Gemeinsamer Abschlussbericht zum Verbundvorhaben: InZent - Intelligente Zentrifuge - Energieeffizienter Betrieb von Zentrifugen durch Data Analytics und Maschinelles Lernen

Abstract

Im vorliegenden Forschungsprojekt werden die Schwingungen von Tellerseparatoren – einer speziellen Bauform von Zentrifugen – hinsichtlich ihres Informationsgehalts über die zugrunde liegenden Betriebs- und Prozessparameter sowie den verfahrenstechnischen Zustand des Abscheideprozesses analysiert. Ziel ist es, Methoden zu entwickeln, die relevante Informationen aus den Schwingungssignalen extrahieren und zur Optimierung des Abscheideprozesses nutzbar machen. Aufwendige direkte Messungen können dabei durch einfach in den Prozess integrierbare (Echt-zeit-)Messungen ersetzt werden. Langfristiges Ziel ist die Entwicklung eines intelligenten, selbstoptimierenden Tellerseparators. Hierfür werden experimentelle Messungen, numerische Modelle und Methoden des maschinellen Lernens kombiniert. Im Kontext von Industrie 4.0 lassen sich die gewonnenen Erkenntnisse in die gesamte Prozesskette integrieren. Darüber hinaus können die entwickelten Modelle auf weitere Anlagen übertragen werden. Die Optimierung der Betriebsparameter durch die Einbindung von Schwingungsinformationen führt zu einer Steigerung der Energieeffizienz, beispielsweise durch die Verkürzung von Reinigungsphasen.

In the present research project, the vibrations of disc stack separators – a specific type of cent-rifuge – are analyzed with regard to their information content concerning the underlying ope-rating and process parameters as well as the process condition of the separation procedure. The aim is to develop methods that extract relevant information from the vibration signals and make it usable for optimizing the separation process. Complex direct measurements can be replaced by easily integrable (real-time) measurements within the process. The long-term goal is the development of an intelligent, self-optimizing disc stack separator. To achieve this, experimental measurements, numerical models, and machine learning methods are combined. In the context of Industry 4.0, the insights gained can be integrated into the entire process chain. Furthermore, the developed models can be transferred to other systems. The optimization of operating parameters through the integration of vibration information leads to an increase in energy efficiency, for example, by reducing cleaning phases.