Diese Masterarbeit befasst sich mit der Optimierung von Produktions- und Distributionsprozessen in Luftzerlegungsanlagen. Die bisher genutzten Kennzahlen zur Energieverteilung in den Anlagen basieren auf veralteten und ungenauen Daten, was zu ineffizientem Energieeinsatz und höheren Betriebskosten führen kann. Ziel der Arbeit ist es, ein detailliertes und präzises Modell zu entwickeln, das spezifische Einflussfaktoren auf die Energieeffizienz quantifiziert und Optimierungspotenziale ermittelt. Zur Erreichung dieses Ziels wird eine statistische Analyse der Luftzerlegungsanlagen LZA9 und LZA10 durchgeführt. Dazu werden Messdaten vorselektiert, aufbereitet und anschließend Korrelationsanalysen durchgeführt. Für die Vorhersage werden verschiedene Regressionsmodelle getestet, darunter lineare Regression, Ridge und Lasso Regression sowie fortgeschrittene Modelle wie Random Forest und Gradient Boosting. Diese Modelle wurden auf Trainings- und Testdatensätze angewandt und mit Hilfe von geeigneten Parametern bewertet. Die Ergebnisse zeigen, dass die Ensemble-Methoden Random Forest und Gradient Boosting eine sehr genaue Vorhersagegenauigkeit und Anpassungsfähigkeit an die Messdaten bieten. Insbesondere der Random Forest-Ansatz konnte komplexe Zusammenhänge in den spezifischen Energieverbrauchsdaten der Anlagen erfassen und präzise Vorhersagen liefern. Diese Arbeit trägt dazu bei, die Energieeffizienz der Luftzerlegungsanlagen zu steigern, indem präzisere Modelle und spezifische Einflussfaktoren berücksichtigt werden. Dies unterstützt eine gezieltere Ressourcenplanung und kann langfristig zur Reduzierung der Betriebskosten und CO₂-Emissionen beitragen.
Konzeption einer Softwareanwendung zur dynamischen Optimierung von Produktions- und Distributionsprozessen in der Luftzerlegungsindustrie
Schütz, J. R. (Autor). 2024
Studienabschlussarbeit: Masterarbeit