Herausforderung — Autonome Regelung komplexer Systeme in dynamischen Umgebungen
Klassische Regelungssysteme arbeiten häufig suboptimal, insbesondere in dynamischen Situationen. Mit steigender Sensorik und mehr Eingangsdaten nimmt die Komplexität der Reglerauslegung weiter zu. In realen Anwendungen müssen Regler zudem strenge Stabilitätsanforderungen erfüllen, und ihr Verhalten muss für Bediener und Ingenieure nachvollziehbar bleiben.
Lösung — Model-Based Reinforcement Learning mit adaptivem Anlagenmodell
Wir setzen modelbasiertes Reinforcement Learning ein, inklusive eines überwacht trainierten Deep-Neural-Networks als Modell der geregelten Anlage. Dieses Modell wird in regelmäßigen Intervallen aktualisiert, um unter veränderten Bedingungen neue Regelstrategien zu erlernen. Die Optimierungskriterien (Reward-Funktion) können vom Operator auch nach dem Training laufend angepasst werden, um Ziele flexibel zu verändern.
Impact — 60% weniger Regelabweichung, weniger manueller Eingriff & Skalierungspotenzial
- 60% Reduktion der Fehlermetrik zur Bewertung der Regelgüte
- Skalierung auf weitere Anlagen möglich – mit Potenzial für erhebliche Energieeinsparungen
- Reduktion manueller Anlagenführung von 20 Tagen auf < 1 Tag
- Autonome Regelung verändert grundlegend, wie die Prozessindustrie Advanced Process Control angeht