Mälardalen university logotype print

Text

  • Studieort Gamma, Västerås
Datum
  • 2022-01-21 09:15

Moksadur Rahman försvarar sin avhandling i energi- och miljöteknik

Moksadur Rahman försvarar sin avhandling i energi- och miljöteknik i salen Gamma den 21 januari klockan 09.15.

Titel: ”On a learning system for Industrial automation”

Utsedd opponent är Associate Professor John Hedengren, Bringham Young University, USA och betygsnämnden består av Associate Professor Thomas Adams, McMaster University, Canada, Professor Magnus Genrup, Lunds universitet och Associate Professor Cristina Seceleanu, Mälardalen högskola.

Utsedd reserv är Associate Professor Alessandro Papadopoulos, Mälardalens högskola.

Avhandlingen har nummer 354.

 

Sammanfattning

Tillgång på energi är central för ekonomisk och teknisk utveckling. Desto mer världen utvecklas, desto större blir efterfrågan på energi. Produktion och användning av energi står för mer än 80% av den globala utsläppen av antropogena växthusgaser. Det finns en bred vetenskaplig övertygelse om att effektiviseringen av energiproduktion och energianvändning måste komma först i kedjan för att minska de globala utsläppen av växthusgaser. Då industrisektorn är den största producenten och användaren av energi så står den inför enorma utmaningar på grund av strängare miljöregler, intensiv prisbaserad global konkurrens, stigande driftskostnader och snabbt föränderliga ekonomiska förutsättningar. Därför är det ytterst viktigt att öka resurs- och energieffektiviteten samtidigt som genomströmning och tillförlitlighet förbättras. För att uppfylla sådana högt ställda mål så krävs optimal drift, reglering och övervakning av anläggningstillgångar och processer. Detta är en av de främsta drivkrafterna för att utveckla digitala lösningar, metoder och ramverk som kan integreras med både de gamla och de nya industriella automatiseringsplattformarna. Huvudfokus för denna avhandling är att undersöka ramverken, processmodeller, soft sensors, optimerad reglering och diagnostikmetoder för att förbättra drift, reglering och övervakning av industrianläggningar och processer. I denna avhandling föreslås en generisk arkitektur för ett optimalt reglering, diagnostik och beslutsstöd, som här kallas ett lärande system. Forskningen är fokuserad kring att undersöka de olika komponenterna i det föreslagna lärande systemet. Två väldigt olika fallstudier har beaktas: den ena representerar en storskalig industriell anläggning, och den andra representerar en flotta av små skaliga anläggningar vilket visar på det generiska i den föreslagna systemarkitekturen. I denna avhandling representerar en mycket energiintensiv kemisk massaprocess fallstudien för storskaliga industriella processer och mikrogasturbiner för distribuerad värme och kraftproduktion representerar fallstudien för en flotta av småskalig industriell process. En av de största utmaningarna i denna forskning beror på de markanta skillnaderna mellan fallstudierna när det gäller storlek, funktioner, kvantitet och strukturen för de befintliga automatiseringssystemen. Vanligtvis finns det bara ett fåtal massakokare i en pappersmassefabrik, men det kan finnas hundratals enheter i en mikro-CHP-flotta. Huvudargumentet bakom valet av dessa två fallstudier är att om den föreslagna arkitekturen av det lärande systemet kan anpassas för dessa två skilda fall, kan den anpassas för många andra typer av industriella tillämpningar. Inom ramen för denna avhandling studeras matematisk modellering, modellanpassning, modellbaserad prediktiv reglering och diagnostikmetoder för kontinuerliga pappersmassakokare, medan matematisk modellering, modellanpassning och diagnostikmetoder undersöks för mikro-CHP-flottan.

Beroende på den naturliga variationen av träkvaliteten, signifikant uppehållstid, otillräckliga mätningar och komplexiteten av av kemiska reaktioner vid pappersmassatillverkning, modellering och reglering av en kontinuerlig massakokare är en utmanande uppgift. Dessutom uppstår processavvikelser på grund av icke-idealiskt flöde i kokaren som ofta påverkar massakvaliteten avsevärt. I denna avhandling identifieras variationen av kvaliteten på träflisen som en av de viktigaste störningarna av processen. Dessutom undersöks en metod för framkopplad av modellbaserad prediktiv reglering (MPC) genom att ta in bestämningen av lignininnehållet i träflisen som en insignal till regleringen. Resultatet visar att möjligheten att undvika process störningar och att följa processen visar på en bättre prestanda för framkopplad-MPC än andra alternativ som PID, MPC och befintlig industriell reglering. När det gäller diagnostik har ett glapp inom litteraturen identifierats för modellering av process störningar i pappersmassekokare. Därför har den välkända Purdue-modellen som ofta har använts för dynamisk simulering av papperskokare kompletterats för att kunna simulera process störningar såsom igensättning i silar, hängningar och kanalbildningar. Resultaten visar på att både hängningar och kanalbildningar påverkar kvaliteten på pappersmassan. Effekten av kanalbildning är mer framträdande på reaktionstemperaturen än för hängningar. Medan hängningar ändrar träflisens uppehållstid avsevärt. Därefter demonstreras ett hybriddiagnostikschema för pappersmassekokare där man kombinerar en fysiskalisk modell med ett Bayesianskt Nätverk (BN). Sammantaget visar resultaten att vilket typ av fel och hur allvarligt felet är kan uppskattas med acceptabel noggrannhet även med brus närvaro av buller. Att möjliggöra fjärrdiagnostik för en flotta av enheter förväntas främja kommersialiseringen av distribuerade mikro-CHP, dvs mikrogasturbiner (MGT). även om modellering och diagnostik av storskaliga gasturbiner är väl undersökta är studier inriktade på MGT begränsade. I denna avhandling undersöks en fysikalisk modell av ett kommersiellt MGT-system. Därefter används ett hybridschema genom att kombinera en fysikbaserad analys av gasströmmen med en datadriven metod för att möjliggöra MGT-diagnostik. Det föreslagna hybridschemat testades genom att simulera fallstudier motsvarande enstaka och flera samtidiga fel. Vidare har utfördes känslighetsstudier för olika mätosäkerheter (dvs. sensorbrus och bias) för att utvärdera systemets robusthet mot mätosäkerheter. Resultaten visar att den föreslagna diagnosmetoden fungerar tillfredsställande även vid mätosäkerheter.

Sammanfattningsvis, ökad tillgänglighet av data och kraftfullare datorkraft främjar utvecklingen av noggrannare processmodeller och algoritmer för optimal drift, reglering och övervakning av industriella processer. Med utvecklingen av nya mättekniker är det möjligt att utnyttja produktivitet och kvalitet med en stramare reglering av viktiga processparametrar. Genom att studera de underliggande mekanismerna för processdegradering och utveckla diagnostikmetoder för detta kan betydande ekonomiska fördelar nås. Med det sagt, för att utnyttja den fulla potentialen från dessa digitala lösningar, är en integrerad plattform som presenteras i denna avhandling, dvs. ett lärandesystem, viktigt.

Kontaktinformation

Till toppen