Wir verwenden Cookies

Wir nutzen Cookies auf unserer Website. Einige von ihnen sind essenziell, während andere uns helfen, diese Website und Ihre Erfahrung zu verbessern.

Essenziell
 
MATERIALS

News

Statistik ersetzt lange Versuchsreihen in der Prozessentwicklung

Kosten- und ressourceneffiziente Modelle für die Optimierung von industriellen Prozessen

Statistische Modelle können lange Versuchsreihen in der Prozessentwicklung ersetzen. Industrielle Anlagen und Prozesse sind komplex und müssen bestimme Anforderungen erfüllen und/oder unterliegen gesetzlichen Anforderungen, z.B. Reinigungs- oder Filteranlagen. Änderungen der Parameter – z.B. Druckverteilung, Durchflussgeschwindigkeit u.ä. – bedeuten in der Praxis eine langwierige, neue Einstellung. Eine statistische Versuchsplanung kann wochenlange und vor allem kostenintensive Versuche ersetzen.

Experten der Forschungseinheit POLICIES der steirischen Forscherschmiede JOANNEUM RESEARCH verfügen über das Know-how, wie man mithilfe kosten- und ressourceneffizienter Modelle industrielle Prozesse optimieren kann.
 
„Für ein Grazer Unternehmen haben wir ein empirisches Modell für die Auslegung einer Rauchgasentschwefelungsanlage entwickelt. Dabei wurde ein Regressionsmodell (statistisches Analysemodell) gebildet, das die relevanten Parameter mit dem Abscheidegrad der Anlage in Beziehung setzt und für einen gewünschten Abscheidegrad die Berechnung der optimalen Anlageneinstellungen ermöglicht“, so Projektleiterin DI Ulrike Kleb. Um ein statistisches Prozessmodell bilden zu können, sind Daten notwendig, die aus Versuchen gewonnen werden müssen. Auch hier spielt die Statistik eine maßgebliche Rolle: Durch statistische Versuchsplanung (Design of Experiments) kann die Anzahl der Versuche minimiert werden. So lassen sich beispielsweise aus 50 nach statistischen Prinzipien geplanten Experimenten weit wertvollere Daten und Informationen herausholen, als aus Hunderten Versuchen, bei denen immer nur ein Parameter schrittweise variiert wird. Auf diese Weise ist eine ressourceneffiziente Optimierung auch für solche Industrieanlagen und Prozesse möglich, wo rein chemisch-physikalische Ansätze versagen.


Ein weiteres Anwendungsfeld für statistische Modelle im industriellen Umfeld betrifft die Kalibrierung (Überprüfen von Messinstrumenten auf die Korrektheit der von ihnen gemessenen Werte) und Optimierung von Messgeräten. Mit einem geeigneten Modell lassen sich Messvorgänge, wie z.B. optochemische Verfahren zur Ermittlung der Sauerstoffdurchlässigkeit, entscheidend verkürzen. Während eine reale Messung oft erst nach mehreren Tagen oder Wochen einen ausreichend stabilen Messwert liefert, kann mit Hilfe des Modells schon nach beispielsweise 24 Stunden ein ausreichend genaues Messergebnis vorhergesagt werden. Eine weitere erwähnenswerte Zielgruppe für den Einsatz statistischer Modellierungen sind daher Hersteller von Sensor- und Messsystemen.
 
Kontakt: DI Ulrike Kleb