Energioptimering inom processindustri med hjälp av AI

Syfte och mål

Målet för projektet var att med hjälp av AI-teknik undersöka möjligheterna att använda den energin som finns i processen på ett mer effektivt sätt och därmed minska behovet av tillskottsenergi i form av fossilt bränsle. Projektet har påvisat att en AI-baserad modell som byggs och tränas på rätt sätt, kan hitta samband mellan de olika ingående delprocesserna och därmed kan användas för att prognostisera samtliga tillstånd. En optimeringen av processens styrning visar att en alternativ styrning av sodapannan kan minimera behovet av fossilt tillskottsbränsle.

Resultat och förväntade effekter

Modellens träffsäkerhet visade sig vid verifieringen vara hög för de flesta delprocesserna. Givet enbart produktionsplaneringen som input kan modellen prognostisera samtliga tornnivåer med liten avvikelse 50 timmar framåt. Oljeanvändningen har en något sämre träffsäkerhet. Det visade sig vid granskning att oljeanvändningen kan bero på andra orsaker än enbart ångbrist, orsaker som inte återfinns i träningsdatan. Optimeringen av processtyrningen resulterade i att all den olja som modellen kan förutspå går att minimera genom en alternativ styrning av främst sodapannan.

Upplägg och genomförande

Modellen tränades på processdata från ca 25 olika mätpunkter och totalt 57.000 mätningar. Modellen är en s k blackbox-modell där informationen runt hur delprocesserna hänger ihop enbart fås genom träningsdatan. Optimeringen genomfördes med tekniken reinforcement learning där bl a oljeanvändning sattes som en negativ händelse. Optimeringen genomfördes över totalt 1900 timmar med processens verkliga begränsningar gällande styrning och tid mellan omställningar. Projektet har påvisat en stor potential för att använda AI-teknik för processoptimering av ett pappersbruk.