Kraften med maskininlärning för att förbättra kvaliteten på tillverkningsprocessen blir alltmer erkänd. AI och maskininlärning har blivit populära verktyg för tillverkare för att förbättra genomströmningen och optimera energiförbrukningen. Det EU-finansierade FUDIPO-projektet gör stora framsteg när det gäller att integrera AI i flera kritiska processindustrier i stor skala för att uppnå radikala förbättringar av energi- och resurseffektivitet.

En nyhet om den digitala publikationen "Open Access Government" sammanfattar hur olika industrier som oljeraffinaderier och avloppsvattenrening kan använda AI-system. Där står det att "FUDIPO utvecklar och testar (i fem fallstudier) avancerad dynamisk fysisk (komplementerad med mjuka sensorer) ) och statistiska modeller, som Bayesianska nätverk och maskininlärningsmodeller, för att bilda avancerad diagnostik, beslutsstöd, optimering och modellförutsägande kontroll."

Fallstudier

Erik Dahlquist från projektkoordinator Mälardalens högskola förklarar hur det utvecklade systemet implementeras i fem fullskaliga fallstudier. Dessa täcker ett oljeraffinaderi, ett stort värme- och kraftverk, en massa- och pappersfabrik, ett avloppsreningsverk, och en mikrovärme- och kraftturbin. Oljeraffinaderiet Türkiye Petrol Rafinerileri A.Ş. (Tüpraş) köper olika kvaliteter av råolja och omvandlar den till användbara slutprodukter. FUDIPO strävar efter att optimera produktionsplaneringen för att använda den tillgängliga oljan på bästa möjliga sätt. Detta kommer att bidra till att möta de europeiska konsumenternas behov. För att uppskatta produktkvaliteter, fysiska och statistiska modeller används tillsammans med "ett diagnossystem för att upptäcka fel i temperatursensorer och NIR-modeller [nära infraröd] för matningsegenskaper. FUDIPO-framsteg skulle kunna spara 120-200 TWh/år energi i EU:s oljeraffinaderier."

Mälarenergi, som driver ett stort kraftvärmeverk i Sverige, fokuserar på att kontrollera utsläppen. "Denna kontroll är förbättrad med FUDIPO, vilket minskar stilleståndstiden, fluktuationer, korrosion, påväxt och agglomeration." En fysisk modell används "tillsammans med uppmätta data för att diagnostisera möjliga process- och sensorfel med hjälp av ett Bayesianskt nät för sannolikhetsberäkningar. Detta kombineras också med MPC [modellprediktiv kontroll] för att kontrollera fukten i bränslet som går till pannan, där on-line mätningar av avfallsbränslet görs för att bestämma innehåll av plast och fukt."

När det gäller ABB:s avloppsreningsverk, "FUDIPO ger utveckling av kontrollalgoritmer för bättre prestanda, mäta kvaliteten på inkommande avfall, och därmed sänka luftningsbehovet för att spara energi, " enligt Dahlquist. "En fysisk modell testad med off-line data har utvecklats, samt en pythonmodell för att upptäcka sensorfel, och en modellförutsägande kontroll."

När det gäller BillerudKorsnäs massa- och pappersfabrik som har tre fiberlinjer med olika massakvaliteter, projektet "leder till en mer stabil process och feldiagnostik på grund av bättre kontroll av Kappa-nummer, " som noterats i samma nyhet. Kappa-tal är en parameter som mäter mängden lignin som finns kvar i massan efter kokaren. Eftersom detta är svårt att kontrollera, "en fysisk modell körs som en digital tvilling och NIR-spektra mäts på alla inkommande flis till kokaren. Detta förutsäger lignininnehåll och reaktivitet."

Till sist, i Nederländerna, för Micro Turbine Technologys värme- och kraftturbin, "FUDIPO ökar effektiviteten genom att stödja kunder med schemalagt och förutsägande underhållsstöd och planering."

Projektet FUDIPO (Future Directions of Production Planning and Optimized Energy- and Process Industries) avslutas i september 2020.