SAM – Self Adapting Model-based system for Process Autonomy

SAM-prosjektet er et innovativt og nytt digitaliseringssystem for selv-oppdaterende modeller, med mål om å forbedre konkurranseevnen til norske prosessindustrier. Prosjektet setter søkelys på å forbedre prosessovervåking, prosessforståelse, prosesskontroll og autonome modeller. De forventede merverdiene fra prosjektets innovasjoner anses som betydelige. Prosjektansvarlig Bilfinger, har brukt sitt BCAP-produkt til dataanalyse av historiske data for å identifisere nøkkelparametere for forbedring i en produksjonsprosess. Ved å legge til nye moduler til BCAP, har Bilfinger som mål å bli en foretrukket leverandør av digitale plattformer, noe som vil føre til betydelig vekst i omsetning og fortjeneste. Boliden Odda, en annen industripartner, har som mål å optimere sink- og sulfatinnholdet i renset løsning før elektrolyse. De har evaluert og satt i drift en ny instrumenteringsløsning for tetthetsmåling, noe som resulterer i økt nøyaktighet og stabilitet i beregningen av sinkinnholdet. De utforsker også andre tetthetsmålingsteknikker for å få innsikt i ulike deler av prosessen. Eramet og Elkem samarbeider i SAM-prosjektet og installerer sensorer som termokameraer, vektsystemer og nivåmålingssystemer i den utfordrende tappesonen. Disse sensorene har som mål å redusere behovet for menneskelig tilstedeværelse, forbedre datainnsamlingen og erstatte visuelle observasjoner og manuelle målinger. Equinor har fokusert på testing og analyse av vibrasjonssensorer for rørledninger i SAM-prosjektet. De analyserer også feltdata fra akustiske sanddetektorer. Videre forskning er nødvendig for å utvikle modeller som kan predikere strømningshastighet og sammensetning nøyaktig for hver produsert fase (olje, gass og vann) basert på signalene. Hydro har jobbet med å forbedre varmebalansemålingen i elektrolyseceller for aluminiumproduksjon. De har evaluert ulike metoder for å måle varmeflukt nøyaktig og velger ut de mest lovende for videre utvikling. Utviklet sensor vil bli forsøkt kommersialisert vha 3. part etter at patentsøknaden er godkjent. REC Solar har brukt resultatene fra SAM-prosjektet for å forbedre stivningsprosessen i ordinær produksjon. De har oppnådd tilfredsstillende nivåer av nitrogen og karbon og fokuserer nå på å utvikle en datamodell som kobler ekstern temperatur, vekt og kraftsignaler til bildeanalyse av smeltehelling. De bygger en database med nøkkelparametere basert på tidsseriedata fra prosessen. Yara har utført kontinuerlige støvmålinger i en omfattende studie av NPK-produksjonen i Porsgrunn med mål om å optimere driften, samt å bedre kartlegge variasjoner i støvutslipp til miljø. Flere produksjonskampanjer for relevante fokusprodukter er fulgt opp. I et annet studium, i samarbeid med Rheality Ltd, er et piezoelektrisk element installert i en prosesslinje. Én prøvekampanje er gjennomført, og det utvikles en AI-modell for å måle viskositeten til prosessmediet basert på denne sensoren. Samlet sett bidrar SAM-prosjektet til økt konkurranseevne og verdiskapning hos prosjektdeltagerne. Den utviklede teknologi og kompetanse vil også komme øvrig norsk prosessindustri til gode i fremtidige prosjekter.

Bilfinger: Gjennom BCAP og SINTEFs "Bedrock"-plattform, er det utviklet nye algoritmer for dataanalyse og optimering. Nøkkelparametere for forbedring i produksjonsprosesser er identifisert. Utvidelse av BCAP med nye moduler kan gjøre dem til foretrukket digital plattformleverandør med betydelig vekst i omsetning og fortjeneste. Yara: Gjennom omfattende studier er online støvmålinger optimert for å gi best mulig informasjon til NPK-produksjon, med mål om å redusere støvutslipp. Det har vært oppfølging av produksjonskampanjer for å modellere kritiske prosessvariabler og forbedre produktegenskaper. En piezoelektrisk enhet er installert i samarbeid med Rheality Ltd for å måle viskositet og forbedre prosesskontroll og -egenskaper. Bruk av støvmålinger og AI-modeller for viskositetsprediksjon vil optimere produksjon og driftsstabilitet. REC Solar: Implementering av SAM-resultater har forbedret stivningsprosessen og oppnådd tilfredsstillende nivåer av nitrogen og karbon. Datamodell basert på tidsseriedata og eksterne signaler som temperatur, vekt og kraft er under etablering. Implementering av SAM-resultater forbedrer størkningsprosessen og øker produksjonsutbytte Hydro: Det er utviklet en ny sensor for måling av varmebalanse i elektrolyseceller som kan monteres utvendig på cellen. Den nye sensoren vil patentbeskyttes og deretter forsøkes kommersialisert gjennom en 3.part. Slike sensorer for nøyaktig måling av varmebalanse kan forbedre design og drift av aluminiumproduksjonsprosessen. Equinor: Vibrasjonssensorer og akustiske sanddetektorer gir mulighet for nøyaktig prediksjon av strømningshastighet og sammensetning i rørledninger. Videre forskning kreves for nøyaktige beregninger av hver produsert fase. Prediksjon av strømningshastighet og sammensetning i rørledninger kan forbedre prosesskontroll og optimalisere produksjon. Boliden Odda: Nytt instrument for tetthetsmåling gir bedre nøyaktighet og stabilitet i beregning av sink- og sulfatinnhold. Utforsking av andre tetthetsmålingsteknikker kan gi ytterligere forbedret prosessforståelse. Effekter inkluderer forbedret prosesskontroll og produksjonsytelse, og høyere kvalitet. Eramet og Elkem: Installasjon av termokamera, vektsystem og nivåmålingssystem i utfordrende tappingssoner har redusert behovet for mennesker i dette krevende arbeidsmiljøet (varme, flammer, damp, støy og støv) og har forbedret datainnsamlingen. Det er fremtidige kostnadsbesparelser ved reduksjon av slaggmengde, og HMS-gevinster ved erstatning av manuelt arbeid i krevende miljø. Disse virkningene og effektene viser hvordan SAM-prosjektet har bidratt til å forbedre konkurransedyktigheten og innovasjonen i de deltagende norske prosessbedriftene. Utviklingen av teknologi og kompetanse vil bidra til den norske prosessindustriens mål om klimanøytralitet innen 2050.

The primary objective is to demonstrate that, by adapting digitalization methodologies to process industries, significant optimization of the processes and reduction of their environmental impacts can be achieved. The innovations include optimization and control of industrial production processes using big data analytics, new online sensors and data-based models. In close cooperation with the project partners the innovation will lead to the development of an algorithm for self-adapting model, which the partners can potentially integrate into their existing data systems at the end of the projects. The research will involve combining existing process data with new data gathered from a grid of sensors assembled in an innovative manner. These new process data and the data-driven models will be used to define the optimum set points for the processes. The R&D challenges are many-fold, where the most critically are: i) harsh environment makes on-line measurement non-operational in practice, ii) identifying the most causal process variables from correlated data, iii) the majority of available data have poor quality – resulting in poor predictive models, iv) unexpected changes in critical process variables not integrated in the data-based models (e.g. future change in raw material quality) which reduce the autonomy potential of the SAM module. By involving several process industries, this project will give researchers the opportunity to develop generic algorithms suitable for a broad range of processes.