Data-driven optimization of industrial processes in time-varying environments

Det er kjent at samfunnet har et økende energibehov, og at næringslivet er ansvarlig for store deler av det globale energiforbruket og CO2-avtrykket. For å bidra til å møte disse utfordringene, har Extreme Efficiency som mål å gjøre industrielle prosesser mer energieffektive ved hjelp av datadrevet optimalisering. Ved å systematisk bruke og måle effekten av små driftsendringer, kalt "perturbasjoner", vil det være mulig å forutsi om større endringer vil gjøre driftsprosesser mer energieffektive. Fram til nå er slike metoder testet og brukt til å spare energi på blant annet industrielle ovner, vindmøller, solcellepaneler, generatorer og borerigger. Det er imidlertid flere utfordringer knyttet til denne metoden. En av utfordringene er at perturbasjonene brukes hele tiden for å kunne tilpasse seg endrede optimale driftsforhold. Men selv små driftsendringer kan føre til oppvarming eller avkjøling av store områder eller bevegelse av store, tunge maskindeler. Dette vil blant annet medføre store direktekostnader (knyttet til f.eks. nedkjøling/oppvarming) eller betydelig slitasje på maskinene over tid. Særlig kritisk er det at perturbasjoner bidrar til svingninger i måledata som gjør det vanskeligere å oppdage sikkerhetskritiske feil. I dette prosjektet skal vi utvikle algoritmer som setter i gang disse perturbasjonene kun når det er nødvendig og dermed minske de negative følgene av dem. Algoritmene vil være utviklet slik at det gjøres en avveining mellom ulempene med perturbering og den mulige energigevinsten. En annen utfordring er at datadrevne algoritmer håndterer planlagte prosessendringer på en lite gunstig måte. Det er ofte lang reaksjonstid fra en kjent prosessendring settes i gang til algoritmene tilpasser seg de nye optimale driftsforholdene. Dette fører til store effektivitetstap. Derfor tenker vi å utvikle forhåndsvarsler til algoritmene, slik at reaksjonstiden og dermed effektivitetstapet, reduseres.

With the effects of climate change and an energy crisis in Europe intensifying, the incentive to maximize energy efficiency and minimize emissions is strong. To help meet energy demands and mitigate climate change, the project EXTREME EFFICIENCY will make energy-intensive industrial processes of the future more efficient with a smaller environmental footprint by operating existing machinery and equipment more efficiently using data-driven performance optimization. Process uncertainty and unknown, changing environmental conditions (e.g., weather influences and compositions of raw materials) limit the available information for the purpose of optimization. Perturbation-based optimization methods are among the few methods that can be used to finetune performance. They excite the process to obtain information-rich measurement data. Therefore, more knowledge can be exploited to optimize the process. However, current perturbation-based optimization methods apply an unnecessary amount of perturbation, leading to high direct costs, excessive wear of machinery, and increased safety risks. Moreover, they have no mechanism to efficiently handle known process changes (e.g., machine adjustments), resulting in avoidable performance losses. In the EXTREME EFFICIENCY project, we aim to address the following challenges: • How to monitor the need for process excitation and redesign perturbations such that the adverse consequences of perturbation-based optimization are alleviated, while a similar level of performance improvement as for current perturbation-based optimization methods is achieved? • How to exploit existing process models and data-driven models to compute an efficient response to known process changes, leading to minimal performance losses? The project will develop novel algorithms that actively control the quality of the measured data by systematic excitation of the process and combine measurement data and process models in an intuitive manner for easy deployment.