Du har inte javascript påslaget. Det innebär att många funktioner inte fungerar. För mer information om Vinnova, ta kontakt med oss.

AI som stöd för effektivare processmodellering.

Diarienummer
Koordinator Calejo Industrial Intelligence AB
Bidrag från Vinnova 292 400 kronor
Projektets löptid juli 2019 - februari 2020
Status Avslutat
Utlysning Strategiska innovationsprogrammet för processindustriell IT och automation - PiiA
Ansökningsomgång Digitalisering av industriella värdekedjor, våren 2019

Viktiga resultat som projektet gav

Huvudmålet har varit att undersöka om AI-teknik kan användas i kombination med fysikalisk modellering för att på ett kostnadseffektivt sätt skapa modeller av komplexa processer. För att verifiera detta har en avgränsad del av processteget flotation i Bolidens Aitik-gruva valts ut. På grund av sin komplexitet är flotationsprocessen svår att modellera med traditionell fysikalisk modellering. Delar av processen är även svår att mäta, vilket begränsar möjligheterna att skapa en ren AI-modell baserad på historisk data.

Långsiktiga effekter som förväntas

Modellen kan med gott resultat två timmar framåt prediktera koncentrationen av koppar i både skummet och resterande flöde. Då modellen hanterar både kopparkoncentrationen och flödena, så medför detta att det även är möjligt att få fram ett värde på den mängd koppar, som kommer ut från flotationsbanken. Projektet visar att det går att kombinera fysikalisk och databaserad modellering till en och samma modell, som kan användas för att både få en bättre förståelse för processen och framöver optimera utvinningen av koppar.

Upplägg och genomförande

Efter kartläggning av processen skapades en så kallad gråbox-modell, dvs en kombination av en fysikalisk Dymola-modell och en databaserad AI-modell. Dymolamodellen användes för att fastställa utflödet från flotationstankarna, detta m h a massbalansberäkningar baserade på koncentrationsnivåerna i flödet. Beräkningar användes sedan som ett softsensor-värde in till AI-modellen. AI-modell består av ett neuralt nätverk, som tränades på cirka nio månaders processdata. Genom att kombinera modellerna kan både kopparkoncentrationen och mängden koppar prognostiseras.

Texten på den här sidan har projektgruppen själv formulerat. Innehållet är inte granskat av våra redaktörer.

Senast uppdaterad 10 april 2020

Diarienummer 2019-02511