Future Energy leder stort projekt inom Horizon 2020


FUDIPO – FUture DIrections of production Planning and Optimized energy- and process industries

Erik Dahlquist, Konstantinos Kyprianidis, Anders Avelin, Centrum för Framtidens Energi, Mälardalens Högskola i Västerås och Eskilstuna. Markus Bohlin och Blerim Emruli, SICS Västerås.

Introduktion

Mälardalens högskola kommer att leda ett project inom Horizon 2020, Advanced Manufacturing SPIRE-program. SPIRE står för Sustainable Process Industries Research and Innovation. Projektet har 11 partners som bidrar med både teknikutveckling av lärande system, såväl som användare av tekniken. Detta senare görs i form av fem demonstratorer: Oljeraffinaderier i Turkiet hos TUPRAS, Turkiets största processindustri; Avfallsförbränning hos Mälarenergi i världens största avfallspanna; Fiberlinjer hos Billerud-Korsnäs; Biologisk avloppsvattenrening under ledning av ABB vid något svenskt avloppsvattenreningsverk. Dessutom mikrogasturbinanläggningar som säljs och utvecklas av MTT, Micro Turbine Technologies i Holland. De lärande systemen utvecklas av Mälardalens högskola, Future Energy Center, SICS Västerås, Tieto i Österrike, som är experter på MES-system (Manufacturing Execution Systems) och Idener, som är experter på MPC, Model Predictive control. Dessutom har vi med Bestwood med sensorsystem för att mäta avfallsbränsle-, olje- och vedkvalitet med NIR och RF-teknik och Fraunhofer Institut i Tyskland,som har utvecklat TOM-teknik (Thermo Optical Measurements) för högtemperaturkorrosionsmätning.
Bakgrund
Ett antal projekt har genomförts där målet har varit att styra processer som kokare inom pappers- och massaindustri on-line med hjälp av simuleringsmodeller. Wisnewski och Doyle (2001) provade tex MPC, Model Predictive control, i USA. Dahlquist (2008) beskriver ett antal andra exempel inom pappers- och massaindustri med modellering, diagnostik, styrning och optimering med hjälp av simuleringsmodeller. Man har dock inte haft med verklig vedkvalitet i styrningen då denna inte kunnat mätas on-line. När det gäller att mäta vedkvalitet med NIR har Axrup, Markides och Nilsson (2000) studerat speciellt fukthalt, men även ligninhalt. Det har dock inte studerat reaktiviteten för upplösningen av ligninet.
Principerna bakom projektet

Huvudprinciperna är att mäta egenskaper på ved, olja och avfall och sedan prediktera resultat i de olika processerna utifrån hur de körs. Man följer sedan upp resultat och förbättrar prediktionsförmågan genom att jämföra den ursprungliga prediktionen med resultatet, som mäts efter själva processen on-line eller på lab. Spectra från tex NIR kopplas till resultatet och olika reaktionskonstanter mm ”tunas” i modellerna. Vi sorterar också “bra data” som används för att finjustera modellerna och styra processerna från “dåliga data” som används för feldetektering och diagnostik. På så sätt lär sig systemet att prediktera kvaliteten på ingående material bättre och bättre och även att detektera olika typer av fel allt bättre.

Genom att jämföra prediktioner av olika processvariabler och sedan mäta on-line eller efter provtagning i lab kan vi med hjälp av modellerna också göra både sensor- och processdiagnostik. Vi kan prediktera risk för hängning eller kanalbildning i kokare, risk för dioxinbildning i avfallspannan eller risk för felblandning av olika oljekvaliteter i raffinaderier tex. När vi har kontroll på tillståndet i processerna kan vi beräkna hur processerna skall köras optimalt on-line, allteftersom tex bränslekvaliteten varierar. Vi kan också ge råd om när olika underhållsåtgärder behöver göras.

Vi går från att testa enskilda funktioner till att i slutändan köra hela systemet med alla funktionerna on-line i åtminstone någon av applikationerna, och delar av systemet i de övriga applikationerna.

Exempel på implementering av systemet principiellt

Ett exempel på hur ett system kan se ut är från Mälarenergi, den biobränsleeldade CFB-pannan på ca 180 MWth. En simuleringsmodell har tagits fram i Modellica och körts on-line. Bränslekvalitet, och speciellt fukthalt, har getts som indata till modellen tillsammans med flöden på bla bränsle och luft.

Temperaturer i olika positioner såväl som uppmätta flöden och en del gaskvalitetsmätningar har mätts on-line och lagrats i den vanliga processdatabasen. Jämförelse mellan predikterade data från simuleringsmodellen har sedan jämförts med de uppmätta för samma tid och avvikelserna ”trendats”. Dessa värden har sedan getts som indata till ett Bayesianskt nät, en trädstruktur för orsak-verkansamband. Olika typer av fel anges som en sannolikhet och ses i figur 3 som tex ett rött fält då det brinner uppe i cyklonerna mer än i själva bädden. Andra fel är tex obalans i matningen av bränsle mellan de olika portarna, olika typer av sensorfel mm.

Ett annat exempel är hämtat från Billerud-Korsnäs där vi kommer att mäta vedkvaliteten med NIR-spektrum map ligninhalt och reaktivitet hos ligninet. Vi predikterar sedan hur lignin löses ut från veden med hjälp av den ekvation som syns i figur 4 uppe till höger, och med de indata vi har över koncentration av kemikalier, temperaturer och uppehållstid.Halten lignin som finns kvar på fibrerna efter koket mäts on-line efter kokaren och på labprover. Skillnaden mellan det predikterade värdet med spektrum plus simulering gentemot uppmätt används för att justera reaktivitetskonstanterna i ekvationen, och genom olika medelvärdesbildningar bygger vi så småningom allt bättre samband mellan absorptionstopparna i spektra och vedegenskaperna.

När vi har skapat hyggligt bra modeller kommer dessa att användas även för att styra koket med samordnade börvärden till de olika processlooparna med hjälp av modellbaserad multivariabel optimerad styrning (MPC). Vi kommer även att kunna diagnosticera olika typer av process-och sensorfel då mätvärden avviker från vad modellerna predikterar på samma sätt som beskrivits tidigare för CFB-pannan.

Projektet varar i fyra år och har fått 5.75 M€ i bidrag från EU. Projektkoordinator är Mälardalens Högskola, Erik Dahlquist, med Markus Bohlin (SICS) som håller ihop genomförandet av alla Workpackages och Konstantinos Kyprianidis som håller ihop de olika demonstrationerna.

Slutsatser
Systemet har provats map en del funktioner. Dessa skall nu sättas in i system där flera olika funktioner utvecklas, kompletteras med mätning av ved och bränsleegenskaper on-line och sedan testa hur de olika delarna samverkar. Från detta hoppas vi kunna optimera hela kedjor av processer för att öka produktion, minska processvariationer och minska energianvändningen. Målet är att demonstrera hela konceptet på åtminstone enapplikation inom ramen för FUDIPO-projektet.

Referenser:

Axrup L., Markides K., & Nilsson T. (2000). Using miniature diode array NIR spectrometers for analysing wood chips and bark samples in motion. Journal of Chemometrics, 14(5‐6), 561-572

Dahlquist E., (2008b), Process Simulation for Pulp and Paper Industries: Current Practice and Future Trend, Chemical Product and Process Modeling 3, 1934-2659

Wisnewski P. A., & Doyle III, F. J.(2001). Model-based predictive control studies for a continuous pulp digester. Control Systems Technology, IEEE Transactions on, 9(3), 435-444.


Läs mer