Tilbake til søkeresultatene

BIA-Brukerstyrt innovasjonsarena

SAM – Self Adapting Model-based system for Process Autonomy

Alternativ tittel: SAM - Selv-adaptivt Modell-basert system for prosess autonomi

Tildelt: kr 16,0 mill.

Prosjektet omhandler et innovativt og nytt digitaliseringssystem for selv-oppdaterende modeller (SAM;- self-adapting models) - med et stort potensial for å forbedre konkurranseevnen til norsk prosessindustri. Det felles potensialet for verdiskaping for sluttbrukerene ligger i å forbedre prosessovervåking, bedre prosessforståelse, bedre prosesskontroll og autonome modeller. De forventede leveransene fra prosjektet vurderes som vesentlige forbedringer i innovasjon og teknologi. Tilgang til nye moduler i Bilfinger BCAP-produkt vil gjøre dette produktet til en foretrukket digital plattform, og åpner muligheter for betydelig vekst i inntekter og fortjeneste. Ved å gjøre SAM tilgjengelig for norsk og europeisk prosessindustri etter prosjektperioden, oppnås et stort potensial for å forbedre konkurranseevnen til denne sektor. Dette prosjektet er koordinert av BILFINGER INDUSTRIAL SERVICES NORWAY AS med ERAMET NORWAY, EQUINOR, YARA INTERNATIONAL, ELKEM, HYDRO ALUMINIUM, BOLIDEN ODDA, REC SOLAR NORWAY som industrielle partnere. FoU-partnerne er SINTEF AS og Universitetet i Sørøst-Norge. BCAP er benyttet til analyser av utvalgte historiske data for en produksjonsprosess, for om å søke etter nøkkelparametere for forbedret løsning hos den aktuelle bedriften. Det er funnet hensiktsmessig å bruke BCAP til dette, sammen med andre metoder fra Sintef. Ved å installere sensorer som termokamera, vektsystemer og nivåmålere så vil Eramet og Elkem redusere behovet for menneskelig nærhet til tappeområdet samt sikre bedre datainnsamling fra prosessen. SAM prosjektet skal utvikle/teste sensorer som kan stå i et utfordrende prosessmiljø med mye støv og varme samt bruke denne dataen til å utvikle modeller som kan erstatte visuelle observasjoner samt manuelle målinger i dette utfordrende miljøet. Produksjon av primæraluminium hos Hydro foregår i et varmt og ugjestmildt miljø der er det vanskelig å finne sensorer som overlever tilstrekkelig lenge samtidig som de gir god prosessinformasjon. Årets aktivitet har fokusert på en ny metode for å bestemme temperaturen i elektrolysecellene og de foreløpige resultatene tilsier at prinsippet fungerer. Dette, kombinert med vurderinger av mulige metoder for måling av hvor mye varme som unnslipper fra produksjonen kan bane veien for mer miljøvennlig og fremtidsrettet aluminiumsproduksjon. REC Solar Norway har utviklet et nytt silisiumprodukt med lavt karbon- og nitrogen-innhold til produksjon av monokrystallinske wafere. En maskinlæringsalgoritme er utviklet for å detektere karbid- og nitrid-strukturer i infrarøde bilder av silisiumklosser. Ved å koble dette nye signalet til historiske prosessdata er smeltetemperatur, gassatmosfære og størkningshastighet identifisert som de viktigste prosessparameterne, og rundt 50% reduksjon i både karbon- i nitrogen-konsentrasjon er realisert i 2020. Boliden Oddas mål med prosjektet er å optimalisere zink og sulfatinnholdet i renset oppløsning før elektrolyse i prosessen. I løpet av året har det blitt arbeidet mye med ulike deler av utfordringen. Vi har indentifisert og delvis installert instrumentering som vil gi oss høyere nøyaktighet i densitetsmålinger. Densitetsmåling gir mulighet for ganske nøyaktig beregning av zinkinnhold i oppløsningen. Spektroskopi har blitt testet som måleteknisk metode for å analysere innhold i oppløsningen. I samarbeid med Bilfinger har bruk av maskinlæring blitt utprøvd som metode for å forutsi sulfatinnhold frem i tid. Tidligere tester med online støvmålere i prilletårn hos Yara indikerer at prinsipp basert på optisk spredning av lys gir bedre resultat enn elektrodynamisk måler (innstikksmålere). Test med online «cross-stack» støvmåling i pipe med analysator fra NEO Monitors som både måler optisk spredning og transmisjon av lys er gjennomført i en 2 måneders periode i 2020. I tillegg er det gjort målinger av temperatur, fuktighet og strømningshastighet i pipen. I testperioden er det også gjennomført 1) manuelle målinger av støvkonsentrasjon i pipen ved hjelp av standard gravimetrisk filtermetode og 2) måleserier med ELPI+ analysator for å vurdere innvirkning av støvets partikkelstørrelse på målingene. Det er installert pH sensor direkte i prosesslinje i nøytralavsnitt for å sammenlikne med eksisterende pH målinger basert på ekstraksjon og fortynning av prøve (både online og manuelle). USN har gjennomført en del forsøksserier på en olje/vann separator, og gjort noe analyse av disse dataseriene. Ingen masteroppgaver gjennomført i 2020. Litt begrenset aktivitet grunnet Covid-19. For Equinor har hovudfokus i SAM vore testing av vibrasjonssensorar på røyr med fleirfasestrømning. Målet er å utvikle metodar for å berekne mengde av kvar fase (olje, gass og vatn) basert på vibrasjonssignal. Mange eksperiment er utført i Equionors testanlegg for fleirfasestrømning i Porsgrunn. Ulike metodar er testa for å etablere modellar som kan berekne ratene, samt oppdatere modellar automatisk for ulike forhald.

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.

Aktivitet:

BIA-Brukerstyrt innovasjonsarena