Ihr Warenkorb oben links)
 Artikel weiterempfehlen
 Artikel nach Login kommentieren


Login

ASK - Unser Kooperationspartner
 
 


Unsere content-Partner
zum aktuellen Verzeichnis



Unsere 3 aktuellsten Fachartikel

Hochlauf der Wasserstoffwirtschaft
© Lexxion Verlagsgesellschaft mbH (8/2024)
Überblick über und Diskussion der Maßnahmen zum beschleunigten Ausbau der Wasserstoffinfrastruktur in Deutschland

Die innerstaatliche Umsetzung des Pariser Klimaschutzübereinkommens - ein Rechtsvergleich
© Lexxion Verlagsgesellschaft mbH (8/2024)
Like all public international law treaties, the Paris Climate Accords rely on national law for their implementation. The success of the agreement therefore depends, to a large extent, on the stepstaken or not taken by national governments and legislators as well as on the instruments and mechanisms chosen for this task. Against this background, the present article compares different approaches to the implementation of the Paris Agreement, using court decisions as a means to assess their (legal) effectiveness.

Klimaschutzrecht und Erzeugung erneuerbarer Energien in der Schweiz
© Lexxion Verlagsgesellschaft mbH (8/2024)
Verschachtelte Gesetzgebung unter politischer Ungewissheit