Fehlerdiagnose für modulare Prozessanlagen

Der steigende globale Wettbewerbsdruck und die Nachfrage nach flexiblen, individualisierten Lösungen erfordern strukturelle Anpassungen in der Produktion von Fein- und Spezialchemikalien. Modulare Prozessanlagen bieten hierbei eine vielversprechende technologische Lösung. Sie bestehen aus standardisierten Prozesseinheiten, die sich flexibel kombinieren lassen. Ihre Steuerung erfolgt dezentral, basierend auf dem Plug-and-Produce-Prinzip. Um eine hohe Anlagenverfügbarkeit zu gewährleisten, ist eine kontinuierliche und angepasste Prozess- und Zustandsüberwachung unerlässlich. Klassische Fehlerdiagnoseverfahren stoßen aufgrund der dynamischen Topologie modularer Anlagen an ihre Grenzen. Daher wurde in dieser Arbeit ein neuer Ansatz entwickelt, der die hierarchische Struktur modularer Prozessanlagen berücksichtigt. Auf Modulebene beschreiben Modellgleichungen das physikalische Verhalten. Abweichungen zwischen Modell und Messung ergeben Residuen, die als Symptome für Fehler dienen. Die auftretende Mess-, Modell- und Parameterunsicherheit wird dabei konsequent fortgepflanzt. Auf Anlagenebene werden diese Symptome durch ein zentrales Diagnosesystem anhand von Regeln zur Modulinteraktion ausgewertet. Fehlerindikatoren quantifizieren den Zusammenhang zwischen Fehlerausmaß und Residuen, um den Fehlertyp und dessen Stärke zu bestimmen. Die Diagnose erlaubt somit sowohl die Isolation als auch die Identifikation von Fehlern. Die Methode wurde erfolgreich an einer modularen Mischanlage der TU Darmstadt getestet. Die Versuchsanlage besteht aus mehreren Dosier- und Mischermodulen, in denen gezielt hydraulische Fehler und Sensorabweichungen simuliert wurden. Die Fehlerdiagnose zeigte hohe Erfolgsraten, insbesondere im quasi-stationären Anlagenbetrieb. Abweichungen traten nur bei einem Modul mit unzureichender Modellgenauigkeit auf. Zudem war eine eindeutige Unterscheidung zwischen bestimmten Fehlerarten aufgrund zu hoher Modellunsicherheit nicht immer möglich. Somit wurde die Modellgüte als entscheidender Erfolgsfaktor für die entwickelte Methode identifiziert. Die Methode zeigte insgesamt hohe Robustheit, auch bei rekonfigurierten Anlagen oder simultanen Fehlern. Der Anpassungsaufwand an neue Anlagenkonfigurationen ist gering, da die Symptomgenerierung unverändert bleibt. Die Diagnose lässt sich außerdem nahtlos in modulare Geschäftsmodelle integrieren: Modulhersteller liefern die notwendigen Modelle, während Betreiber die Diagnoseregeln entsprechend ihrer Anlage anpassen. Somit wurde ein praxisnaher und zukunftsfähiger Ansatz zur Fehlerdiagnose in modularen Prozessanlagen erfolgreich entwickelt und validiert.

Increasing global market pressure and the demand for flexible, customised solutions require structural adjustments in the production of fine and speciality chemicals. Modular process plants offer a promising technological solution. They consist of standardised process units that can be flexibly combined. They are controlled decentrally, based on the plug-and-produce principle. Continuous and customised process and condition monitoring is essential to ensure high system availability. Traditional fault diagnosis methods reach their limits due to the dynamic topology of the modular plants. A new approach was therefore developed that considers the hierarchical structure of modular process plants. Model equations describe the physical behaviour at module level. Deviations between model and measurement result in residuals that serve as symptoms for faults. The resulting measurement, model and parameter uncertainty is consistently propagated. At plant level, these symptoms are analysed by a central diagnostic system using rules for module interaction. Fault indicators quantify the relationship between fault extent and residuals in order to determine the fault type and its severity. The diagnosis thus allows both the fault isolation and fault identification. The method was successfully tested on a modular mixing plant at TU Darmstadt. The test rig consists of several dosing and mixing modules in which hydraulic faults and sensor deviations were simulated. The fault diagnosis showed high success rates, especially in quasi-stationary plant operation. Deviations only occurred in one module with insufficient model accuracy. In addition, it was not always possible to clearly differentiate between certain fault types due to excessive model uncertainty. The model quality was therefore identified as a decisive success factor for the developed method. The method showed a high degree of robustness overall, even with reconfigured plant topologies or simultaneous faults. The adaptation effort to new plant configurations is low, as the symptom generation remains unchanged. The diagnostics can be seamlessly integrated into modular business models: Module manufacturers supply the necessary models, while operators customize the diagnostic rules according to their plant. This means that a practical and future-proof approach to fault diagnostics in modular process plants has been successfully developed and validated.