Anwendung neuronaler Netze im Messwertemanagement

Größere Mengen von Meßwerten mit starken Werteschwankungen sind schwierig zu analysieren. Bei einer Dampfturbine schwanken z. B. stark die Schwingungen und die Prozeßgrößen Frischdampfmassenstrom, Wirkleistung, usw. Die Bewertung solcher Zustände vereinfacht sich, wenn man sich des Aproximationspolynoms APO bzw. des neuronalen Netzes ARTIFIN bedient. Nach deren Entwicklung auf der Grundlage bereits bekannter Meßwerte können für die aktuellen Werte der Prozeßgrößen die zu erwartenden Sollwerte der Schwingungen berechnet und mit den aktuellen Schwingungswerten verglichen  werden. Beispielhaft wird die Bestimmung der Sollwerte für das ND-Lager gezeigt, bei dem die Schwingungswerte je nach Betriebsituation von 0,5 mm bis 12,5 mm schwanken. Als Merkmal für bekanntes bzw. unbekanntes Schwingungsverhalten wurde die Differenz zwischen Soll- und Meßwert von ± 3 mm angenommen. Diese Bedingung konnte das neuronale Netz mit 7 verborgenen Schichten bei der Entwicklung erfüllen, das Polynom jedoch nicht. Im Rahmen der Prognose war bei der seltenen Überschreitung der Toleranz von ± 3mm ein unbekanntes Schwingungsverhalten angezeigt. Weil kein Maschinenfehler vorlag, wurden solche Meßdaten nach und nach in das Netz aufgenommen. Auf diese Weise wird die Wissensbasis erweitert und somit eine lückenlose Verfolgung und Bewertung der Meßdaten ermöglicht. Ohne dann mit dem üblichen Datenbalast konfrontiert zu werden, kann sich die menschliche Beobachtung schwerpunktmäßig auf ungewöhnliche Situationen konzentrieren.