Konzeptionierung, Implementierung und Simulation einer neuen Regelung zur Optimierung eines chemischen Prozesses
-
Sven Bodenburg
Sven Bodenburg besetzt die Professur für das Fach „Robotik und Regelungstechnik“ an der FH Münster. Seine Hauptinteressen liegen in der Entwicklung und praktischen Anwendung von Methoden zur kooperativen Regelung dynamischer Systeme sowie in dem Bereich der kognitiven Robotik.
,
Frank Urner
Frank Urner studierte Maschinenbau an der TU Darmstadt. Nach 11-jähriger Tätigkeit im internationalen Anlagenbau arbeitet er aktuell als Projekt-/ Prozessingenieur im Produktionsbetrieb bei der Evonik Operations GmbH in Marl mit dem Schwerpunkt Anlagenoptimierung.
Christian Stöcker besetzt die Professur für das Lehrgebiet „Steuerungs- und Automatisierungstechnik“ am Campus Gütersloh der FH Bielefeld. Sein Hauptforschungsinteresse ist die Entwicklung und praktischen Anwendung neuer Methoden und Ansätze zur modularen Automatisierung. Diese Entwicklungen sind durch unterschiedliche Zielstellungen motiviert, z. B. durch die Optimierung bestehender Prozesse hinsichtlich Energieeffizienz oder durch den Aufbau resilienter Produktionsprozesse.
Zusammenfassung
Der Beitrag behandelt die Entwicklung, parametrische Auslegung und Simulation einer neuen Basisregelung für einen chemischen Prozess, der zuvor teilweise manuell gefahren wurde. Die besonderen Herausforderungen bei der Lösung dieser Automatisierungsaufgabe sind eine variable Totzeit für den Zustrom eines Eduktes, eine diskrete Gasanalyse mit einer Abtastzeit von 40 Minuten und hohe Anforderungen an eine ruhige Fahrweise trotz teilweise unbekannter Störungen. Es wird an diesem Beispiel gezeigt, dass praktische Probleme dieser Art, trotz spezieller Randbedingungen, durch standardisierte Regelungsansätze, wie PI-Kaskadenregelung, Verhältnisregelungen und Störgrößenaufschaltungen gelöst werden können.
Abstract
This paper concerns the development, dimensioning, and simulation of a new basic control for a chemical process which has been controlled partially in manual operation mode before. Special challenges for the solution to this control problem are a variable delay of an educt inflow, a discrete gas analysis with sampling time of 40 minutes and strict requirements on an smooth operation despite partly unknown disturbances. This example shows that practical control problems with such special prerequisites can be solved by standard methods, like cascaded PI-controllers, ratio control and feed forward control.
Über die Autoren
Sven Bodenburg besetzt die Professur für das Fach „Robotik und Regelungstechnik“ an der FH Münster. Seine Hauptinteressen liegen in der Entwicklung und praktischen Anwendung von Methoden zur kooperativen Regelung dynamischer Systeme sowie in dem Bereich der kognitiven Robotik.
Frank Urner studierte Maschinenbau an der TU Darmstadt. Nach 11-jähriger Tätigkeit im internationalen Anlagenbau arbeitet er aktuell als Projekt-/ Prozessingenieur im Produktionsbetrieb bei der Evonik Operations GmbH in Marl mit dem Schwerpunkt Anlagenoptimierung.
Christian Stöcker besetzt die Professur für das Lehrgebiet „Steuerungs- und Automatisierungstechnik“ am Campus Gütersloh der FH Bielefeld. Sein Hauptforschungsinteresse ist die Entwicklung und praktischen Anwendung neuer Methoden und Ansätze zur modularen Automatisierung. Diese Entwicklungen sind durch unterschiedliche Zielstellungen motiviert, z. B. durch die Optimierung bestehender Prozesse hinsichtlich Energieeffizienz oder durch den Aufbau resilienter Produktionsprozesse.
Literatur
1. Bauer, M. and I. Craig. 2008. Economic Assessment of Advanced Process Control – A Survey and Framework. Journal of Process Control 18(1): 2–18.10.1016/j.jprocont.2007.05.007Search in Google Scholar
2. Brito, J., F. Almenglo, M. Ramírez and D. Cantero. 2019. Feedback and Feedforward Control of a Biotrickling Filter for H2S Desulfurization with Nitrite as Electron Acceptor. Applied Sciences 9(13): 2669.10.3390/app9132669Search in Google Scholar
3. Brown, A. and J. Zhang. 2014. Active Disturbance Rejection Control of a Neutralisation Process. In: 24th European Symposium on Computer Aided Process Engineering, volume 33. Elsevier, pp. 739–744.10.1016/B978-0-444-63456-6.50124-1Search in Google Scholar
4. Coito, T., M.S.E. Martins, J.L. Viegas, B. Firme, J. Figueiredo, S.M. Vieira and J.M.C. Sousa. 2020. A Middleware Platform for Intelligent Automation: An Industrial Prototype Implementation. Computers in Industry 123: 103329.10.1016/j.compind.2020.103329Search in Google Scholar
5. Darby, M., M. Nikolaou, J. Jones and D. Nicholson. 2011. RTO: An Overview and Assessment of Current Practice. Journal of Process Control 21(6): 874–884.10.1016/j.jprocont.2011.03.009Search in Google Scholar
6. Dittmar, R. 2017. Advanced process control: PID-basisregelungen, vermaschte regelungsstrukturen, softsensoren, model predictive control. De Gruyter, Berlin Boston.10.1515/9783110499575Search in Google Scholar
7. Haidar, I., P. Mason, S.I. Niculescu, M. Sigalotti and A. Chaillet. 2015. Further remarks on markus-yamabe instability for time-varying delay differential equations. IFAC-PapersOnLine 48(12): 33–38. 12th IFAC Workshop onTime Delay SystemsTDS 2015.10.1016/j.ifacol.2015.09.349Search in Google Scholar
8. Kalsoom, T., N. Ramzan, S. Ahmed and M. Ur-Rehman. 2020. Advances in Sensor Technologies in the Era of SmartFactory and Industry 4.0. Sensors 20(23): 6783.10.3390/s20236783Search in Google Scholar PubMed PubMed Central
9. Lunze, J. 2016. Regelungstechnik 1. Springer Vieweg.10.1007/978-3-662-52678-1Search in Google Scholar
10. Lunze, J. 2020. Regelungstechnik 2. Springer Vieweg.10.1007/978-3-662-60760-2Search in Google Scholar
11. Markus, L. and H. Yamabe. 1960. Global stability criteria for differential systems. Osaka Math. J. 12(2): 305–317.Search in Google Scholar
12. Rieger, L., J. Alex, S. Winkler, M. Boehler, M. Thomann and H. Siegrist. 2003. Progress in Sensor Technology – Progress in Process Control? Part I: Sensor Property Investigation and Classification. Water Science & Technology 47(2): 103–112.10.2166/wst.2003.0096Search in Google Scholar
13. Saini, P., R. Kumar and N. Rajput. 2016. Cascade – PID Control of a Nonlinear Chemical Process. Nonlinear Studies 23(4): 563–570.Search in Google Scholar
14. Strauß, P., M. Schmitz, R. Wöstmann and J. Deuse. 2018. Enabling of Predictive Maintenance in the Brownfield through Low-Cost Sensors, an IIoT-Architecture and Machine Learning. In: IEEE International Conference on Big Data, pp. 1474–1483.10.1109/BigData.2018.8622076Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
Articles in the same Issue
- Frontmatter
- Editorial
- Vorwort 2022
- Survey
- Control education in the software age
- Methods
- Implicit multilinear modeling
- A modular framework for optimal scheduling of industrial processes
- Enhancement of safety communication model
- Assessment of reinforcement learning applications for industrial control based on complexity measures
- Anwendungen
- Optimized operation of large scale battery systems
- Konzeptionierung, Implementierung und Simulation einer neuen Regelung zur Optimierung eines chemischen Prozesses
- Forum
- Implementing machine learning: chances and challenges
- Persönliches
- Prof. Dr.-Ing. habil. Jan Lunze zum 70. Geburtstag
Articles in the same Issue
- Frontmatter
- Editorial
- Vorwort 2022
- Survey
- Control education in the software age
- Methods
- Implicit multilinear modeling
- A modular framework for optimal scheduling of industrial processes
- Enhancement of safety communication model
- Assessment of reinforcement learning applications for industrial control based on complexity measures
- Anwendungen
- Optimized operation of large scale battery systems
- Konzeptionierung, Implementierung und Simulation einer neuen Regelung zur Optimierung eines chemischen Prozesses
- Forum
- Implementing machine learning: chances and challenges
- Persönliches
- Prof. Dr.-Ing. habil. Jan Lunze zum 70. Geburtstag
