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.
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 und Schwingungsanalyse 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.
Durch Kennenlernen der Methoden von neuronalen Netzen, Hauptkomponentenanalyse, Spektralanalyse, Clusterbildung und Klassifikation liefern wir die Grundlage zum Verständnis und Aufbau von Anwendungen der KI (künstlichen Intelligenz) und des maschinellen Lernens.