Improving production efficiency using digitalization

Abstract

The target of this work was to study how the machine learning approach can be applied to help operators in decision-making and problem-solving in continuous chemical processes. The studied process areas were evaporation and lime kiln. In evaporation, a machine learning (ML) approach was used to extract information from process data to find root causes and to enable early corrective actions to evaporator fouling events that can cause the evaporation plant to become the bottleneck of the pulp mill. In the lime kiln, the target was to create a soft sensor for the lime kiln’s burned lime residual carbonate, which is accurate enough to give useful information for the operator of the lime quality, and to help make correct changes in operating parameters of the lime kiln process. The process of the kraft pulp mill is described, focusing on evaporation, evaporator effect fouling, and lime kiln. The work also includes a description of ML applications in the process industry. The root causes of evaporation plant fouling were successfully studied by process history data analysis.

The evaporation plant ML model was tested and evaluated as an offline version, and it was able to provide information from process data. With process knowledge, important information could be extracted from process data using the created machine learning application. However, to be able to react early to problems in the evaporation plant, and effectively analyse the root causes of fouling, more targeted information would be required. The share of irrelevant results given by the ML model is too high. The soft sensor of residual carbonate was built using existing process data. The soft sensor was evaluated based on the project targets, and the model lacks the precision to reach the targets that were set in this project.

Työn tavoitteena oli kehittää koneoppimismalleja, ja arvioida niiden tarjoamaa lisäarvoa prosessin ongelmien juurisyiden löytämisessä ja analysoinnissa, sekä arvioida mallien tarjoaman informaation hyödyllisyyttä. Haihduttamolla tavoitteena oli hyödyntää koneoppimismalleja niiden ajanjaksojen juurisyiden löytämiseen, joilla tapahtuu haihdutinyksiköiden liiallista likaantumista. Lisäksi mallin tavoitteena on pystyä tarjoamaan käyttäjälle reaaliaikaista ja hyödyllistä informaatiota siitä, mikä prosessissa tapahtuva muutos voi aiheuttaa likaantumisilmiön kiihtymistä, jotta aikainen reagoiminen ongelmiin on mahdollista. Meesauunilla koneoppimismallien tavoite oli kehittää riittävän tarkka jatkuvatoiminen soft-sensori poltetun kalkin jäännöskarbonaatille. Työssä on kuvattu modernin sulfaattisellutehtaan prosessi keskittyen etenkin haihduttamoon, haihdutinyksiköiden likaantumisen syihin ja meesauuniin. Lisäksi työ sisältää kuvauksen koneoppimisen hyödyntämisestä prosessiteollisuudessa. Haihduttamon likaantumisen syitä on tutkittu data-analyysin avulla osana työtä, ja mahdolliset juurisyyt on koostettu työhön.

Haihduttamolle kehitettyjen koneoppimismallien offline-versiot arvioitiin osana tätä työtä, ja niiden tuottama informaatio ei ollut riittävän kohdennettua, jotta online-versio mallista voitaisiin ottaa tehtaalla jatkuvaan käyttöön. Malli tuotti informaatiota, joka voi potentiaalisesti olla hyödyllistä ongelmatilanteiden analysoimisessa ja ratkaisemisessa, mutta informaatio ei ollut riittävän kohdennettua. Koska malli ei pystynyt nostamaan esiin kohdistetulla tavalla prosessin ongelmatilanteita tai niiden syitä, eivät mallin tulokset riitä vastaamaan mallille tässä projektissa asetettuihin tavoitteisiin. Meesauunin jäännöskarbonaatin soft-sensori ei ollut riittävän tarkka, jotta se täyttäisi projektin vaatimukset ja tarjoaisi merkittävästi lisäinformaatiota poltetun kalkin laadusta.