Moksadur Rahman försvarar sin licentiatuppsats i energiteknik

Disputationer och licentiatseminarier

Datum: 2019-10-30
Tid: 13.00
Plats: Pi-salen, hus R, MDH Västerås

Moksadur Rahman vid akademin för ekonomi, samhälle och teknik (EST) försvarar sin licentiatuppsats i energiteknik den 30 oktober klockan 13 i Pi-salen, MDH Västerås.

Titel: Towards a learning system for process and energy industry
 
Serienummer: 282
 
Oppontent är professor Agostino Gambarotta.
 
Betygsnämnden består av professor Agostino Gambarotta, University of Parma, professor Philip De Vaal, University of Pretoria och professor Jessica Bruch, Mälardalens högskola.

Reserv är professor Mirko Morini, University of Parma.

Sammanfattning:
På grund av den intensiva konkurrensen, ökade driftskostnader och striktare miljöföreskrifter, måste modern process- och energibransch ta reda på det bästa möjliga sättet att anpassa sig för att upprätthålla lönsamheten. I ett försök att uppfylla målen för att förbättra produktkvaliteten och processeffektiviteten samtidigt som produktionskostnaderna och anläggningens drifttid reduceras är optimering av styrningen och driften av industriella processer väsentlig. Användning av optimering kan inte bara förbättra regleringen och övervakningen av processutrustning utan kan också erbjuda bättre samordning mellan de olika komponenterna. Detta kan leda till omfattande besparingar i energi- och resursförbrukningen och därmed erbjuda en minskning av driftskostnaderna genom att erbjuda bättre styrning, diagnostik och beslutsstöd. Detta är en av de viktigaste drivkrafterna bakom att utveckla nya metoder, verktyg och ramverk som kan integreras med de befintliga industriella automationsplattformarna för att utnyttja fördelarna med optimal kontroll och drift.
 
Fokus i denna avhandling är användning av olika processmodeller, mjuka sensorer och optimeringstekniker för att förbättra styrning, diagnostik och beslutsstöd för process- och energibranschen. En generisk arkitektur för optimal styrning, diagnostik och beslutssupportsystem, som kallas ett lärande system i denna forskning.
 
Olika komponenter i det föreslagna lärande systemet undersöks i en betydande del av denna forskning. Två olika fallstudier av energiintensiv massa- och pappersindustri och mikrokraftverkindustri har valts för demonstrationen av det lärande systemet. I denna forskning uppstår en av de viktigaste utmaningarna från det faktum att båda fallstudierna skiljer sig mycket från varandra när det gäller storlek, funktioner, kvantitet och struktur i det befintliga automatiseringssystemet. Vanligtvis finns det bara ett fåtal massagångare som kan vara belägna i ett Kraft-massabruk, men det kan finnas hundratals enheter i en mikro-CHP-flotta.
 
Huvudargumentet bakom valet av dessa två fallstudier är att om den föreslagna inlärningssystemarkitekturen kan anpassas för dessa väsentligt olika fall kan den anpassas för många andra energi- och processindustriella fall. Inom ramen för denna avhandling studeras matematisk modellering, modellanpassning, modellprognoskontroll och diagnostikmetoder för kontinuerliga massagångare. Även matematisk modellering, modellanpassning och diagnostiktekniker för mikro-CHP-flottan undersöks.