Soft-Sensor für die Ablaufqualität von Kleinkläranlagen
Soft-Sensoren mit maschinellem Lernen sagen CSB und abfiltrierbare Stoffe einer Kleinkläranlage aus Inline-Messungen voraus: Support-Vector-Regression erreichte R² = 0,96 für CSB, Cubist-Regression R² = 0,99 für AFS.
Soft-Sensor-Lösung
Ansatz
Soft-Sensoren mit mehreren Eingängen und einem Ausgang kombinieren Größen, die etablierte Inline-Sensoren messen, um Wasserqualitätsparameter vorherzusagen, die sonst Probenahme und Laboranalyse erfordern. Verglichen wurden vier Algorithmen: Partial Least Squares (PLS), Support-Vector-Regression (SVR), Cubist-Regression und ein Quantil-Regressions-Neuronetz (QRNN).
Eingangsvariablen
- Trübung
- Farbe
- pH
- Ammonium (NH₄⁺)
- Nitrat (NO₃⁻)
- Elektrische Leitfähigkeit
Ausgangsvariablen
- Chemischer Sauerstoffbedarf (CSB)
- Abfiltrierbare Stoffe (AFS)
- E. coli
Modelltyp
- Support-Vector-Regression
- Cubist-Regression
- PLS und QRNN (verglichen)
Kennzahlen
Ergebnisse
-
Auf Wasserqualitätsdaten einer knapp zwei Jahre betriebenen, feldgetesteten Kleinkläranlage (56 Datenpunkte) sagte SVR den CSB mit R² = 0,96 voraus und Cubist-Regression die AFS mit R² = 0,99. E. coli ließ sich nicht ausreichend vorhersagen (bestes R² = 0,22). Die Autoren folgern, dass Soft-Sensoren mit maschinellem Lernen trotz des kleinen Datensatzes brauchbare Echtzeitschätzungen sonst offline gemessener Größen liefern können.
Warum es wichtig ist
- CSB, AFS und E. coli erfordern Probenahme und Laboranalyse und geben daher keinen Echtzeit-Einblick in Reinigungsleistung oder Störungen.
- Echtzeit-CSB-Analysatoren gibt es, sie sind aber wegen Kosten und Reagenzien für Kleinkläranlagen nicht wirtschaftlich; ein Soft-Sensor auf etablierten Inline-Sensoren ist ein günstigerer Weg zur kontinuierlichen Überwachung.
Haben Sie eine Regelungsaufgabe? Sprechen wir.
Quellen
Shyu, H.-Y., Castro, C. J., Bair, R. A., Lu, Q., Yeh, D. H. — Open Access.
Überblick
Ein Soft-Sensor sagt im Labor gemessene Wasserqualitätsparameter (CSB, AFS) aus Größen voraus, die Inline-Sensoren kontinuierlich messen — so erhält der Betrieb zwischen den Laborproben eine Echtzeitschätzung.
Wann das Muster passt
- Die Ablaufqualität wird über Laboranalysen überwacht, und die Verzögerung bremst betriebliche Entscheidungen.
- Online-Analysatoren für CSB oder AFS sind für die Anlage zu teuer, oder Reagenzien und Wartung sind eine Last.
- Zuverlässige Inline-Sensoren (Trübung, pH, Leitfähigkeit, Nährstoffe) sind bereits vorhanden oder günstig nachrüstbar.
Was die zitierte Studie zeigt — und wo ihre Grenzen liegen
Für verschiedene Zielgrößen gewannen verschiedene Algorithmen (SVR für CSB, Cubist-Regression für AFS); Kandidatenmodelle sollten daher je Zielgröße verglichen werden. Der Datensatz war klein (56 Datenpunkte), und E. coli ließ sich nicht ausreichend vorhersagen. Ein Soft-Sensor für den Dauerbetrieb braucht mehr Daten, einen Plan zur Nachkalibrierung und eine Überwachung der Eingangssensoren selbst.
Verwandte Muster
Kontakt
Nachricht senden
Direkter Kontakt
Dr. Rafał Noga
Termin
Kostenloses Erstgespräch (30 Min.) direkt über Calendly buchen.
Kostenloses Erstgespräch (30 Min.) buchenBleiben Sie informiert
Erhalten Sie Einblicke zu Industrieller KI, APC und Prozessoptimierung direkt in Ihr Postfach.