Seit Beginn der Automatisierung von Industrieanlagen werden Prozessdaten ermittelt und aufgezeichnet. Mit Methoden der Artificial Intelligence, insbesondere des Machine- und Deep Learnings, erstellen wir aus Ihren Betriebsdaten datengetriebene Modelle. Diese erfüllen vielfältige Anwendungszwecke, unterstützen Ihre MitarbeiterInnen im Betrieb und steigern nachvollziehbar die Effizienz Ihrer Anlage.

artificial Intelligence Conenga group

Haben Sie Probleme, für die herkömmliche Lösungsansätze nicht ausreichen? Benötigen Sie Unterstützung bei der Vorhersage von Entwicklungen oder der Erkennung von außergewöhnlichen Zuständen?  Wir bieten Lösungen aus dem Bereich des Machine Learnings, die Ihnen dabei helfen können.

Lassen Sie uns gemeinsam an einer Lösung arbeiten!

Möchten Sie mehr erfahren? Sollen wir Sie anrufen oder möchten Sie weitere Informationen per E-Mail erhalten?

Ich bin für Sie da!

Petra Steinmetz ist Ihre Expertin, wenn es um Artificial Intelligence geht.

Anwendungsfall Vorhersage der Leistungsabnahme

In Fernwärmenetzen muss die Energienachfrage zu jedem Zeitpunkt gedeckt sein. Bei Biomasse(heiz)kraftwerden kann der Biomassekessel oftmals nicht schnell genug auf Bedarfsschwankungen und Lastspitzen reagieren. Um die Nachfrage bedienen zu können, wird meist ein mit fossilen Brennstoffen betriebener Spitzenlastkessel eingesetzt. Dieser ist einerseits kostenintensiv und verursacht andererseits hohe Emissionen. Mit entsprechender Regelung kann auch mithilfe eines Pufferspeichers auf Leistungsspitzen reagiert werden.

Wir setzen bei VWE Neuronale Netze zur Vorhersage der künftigen Wärmeabnahme Ihrer Fernwärmenetze ein. Das spezifisch angepasste Modell verwendet historische Daten und weitere Parameter (z.B. Außentemperatur) zur Berechnung der zu erwartenden Leistungsabnahme. Diese Vorhersage ermöglicht Ihnen den optimalen Einsatz des Pufferspeichers und reduziert die Einsatzzeit des Spitzenlastkessels. Außerdem wird Ihr Biomassekessel konstanter und ruhiger betrieben.

Anwendungsfall Messwertvalidierung

Die Validierung von Messwerten ist wesentlich, um den effizienten Betrieb einer automatisierten Anlage sicherzustellen. Sensorikausfälle und inkorrekte Messwerte führen zu suboptimaler Regelung und damit zu Ineffizienz. Artificial Intelligence ermöglicht die Validierung von Messwerten ohne den Einsatz von zusätzlicher Hardware in Form von redundanten Sensoren.

Ein auf Artificial Intelligence basierendes Regressionsmodell der VWE dient beispielsweise der Validierung des Messwerts einer O₂-Sonde. Der mit dieser Sonde gemessene Restsauerstoffgehalt ist die wichtigste Informationsquelle für die Verbrennungsregelung. Dementsprechend ist die Korrektur eines falschen Messwerts – beispielsweise aufgrund eines driftenden Sensors – von großer Bedeutung.

Performance des O2-Regressionsmodells

Wir arbeiten außerdem mit einem Neuronalen Netz zur Berechnung der Kesselleistung, welches mit rein rauchgasbezogenen Eingangsdaten (unabhängig von der Wasserseite) trainiert wird. Das ermöglicht die Überbrückung kurzer Ausfälle des Wärmemengenzählers bzw. die Validierung des Sensorausgabewerts.

Performance des WMZ-Regressionsmodells

Möchten Sie mehr erfahren? Sollen wir Sie anrufen oder möchten Sie weitere Informationen per E-Mail erhalten?

Weitere Informationen:

anmeldung newsletter-conenga-group

Hier zum Newsletter anmelden!

Unsere Kunden