Data-driven optimal speed recommendation application for improved winder capacity

Abstract

Technological advancements drive the adoption of artificial intelligence in manufacturing to optimize equipment performance and reduce downtime. In the paper industry, the capacity of a two-drum winder is significantly affected by vibrations caused by deformed customer rolls. The deformation depends on the winder operating speed and paper properties. If a too high operating speed is set at the beginning of a customer roll set, heavy vibrations may occur, forcing machine tenders to decelerate the winder. On the other hand, if a low operating speed is selected to avoid heavy vibrations, the time required to complete a customer roll set will increase. Both scenarios lead to capacity losses since the winder is not operated at a point where the operating speed is as high as possible without exciting vibrations.

The novelty of this thesis arises from a data-driven approach which aims to recommend an optimal operating speed for the winder. Two data-driven models were developed to assess their potential in predicting the maximum vibration for the next customer roll set. The predictive models were used to create a speed recommendation application to assist the machine tenders in selecting an optimal operating speed. The results indicated that the application has potential despite the data’s inability to explain high magnitude vibrations. The application can be easily integrated into the existing control system either directly on a programmable logic controller or on a computer-based platform. Further development is needed to discover physical quantities that better explain the large vibration variations. Exploring alternative data collection strategies could also unlock new possibilities for advanced signal processing techniques.

Teknologian kehitys lisää tekoälyn käyttöä valmistavassa teollisuudessa esimerkiksi tuotantokapasiteetin ja seisonta-aikojen optimoinnissa. Paperiteollisuudessa kantotelaleikkurin kapasiteettiin merkittävästi vaikuttava tekijä on värähtely, joka aiheutuu asiakasrullien muokkautumisesta epäpyöreiksi prosessin aikana. Muokkautuminen riippuu pituusleikkurin ajonopeudesta ja paperin ominaisuuksista. Asiakasrullien alussa liian suureksi asetettu nopeus voi johtaa voimakkaaseen värähtelyyn, joka pakottaa koneenhoitajia hidastamaan nopeutta. Toisaalta, jos pituusleikkurin ajonopeus asetetaan matalaksi värähtelyjen välttämiseksi, asiakasrullien valmistumiseen kuluva aika kasvaa. Molemmissa tapauksissa pituusleikkurin kapasiteetti laskee, koska konetta ei operoida pisteessä, jossa nopeus on suurin mahdollinen kuitenkaan aiheuttamatta värähtelyitä.

Tämän diplomityön uutuusarvo tulee datapohjaisesta lähestymistavasta, jonka tarkoituksena on parantaa kantotelaleikkurin kapasiteettia suosittelemalla optimaalista ajonopeutta. Työssä kehitettiin kaksi datapohjaista mallia ja arvioitiin niiden suorituskykyä seuraavan asiakasrullaerän maksimivärähtelyn ennustamisessa. Värähtelyä ennustavien mallien avulla luotiin sovellus, joka avustaa koneenhoitajia suosittelemalla optimaalista ajonopeutta. Tulosten perusteella sovelluksessa on potentiaalia, vaikka käytetty data ei pysty täysin selittämään satunnaista vaihtelua värähtelyn voimakkuudessa. Sovellus on integroitavissa osaksi nykyistä ohjausjärjestelmää joko suoraan ohjelmoitavalle logiikalle tai tietokone pohjaiseen ympäristöön. Jatkokehitystä tarvitaan sellaisten prosessisuureiden löytämiseksi jotka selittävät värähtelyn satunnaista vaihtelua paremmin. Erilaisia datankeräysstrategioita tutkimalla voi löytyä uusia mahdollisuuksia edistyneempien signaalinkäsittelymenetelmien käytölle.