Künstliche Intelligenz mit neuronalen Netzen 01.02.2019, 11:21 Uhr

Der tiefere Blick in komplexe Kausalitäten

Wo andere Analysewerkzeuge in der Energietechnik an Grenzen stoßen oder gänzlich fehlen, können mithilfe neuronaler Netze neue Lösungen entwickelt werden. Als Bindeglied zwischen technischen Grundlagen und realen Prozessen kann Künstliche Intelligenz dazu beitragen, viele Ingenieur-Aufgaben zu vereinfachen. Ein Plädoyer, neuronale Netze stärker in den Dienst praktischer Anwendungen zu stellen.

Bild 1 Neuronale Netze können andere Methoden der Prozessdatenanalyse sinnvoll ergänzen.
Bild: Martin Horeni

Bild 1 Neuronale Netze können andere Methoden der Prozessdatenanalyse sinnvoll ergänzen. Bild: Martin Horeni

Neuronale Netze werden in der Energietechnik schon seit vielen Jahren für die Lösung komplexer Aufgabenstellungen angewendet, allerdings immer nur von einem relativ kleinen Expertenkreis. Heute erleben neuronale Netze im Zusammenhang mit dem Trendthema „Künstliche Intelligenz“ zwar einen Aufschwung, die öffentliche Berichterstattung konzentriert sich aber auf die potenziellen Anwendungsbereiche, mögliche Folgen für die Arbeitswelt und auf Basiswissen (Netztypen, Signalweiterleitung, Aktivierung der Neuronen usw.). Erfahrungsberichte und konkrete, nachvollziehbare Beispiele, wie Ingenieure von der Anwendung neuronaler Netze profitieren, gibt es kaum. Viele Ingenieurbüros, KMU und Anlagenbetreiber können deshalb nicht abschätzen, ob es sich lohnt, in diesem Bereich Zeit und Geld zu investieren.

Merkmale neuronaler Netze aus Ingenieur-Sicht

Im Zusammenhang mit verfahrenstechnischen Prozessen können neuronale Netze in zwei Bereichen sinnvoll eingesetzt werden:

  • Erstellung von Ersatzmodellen und
  • Durchführung von Zustandsanalysen.

Mit neuronalen Netzen Zustandsanalysen durchzuführen, heißt, das Zusammenwirken von Messstellen bei unterschiedlichen Betriebszuständen zu charakterisieren und jene Messstellen zu identifizieren, deren Verhalten sich gegenüber dem der anderen Messstellen über die Zeit ändert. Mit neuronalen Netzen verfahrenstechnische Ersatzmodelle zu erstellen, bedeutet, dass Systeme ohne Berücksichtigung der inneren Abhängigkeiten zwischen den Ein- und Ausgangswerten modelliert werden. Grund dafür kann sein, dass:

  • der mathematische Zusammenhang nicht bekannt ist (zu viele, parallele Gleichungen, unklare Gleichgewichtszustände, unbekannte instationäre Glieder usw.) oder
  • der mathematische Zusammenhang zwar bekannt ist, mit den verfügbaren Messwerten das theoretische Modell aber nicht validiert werden kann.

Aus Bild 1 wird deutlich, dass neuronale Netze andere Methoden der Analyse von Prozessdaten wie die Bilanzierung von Energie- und Stoffströmen oder die Anwendung phänomenologischer Modelle für die Wärme- und Stoffübertragung nicht ersetzen, sondern diese vielmehr sinnvoll ergänzen (können). In den allermeisten Fällen wird es deshalb so sein, dass neuronale Netze nicht für sich allein für die Lösung einer bestimmten Aufgabe zum Einsatz kommen, sondern gemeinsam mit anderen Analysemethoden.

Der Einsatz neuronaler Netze für verfahrenstechnische Ersatzmodelle und Zustandsanalysen weist verschiedene Besonderheiten auf:

Ausgangswerte

Die heute am weitesten verbreitete Anwendung neuronaler Netze ist die Erkennung von bekannten Mustern wie Bilder, Buchstaben und Geräusche, bei denen die Werte, die das Netz auf seinen Ausgabekanälen liefert, annähernd diskret anfallen. Sinnvolle Ausgangswerte sind dann entweder nahe 0 (wahlweise – 1) oder nahe 1. Für Ingenieur-Anwendungen kommen demgegenüber auch Netze mit stetigen Ausgangswerten zum Einsatz, wo alle Werte zwischen 0 und 1 ein Ergebnis darstellen.

Komplexität

Charakteristisch ist, dass die Anwendung neuronaler Netze für die Erstellung von verfahrenstechnischen Ersatzmodellen oder Zustandsanalysen deutlich weniger Ausgangsdaten benötigt (Anzahl der Kanäle multipliziert mit Anzahl der Daten pro Kanal), aber sehr viel komplizierter sein kann, was die Formulierung der eigentlichen Aufgabe angeht.

Netztypologie

Häufig wird die Tiefe eines Netzes beziehungsweise die Anzahl seiner Schichten thematisiert, wobei drei Schichten mindestens erforderlich sind (Eingabe- und Ausgabeschicht, eine versteckte Schicht). Wird bei Teilsystemen nach kritischen Messwertabweichungen gesucht, können dafür faltende neuronale Netzwerke verwendet werden, die oft über fünf Schichten verfügen. Häufig werden auch Netze mit internen Rückkopplungen erwähnt. Für viele Ingenieur-Anwendungen sind neuronale Netze mit nur einer versteckten Schicht aber bereits ausreichend.

Interpolation und Extrapolation

Oft wird erklärt, dass neuronale Netze nur Muster erkennen können, die vorher auch trainiert wurden. Diese Aussage stimmt so nur für diskrete Muster. Neuronale Netze mit stetigen Ausgangswerten können je nach Aufgabenstellung und verfügbaren Trainingsdaten nicht nur korrekt interpolieren, sondern in gewissen Grenzen auch extrapolieren.

Auflösung

Industrielle Prozesse laufen oft bei Volllast und nur ab und zu bei Teillast. Dadurch liegen sehr viele tendenziell gleichartige Volllast-Werte vor, aber nur wenige Teillast-Werte. Ein neuronales Netz wird in solchen Fällen ungleichmäßig trainiert, da häufiger auftretende Werte-Kombinationen die Gewichte innerhalb des Netzes stärker ausprägen als weniger häufige. Das Modell muss aber auch (und vielleicht gerade dann) für die wenigen Teillast-Fälle richtige Ergebnisse liefern. Um ein einseitiges Training zu vermeiden, sollte deshalb mit einer Auflösung gearbeitet werden. Dabei werden die Eingangswerte diskretisiert und gleichartige Kombinationen diskreter Eingangswerte vom Training ausgeschlossen.

Praktische Anwendung

Beispielhaft für ein verfahrenstechnisches Ersatzmodell sei hier ein Rauchgas-Dampf-Wärmeaustauscher im Kessel eines Kraftwerks angeführt. Die Leistung dieses Wärmeaustauschers hängt von sehr vielen Faktoren ab; einerseits von geometrisch-konstruktiven Größen wie Anordnung, totale Fläche, Bauart und Abmessungen der Flächen sowie andererseits von den Zustandsgrößen der den Wärmeaustauscher durchströmenden Fluide. Oft kommt dazu noch der Einfluss der Verschmutzung. Die Auslegung eines Kessels und seiner Heizflächen in der Planungsphase ist deshalb eine sehr anspruchsvolle Aufgabe, die viel Fachwissen, Erfahrung und Zeit erfordert.

Wird für den Wärmeaustauscher in der Betriebsphase ein Modell benötigt, um die tatsächliche Leistung unter bestimmten Prozessbedingungen zu ermitteln, kann dafür auch ein neuronales Netz genutzt werden. Das ist vor allem dann sinnvoll, wenn das Auslegungsmodell nicht verfügbar ist oder mit einer Reihe von Faktoren sehr aufwendig an die Wirklichkeit angepasst werden muss. Solche Betriebsmodelle können dazu verwendet werden, den Wärmeaustauscher abhängig von der Leistung zu reinigen, oder um das Auslegungsmodell einfacher zu verifizieren, zum Beispiel um ein Auslegungsprogramm zu verbessern.

Für das Beispiel wurde ein neuronales Netz erstellt, das auf der Prozessdaten-Plattform „PI“ (www.piaas.ch) mit etwa 10 000 Datensätzen trainiert wurde. Ziel war dabei, die Dampfaustrittstemperatur in Abhängigkeit von Rauchgas- und Dampfmenge und den Temperaturen am Eintritt richtig vorherzusagen, ohne sonstige Vorgaben bezüglich Geometrie oder Wärmeübertragung. Obwohl die beteiligten Prozessgrößen in einem weiten Bereich schwanken und jede Größe für sich nur begrenzt mit dem gesuchten Ergebnis korreliert, wurde eine sehr hohe Übereinstimmung der Dampfaustrittstemperatur erreicht (Bild 2).

Bild 2 Die mithilfe künstlicher neuronaler Netze ermittelte Dampfaustrittstemperatur weist ein hohes Maß an Übereinstimmung mit vorgegebenen Temperaturwerten auf. Bild: Martin Horeni

Bild 2 Die mithilfe künstlicher neuronaler Netze ermittelte Dampfaustrittstemperatur weist ein hohes Maß an Übereinstimmung mit vorgegebenen Temperaturwerten auf. Bild: Martin Horeni

Nur in einzelnen Fällen treten bei der ermittelten Wärmeübertragungsleistung Abweichungen um mehr als 5 % auf. Das zeigt, dass neuronale Netze sehr gut dazu geeignet sind, das Betriebsverhalten eines Anlagenteils genau abzubilden.

Auf ähnliche Art und Weise und mit etwas Kreativität in der Herangehensweise können neuronale Netze für ganz unterschiedliche Aufgabenstellungen entwickelt werden. Hierzu zählen die Prognose der Stromproduktion in einem Kraftwerk, die Bereinigung von Messwerten um systematische Schwankungen, die Bereitstellung zusätzlicher Gütekriterien für den Betrieb (bezüglich Energieeffizienz, Betriebsmittelverbrauch, Korrosion usw.), die ortsaufgelöste Ermittlung von Kesselverschmutzungen, die Bereitstellung alternativer Regelgrößen, die Detektion von fehlerhaften Messstellen usw.

Fazit

Mit neuronalen Netzen können Ingenieure überall dort neue Lösungen entwickeln, wo andere Analysewerkzeuge wie Bilanzen, Modelle der Stoff- und Wärmeübertragung, Berechnung von Reaktionsgleichgewichten usw. nicht weiterführen oder nicht zur Verfügung stehen. Je nach Aufgabenstellung sind solche neuronalen Netze viel weniger umfangreich als zum Beispiel in der Bilderkennung, benötigen aber immer ingenieurtechnisches Know-how. Als verfahrenstechnische Ersatz­modelle oder für weniger komplexe Zustandsanalysen lassen sie sich problemlos in übergeordnete Anwendungen (Regelkreise, Prognosemodelle, Auslegungstools usw.) implementieren, weil innerhalb der Modelle nur einfache Rechnungen stattfinden, ohne die sonst üblicherweise angewendeten Hilfsmittel wie Stoffwertfunktionen, Bauteilbibliotheken und Zielwertsuchen. Da diese neuronalen Netze allein aus Betriebs­daten entstehen, stellen sie gewissermaßen ein Bindeglied zwischen den technischen Grundlagen und den realen Prozessen dar. Viele Ingenieur-Aufgaben können genau an dieser Stelle deutlich vereinfacht werden.

Dr.-Ing. Martin Horeni, solutions-ahead Schweiz GmbH, Zürich

Top Stellenangebote

APOprojekt GmbH-Firmenlogo
APOprojekt GmbH TGA Spezialist (m/w/d) für die Pre-Sales Phase Berlin, Düsseldorf
Brandenburgische Technische Universität Cottbus - Senftenberg (BTU)-Firmenlogo
Brandenburgische Technische Universität Cottbus - Senftenberg (BTU) Universitätsprofessur (W3) Dekarbonisierte Industrieprozesse Cottbus, Zittau
Hochschule Karlsruhe - Technik und Wirtschaft University of Applied Sciences-Firmenlogo
Hochschule Karlsruhe - Technik und Wirtschaft University of Applied Sciences Professur (W2) für das Fachgebiet "Informationstechnik und Mikrocomputertechnik" Karlsruhe
Hochschule für angewandte Wissenschaften München-Firmenlogo
Hochschule für angewandte Wissenschaften München W2-Professur für Bauproduktionsplanung und Prozessoptimierung (m/w/d) München
Technische Hochschule Ulm-Firmenlogo
Technische Hochschule Ulm Professur (W2) "Softwareentwicklung und Embedded Systems" Ulm
Technische Hochschule Ulm-Firmenlogo
Technische Hochschule Ulm Professur (W2) "Gesundheitsinformatik" Ulm
Technische Hochschule Ulm-Firmenlogo
Technische Hochschule Ulm Professur (W2) "Werkzeugmaschinen und Fertigungstechnik" Ulm
Vermögen und Bau Baden-Württemberg-Firmenlogo
Vermögen und Bau Baden-Württemberg Diplom-Ingenieure (FH/DH) / Bachelor (w/m/d) der Fachrichtung Elektrotechnik, Versorgungstechnik oder einer vergleichbaren Fachrichtung Baden-Württemberg
Ostbayerische Technische Hochschule Regensburg-Firmenlogo
Ostbayerische Technische Hochschule Regensburg Professur (W2) Digitale Produktentwicklung im Maschinenbau Regensburg
Panasonic Industrial Devices Europe GmbH-Firmenlogo
Panasonic Industrial Devices Europe GmbH Functional Safety Engineer (m/w/d) mit Fokus Software im Embedded-System Lüneburg,Hannover,Hamburg
Zur Jobbörse