Brug af kunstig intelligens til at forbedre energi- og ressourceeffektiviteten i forskellige industrier

Maskinlæringens styrke til at forbedre kvaliteten af ​​fremstillingsprocessen bliver i stigende grad anerkendt. AI og maskinlæring er blevet populære værktøjer for producenter til at forbedre gennemstrømningen og optimere energiforbruget. Det EU-finansierede FUDIPO-projekt gør store fremskridt med at integrere kunstig intelligens i flere kritiske procesindustrier i bred skala for at opnå radikale forbedringer i energi- og ressourceeffektivitet.

En nyhed om den digitale publikation "Open Access Government" opsummerer, hvordan forskellige industrier som olieraffinaderier og spildevandsbehandling kan bruge AI-systemer. Det hedder, at "FUDIPO udvikler og tester (i fem casestudier) avanceret dynamisk fysisk (suppleret med bløde sensorer) ) og statistiske modeller, som Bayesianske netværk og maskinlæringsmodeller, at danne avanceret diagnostik, beslutningsstøtte, optimering og modelprædiktiv kontrol."

Casestudier

Erik Dahlquist fra projektkoordinator Mälardalen Universitet forklarer, hvordan det udviklede system implementeres i fem fuldskala casestudier. Disse dækker over et olieraffinaderi, et stort varme- og kraftværk, en papirmasse- og papirfabrik, et spildevandsrensningsanlæg, og en mikrovarme- og kraftturbine. Olieraffinaderiet Türkiye Petrol Rafinerileri A.Ş. (Tüpraş) køber forskellige kvaliteter af råolie og omdanner den til brugbare slutprodukter. FUDIPO søger at optimere produktionsplanlægningen for at udnytte den tilgængelige olie bedst muligt. Dette vil bidrage til at opfylde de europæiske forbrugers behov. For at vurdere produktkvaliteter, fysiske og statistiske modeller bruges sammen med "et diagnostisk system til at opdage fejl i temperatursensorer og NIR [nær infrarød] modeller for foderegenskaber. FUDIPO-fremskridt kan spare 120-200 TWh/år energi i EU-olieraffinaderier."

Mälarenergi, som driver et stort kraftvarmeværk i Sverige, fokuserer på at kontrollere emissioner. "Denne kontrol er forbedret med FUDIPO, dermed mindske nedetiden, udsving, korrosion, begroning og agglomeration." En fysisk model bruges "sammen med målte data til at diagnosticere mulige proces- og sensorfejl ved hjælp af et Bayesiansk net til sandsynlighedsberegninger. Dette er også kombineret med MPC [model prædiktiv kontrol] til at kontrollere fugt i brændstoffet, der går til kedlen, hvor der foretages on-line målinger af affaldsbrændstoffet for at bestemme indhold af plastik og fugt."

Hvad angår ABB's spildevandsrensningsanlæg, "FUDIPO bringer udvikling af kontrolalgoritmer til en bedre ydeevne, måling af kvaliteten af ​​indkommende affald, og dermed sænke beluftningsbehovet for at spare energi, " ifølge Dahlquist. "Der er udviklet en fysisk model testet med off-line data, samt en python-model til at opdage sensorfejl, og en modelprædiktiv kontrol."

I tilfældet med BillerudKorsnäs papirmasse- og papirfabrik, der har tre fiberlinjer med forskellige papirmassekvaliteter, projektet "fører til en mere stabil proces og fejldiagnostik på grund af bedre kontrol med Kappa-nummeret, " som nævnt i samme nyhed. Kappa-tal er en parameter, der måler mængden af ​​lignin, der er tilbage i pulpen efter rådnetanken. Da dette er svært at kontrollere, "en fysisk model køres som en digital tvilling, og NIR-spektre måles på alle indkommende træflis til rådnetanken. Dette forudsiger ligninindhold og reaktivitet."

Endelig, i Holland, for Micro Turbine Technologys varme- og kraftturbine, "FUDIPO øger effektiviteten ved at støtte kunder med planlagt og forudsigelig vedligeholdelsessupport og planlægning."

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