Datenanalyse und Prozessoptimierung für Kanalnetze und

ciworkshop2007.doc
1/2
29.06.07 /WK/
Datenanalyse und Prozessoptimierung für Kanalnetze und
Kläranlagen mit CI-Methoden
Prof. Dr. Thomas Bartz-Beielstein
[email protected]
Prof. Dr.-Ing. Michael Bongards
[email protected]
Prof. Dr. Wolfgang Konen
[email protected]
Prof. Dr. Hartmut Westenberger
[email protected]
Zusammenfassung
Prozesse optimal zu steuern und Prognosen über ihren zukünftigen Verlauf anzustellen gehört zu den wichtigsten, aber auch schwierigsten Aufgaben der industriellen Praxis. Wir demonstrieren, wie aktuelle Methoden der Computational Intelligence (CI) und des Data Mining
ebenso wie klassische Ansätze zur Modellierung, Simulation und Optimierung von Kanalnetzen und Kläranlagen eingesetzt werden können. Dabei zeigt sich, dass eine Kombination
klassischer Verfahren mit CI- und Data-Mining Methoden vorteilhaft ist.
Modellierung von Füllständen in Regenüberlaufbecken
Im Forschungsprojekt KANNST (KANalNetz-Steuerung) [1] wird die Modellierung und Prognose von Füllstandshöhen in Regenüberlaufbecken des Aggerverbandes im Oberbergischen
Kreis auf Basis einzelner Regenmessungen untersucht. Die Böden und Kanalnetze stellen
ein komplexes dynamisches System dar. Offensichtlich haben die aktuellen Zustände der
Böden einen wichtigen Einfluss auf den Füllstand der Überlaufbecken, da z.B. trockene Böden ein anderes Abflussverhalten besitzen als feuchte oder gar gefrorene Böden. Hinzu
kommen noch weitere Einflussfaktoren wie die Sonnenscheindauer, die landwirtschaftliche
Nutzung, Temperatur usw.
Die Modellierung beruht auf empirisch erhobenen Daten, die uns vom Aggerverband zur Verfügung gestellt wurden. Die Daten wurden minütlich über einen Zeitraum von 108 Tagen erhoben, so dass insgesamt 155521 Datensätze zur Verfügung stehen. Untersuchungen mit
anderen Datensätzen werden zusätzlich durchführt, da von Anwenderseite ein großes Interesse an diesen Prognosen besteht.
Unterschiedliche Ansätze wie neuronale Netze, Echo State Networks (ESN) [2],
Differentialgleichungen oder die Modellierung mit Integralgleichungen gehören dabei zu unserem Methodenspektrum.
ciworkshop2007.doc
2/2
29.06.07 /WK/
Abbildung 1: Regenmenge (oben, blau), gemessener Füllstand (Mitte, grün), vorhergesagter
Füllstand (unten, blau) für 10.000 Werte.
Als erstes Ergebnis erhalten wir schon eine relativ gute Prognose der Füllstande (Abbildung
1). Da die eingesetzten Verfahren eine Vielzahl von Parametern benötigen - bei neuronalen
Netzen ist z.B. die Auswahl einer passenden Netztopologie von entscheidender Bedeutung
für den Erfolg - setzen wir Methoden der statistischen Versuchplanung in unseren experimentellen Studien ein [3].
Der Anwender erhält somit statistisch abgesicherte Informationen, dass das empfohlene
Prognosemodell besser geeignet ist als die anderen betrachteten Modelle und zusätzlich die
Sicherheit, dass diese Aussagen nicht von zufälligen Messdaten abhängig sind, sondern
dass diese Ergebnisse für ein großes Spektrum an unterschiedlichen problemspezifischen
Parametern (wie z.B. die Bodenbeschaffenheit, Niederschlagsmengen) Gültigkeit behält.
Danksagung: Für viele interessante Diskussionen und die Bereitstellung anwendungsbezogener Daten danken wir Dipl.-Ing. Tanja Hilmer und Dipl.-Ing. Andreas Stockmann. Christoph
Claes hat die FIR-Filter Modellierung durchgeführt, auf der Abbildung 1 basiert.
Literatur
[1] M. Bongards. Online-Konzentrationsmessung in Kanalnetzen - Technik und Betriebsergebnisse,
Forschungsbericht FH Köln, 2007.
[2] H. Jaeger, H. Haas: Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in
Wireless
Communication.
Science,
April
2,
S.
78-80,
2004.http://www.faculty.iubremen.de/hjaeger/pubs/ESNScience04.pdf
[3] T. Bartz-Beielstein, Experimental Research in Evolutionary Computation. Springer. 2006