Fysikbaserad AI för identifiering och styrning av process-produktrelationer vid papperstillverkning
| Diarienummer | |
| Koordinator | Kungliga Tekniska Högskolan - Kungliga Tekniska Högskolan Inst f fiber- & polymerteknologi |
| Bidrag från Vinnova | 1 500 000 kronor |
| Projektets löptid | december 2023 - november 2025 |
| Status | Avslutat |
| Utlysning | Strategiska innovationsprogrammet för processindustriell IT och automation - PiiA |
Viktiga resultat som projektet gav
Projektet tog fram en sammanhållen metodkedja som kombinerar IR-termografi, signal-/bildbehandling och maskininlärning för att identifiera CD- och MD-variationer samt återkommande mönster i IR-biler av pappersbanan. En digital tvilling-ansats utvecklades där OpenFOAM-simuleringar av headbox/jet genomfördes och används för att träna en snabb surrogatmodell som kopplar processparametrar till arkstrukturer. Programvara och analys utvecklades baserat på Holmens fullskaledata.
Långsiktiga effekter som förväntas
Förväntad långsiktig effekt är bättre förståelse och styrbarhet av process-produktrelationer i papper/kartong. Metoderna kan ge snabbare diagnos av periodiska störningar och profilproblem, stöd för optimerade headbox-inställningar och på sikt mer datadriven styrning. Det kan minska spill, öka resurseffektivitet och stabilisera kvalitet, samt utgöra en plattform för följdprojekt och bredare implementering i svensk processindustri.
Upplägg och genomförande
Projektet genomfördes i tre steg: (1) insamling och bearbetning av IR-filmer från fullskalemaskin och kopplad processdata, inklusive etablering av förmågan att generera dessa kontinuerligt, (2) metodutveckling för att separera icke-periodiska variationer från CD- och MD-profiler och för att identifiera återkommande mönster, samt (3) koppling till strömning i inloppslådan via OpenFOAM-simuleringar och träning av en ML-surrogatmodell. De utvecklade delaran har sammanställts i en Python-pipeline.