Das jetzige Produktionsprinzip von Biogasanlagen ist, so viel Biogas wie möglich zu produzieren. Sozusagen Biogas an der Kapazitätsgrenze, der Leistungsabgabe laut Erneuerbare-Energien-Gesetz (EEG), für den nachgeschalteten Prozess im Blockheizkraftwerk zu erzeugen. Steuerungstechnisch wird die Biogasproduktion in der Praxis mittels speicherprogrammierbarer Steuerung (SPS), gesteuert. Diese begnügt sich allerdings damit, vorgegebene Steuerungsregeln wie Fütterung in Anlagenimpulse umzusetzen. Damit ist die Möglichkeit eines automatisierten Lernens und einer Ad-hoc-Reaktion nicht gegeben.
Mit Hilfe von neuronalen Netzen wird jedoch eine erweiterte Sichtweise der Fermentationsaktivität möglich. Aufgrund eines dimensionslosen Schätz- und Prognoseverfahrens der Input-Größen für den Fermenter können Werte von Messverfahren relativ unkompliziert integriert werden.
Es wird erwartet, dass mit einer Biogasanlagen-Steuerung auf Grundlage einer Vorhersage mittels neuronaler Netze in Kombination mit einer SPS mehr Biogas produziert werden kann als wenn die Anlage nur mit einer SPS geregelt wird. An der Fachhochschule Stralsund, Fachbereich Maschinenbau, startete Anfang 2011 ein Forschungsprojekt zusammen mit einem Industriepartner aus dem Anlagenbau. Ziel des Projekts ist es, ein neuartiges, dynamisches und selbstlernfähiges Steuerungssystem für Biogasanlagen auf Basis neuronaler Netze und Fuzzy-Logic zu entwicklen.
Lernfähigkeit neuronaler Netze
Zur Vorhersage verschiedener Zeitreihen oder Prozessparameter werden allgemein künstliche neuronale Netze verwendet. Auch wenn es noch andere für die Vorhersage geeignete Netztypen gibt, wie zum Beispiel Time Delay Neural Networks (TDNN), Elman- oder Jordan-Netze, werden in dem Projekt die Klasse der Finite Impulse Response - Multilayer Perceptrons (Fir-MLP) gewählt. Alle genannten Netze sind aufgrund ihres nichtrekursiven Verhaltens stabil und haben in der Vergangenheit bei den unterschiedlichsten Forschungsprojekten gute Ergebnisse erzielt.
Um ein neuronales Netz nun lernfähig und damit intelligent zu machen, müssen die einzelnen Netzparameter mit Hilfe einer geeigneten Lernregel trainiert werden. Für das Training der Fir-Netze existieren in der Literatur verschiedene Lernalgorithmen:
Temporal Backpropagation [1] Fir-optimization layer-by-layer [2] modifizierte Fir-Lernregeln [3], [4].Nach intensiver Literaturanalyse der verfügbaren Theorien hat sich die Lernregel Temporal Backpropagation nach Eric A. Wan für das Vorhaben als geeignet erwiesen.
Durch den methodischen Ansatz des „permanenten Lernens“ bleibt abzuwarten, welche Qualität und Aussagen die Messdaten des aktuell betriebenen Versuchsfermenters haben, um sie in die industrielle Biogas-Produktion einzubinden. Das Erzeugen von Biogas durch Methangas-bildende Bakterien ist ein hochgradig nichtlinearer, komplexer und dynamischer Prozess, der von vielen Einflussgrößen befördert oder gehemmt wird. Das genaue Zusammenwirken aller Einflussgrößen auf das mikrobiologische System im Fermenter wird im Zuge des Projektes weiter erforscht und vorhersagbarer gemacht. Schließlich sollen die Projektergebnisse in eine praxistaugliche Steuerung umgesetzt werden [5].
Steuerung als Innovation der Biogasproduktion
Auf der Grundlage gelernten Wissens wird eine Vorhersage des Prozessverhaltens als Entscheidungsgrundlage in den Gesamtprozess mit eingebracht. Da im Biogas-Prozess geringe Abhängigkeiten zwischen Gasertrag und den sonstigen Parametern - etwa 100 an der Zahl - bestehen, gibt es derzeit keine Alternative den Gasertrag zu steigern als den Einsatz einer derartigen Steuerung.
Als Innovation wurde nun ein Test-Fermenter als lebendes Steuerungsinstrument mit einem virtuellen Fermenter gekoppelt und die Daten auf die steuerungsrelevanten Paramenter des Industrie-Fermenters übertragen. In einer sogenannten Feed-Back-Schleife soll nun der Industrie-Fermenter steuerbar gemacht werden.
In dem Konzept wird aus dem aktiven Industrie-Fermenter Substrat in den Test-Fermenter überführt. Anschließend finden Szenarien oder Versuche im Test-Fermenter statt. In einem weiteren Schritt werden diese Ergebnisse auf den Produktivzustand des Industrie-Fermenters übertragen und zu dessen Steuerung herangezogen. Das langfristige Ziel ist es, den Test-Fermenter aus der Steuerungsschleife zu entfernen und steuerungstechnisch ausschließlich mit Digital-Modellen zu arbeiten.
Bisher konnte in dem Projekt nachgewiesen werden, dass eine Regelung der Biogas-Produktion auf der Basis neuronaler Netze möglich ist.
Weitere Informationen
[1] Wan, Eric: Finite Impulse Response neural networks with applications in time series prediction, Stanford University, Dissertation, 1993
[2] Yu, Hee-Yeal; Bang, Sung-Yang: An improved time series prediction by applying the Layer-by-Layer learning method to FIR neural networks, Neural Networks, Vol. 10 / Nr. 9, 1997
[3] Cholewo, Tomasz; Zurada, Jacek: Exact hessian calculation in feedforward fir neural networks, Proceedings of the IEEE International Joint Conference on Neural Net-works, 1998
[4] Kima, Ho-Joon; Leeb, Won-Don; Yang, Hyun-Seung: A modified fir network for time series prediction, Proceedings of the 9th International Conference on Neural information Processing, Nr. 5: 25; 97-2600, 2002
[5] Wahmkow, C., Reports on cooperation projects “Biogas Intelligence” in Meck-lenburg-West-Pomerania, ongoing
