DE60105421T2

DE60105421T2 - Verfahren und system zum überwachen und analysieren eines papierherstellungsprozesses

Info

Publication number: DE60105421T2
Application number: DE60105421T
Authority: DE
Inventors: Sakari Laitinen-Vellonen
Original assignee: Liqum Oy
Current assignee: Liqum Oy
Priority date: 2000-04-05
Filing date: 2001-04-04
Publication date: 2005-09-22
Anticipated expiration: 2021-04-05
Also published as: CA2404968A1; ES2228845T3; PT1290507E; AU2001252298A1; ATE275740T1; EP1290507B1; DE60105421D1; CA2404968C; WO2001075222A3; US6792388B2; WO2001075222A2; US20030139904A1; EP1290507A2

Description

Definition der Art der Erfindung
Gegenstand der Erfindung sind ein Verfahren und ein System zum Überwachen und Analysieren des Papierherstellungsprozesses, wobei im Prozess eine Vielzahl von Größen gemessen werden, die als Eingangsvektoren in ein neuronales Netz eingegeben werden, welches als stetige Größe einen Ausgangsvektor bildet, und wobei bei dem Verfahren wenigstens ein einer guten Prozesssituation entsprechender Fingerabdruck, d.h. ein optimaler Ausgangsvektor, bestimmt wird, an dem die bei normaler Prozesssituation erhaltenen Fingerabdrücke oder Ausgangsvektoren im Wesentlichen in Echtzeit verglichen werden und auf Grund des Vergleichs die für den Bediener in grafischer Form darzustellende Differenz bestimmt wird.
Hintergrund der Erfindung
Mit lernfähigen neuronalen Netzen lassen sich auf effektive Weise große Datenmengen klassifizieren und in Messungen und großen Datenmengen enthaltene Beziehungen oder Gruppierungen, die mit Hilfe statistischer Berechnungen, mathematischer Modelle und logischer Regeln nur schwer zu finden sind, aufdecken. Die Lernfähigkeit ermöglicht die Verwirklichung verschiedenartiger Funktionen mit angemessener Genauigkeit an Hand von Beispielen ohne detaillierte Einprogrammierung aller verschiedenen Situationen und Ausnahmefälle.
Das neuronale Netz besteht aus einfachen Rechenelementen, Neuronen, die zahlreiche Inputs und einen Ausgang haben. Ein neuronales Netz erhält man durch Verknüpfung einzelner Neuronen miteinander. Die Gesamtfunktion des Netzes ist eine Kombination aus mehreren gewichteten Werten, die über die einzelnen Gewichte schwer zu verstehen ist. Die Gewichte des neuronalen Netzes werden denn im Allgemeinen auch an Hand von Beispielen durch Training bestimmt. Verschiedenartige Netzstrukturen und Trainingsalgorithmen sind in reichlicher Zahl verfügbar.
In den Publikationen "Neurolaskennan mahdollisuudet"; Pasi Koikkalainen, Tekes 1994, und "Neural Computing Theory and Practise"; Philip D. Wassermann, New York 1989, ISBN 0-442-20743-2, sind Prinzipien und Anwendungen der neuronalen Netze gründlich beschrieben.
In WO 96/29468 wird der Einsatz neuronaler Netze in der Papierfabrikation beschrieben.
Beim Papierherstellungsprozess sollte der Bediener auf das Wesentliche beschränkte Information darüber erhalten, wie gut der Prozess verglichen an früher festgestellten günstigen Situationen funktioniert. Bisher wurde der Papierherstellungsprozess u.a. mit der SOM-Technik (self oriented map) analysiert. Sehr oft sind Historiedaten einer großen Zahl von Variablen in Form verschiedenartiger Kurven verfügbar, die der Bediener auf sein Display holen kann. Im Allgemeinen ist es unmöglich, aus der Schar der Historiedaten eine signifikante Veränderung festzustellen, da solche Veränderungen in den normalen zufallsbedingten Schwankungen untergehen. Aus diesem Grunde wäre eine Methode erforderlich, die gesamte Prozesssituation mit Hilfe eines neuronalen Netzes zu analysieren und die abweichenden Situationen zu einem möglichst frühen Zeitpunkt zu klassifizieren, damit der Bediener mit der Suche nach den Ursachen der Situation beginnen kann.
Bisher haben die im Bereich Papierfabrikation zur Anwendung gebrachten neuronalen Netzlösungen keine befriedigenden Ergebnisse geliefert. Die Analyse der Ergebnisse gestaltet sich für den Bediener schwierig, und besonders die mit der o.g. SOM-Methode erhaltenen Ergebnisse waren unanschaulich bis unklar.
In der finnischen Patentanmeldung 941058 (Taipale) ist ein Verfahren insbesondere zur Behandlung des Papierherstellungsprozesses beschrieben. Nach diesem Verfahren wird in das neuronale Netz, zum Beispiel in ein Perzeptron-Netz, ein Satz Prozessmessdaten eingegeben, wobei dann mit einem speziellen Algorithmus zwecks Korrigierens des Prozess-Arbeitspunktes (operating point) regelbare Variablen korrigiert werden. Das Verfahren strebt nach unmittelbarer Optimierung der Endprodukt-Qualität, die an jeder Maschinenrolle an Hand von 100 bis 300 Messungen bestimmt wird.
In EP 815320 (Furumoto) ist ein Verfahren zur Prozessführung der Papiermaschine unter Einsatz eines neuronalen Netzes beschrieben. Eine Reihe Messungen umfasst spektrale Werte von Ausgangsstoffen, und mit Hilfe des neuronalen Netzes werden Aussagen über die Qualität des Produktes und weiter Steuersignale für die Stoffaufbereitung abgeleitet. Auch hier ist die Produktqualität die primäre Steuervariable. Die spektralen (optischen) Messungen eignen sich schlecht zur Vermittlung chemischer Veränderungen.
In US 5,347,446 (Iino) ist ein den Prozess prognostizierendes Regelsystem beschrieben, das auf Prozessmodellierung basiert. Als Ergebnis wird eine skalare Kostenfunktion berechnet. In der Praxis dürfte die Erstellung eines Modells nur für begrenzte Prozesse möglich sein. Eine Modellierung der gesamten Papiermaschine ist auf diese Weise nicht möglich.
Allgemein gesehen sind die Erfahrungen mit Steuerungsprozessen, die die gesamte Papiermaschinensteuerung umfassen, keineswegs vielversprechend. So wird der Prozess u.a. durch Zufallsfaktoren in beträchtlich hohem Maße beeinflusst, wobei dann eine rational berechnete Korrektur selbst weitere Veränderungen und Instabilität verursacht.
Zusammenfassung der Erfindung
Zweck dieser Erfindung ist es, wie in den unabhängigen Ansprüchen 1 und 9 definiert, ein neuartiges, ein neuronales Netz nutzendes Verfahren im Papierherstellungsprozess zu schaffen, mit dem sich der Prozess leichter und genauer als bisher analysieren und überwachen lässt. Ausgangspunkt der Erfindung ist lediglich die zuverlässige Überwachung des Prozesses besonders im Hinblick auf seine Runnability. Die Qualitätsüberwachung des Endprodukts bleibt anderen Messungsprozessen vorbehalten, weil ja im Allgemeinen stets eine hohe Qualität einer guten Prozesssituation erreicht wird wenn die Prozesssituation selbst gleichermaßen stabil ist. Primär soll mit dem erfindungsgemäßen Verfahren die Runnability der Papiermaschine beschrieben werden. Der Anfangszeitpunkt des Abweichens von Fingerabdrücken ist aus den Historiedaten ersichtlich, wobei dann die Veränderungen der Ausgangsgrößen zu diesem Zeitpunkt ermittelt werden können. Das Korrigieren einer schlechten Situation gehört nicht mehr in den Bereich dieser Erfindung, denn das Korrigieren einer bestimmten Ausgangsgröße gestaltet sich nicht einfach, weil ja eine bestimmte Abweichung das Resultat vieler Faktoren sein kann. Bevorzugt wird lokales Know-how genutzt. Das Personal einer Anlage ist mit dieser Anlage vertraut und verfügt über anlagenspezifisches Wissen, das, falls der Prozess in eine instabile Lage gerät, wichtig bei der Korrektur des Prozesses ist.
Die kennzeichnenden Merkmale des erfindungsgemäßen Verfahrens gehen aus den beigefügten Patentansprüchen hervor.
Der Ausgangsvektor des neuronalen Netzes wird zwecks Bildung einer skalaren oder ansonsten eindeutigen Größe verarbeitet. Dieses Verarbeiten bedeutet die Anwendung eines mathematischen Algorithmus, und dies kann mit einem Universalcomputer bewerkstelligt werden.
Nach einer bevorzugten Ausführungsform wird dem Bediener eine Polarkonversion der stetigen Differenzgröße angezeigt, was in extrem konzentrierter Form Geschichte und Zustand des Prozesses schildert. Bei einer dritten Ausgestaltung wird dem Bediener zusätzlich zu der oben genannten Polarkonversion ein Satz Historiedaten angezeigt, wobei es dann, gerät der Prozess in einen abnormalen Zustand, leichter ist, die Ursache dafür festzustellen. Mit Hilfe lokalen Know-hows ist es oft möglich, auch zufallsbedingte Gründe für die Instabilität des Prozesses zu klären, weil ja die Veränderung an Hand der Historiedaten zeitlich genau lokalisiert werden kann. Bevorzugt wird dabei ein mehrschichtiges Perzeptron-Netz benutzt.
Die übrigen Vorteile und Anwendungsformen der Erfindung werden im Folgenden in Verbindung mit Ausführungsbeispielen beschrieben.
Kurze Beschreibung der Zeichnungen
Im Folgenden wird die Erfindung unter Bezugnahme auf die beigefügten Zeichnungen im Einzelnen beschrieben. Es zeigen:
1 das allgemeine Arrangement des erfindungsgemäßen Verfahrens;
2 eine bevorzugte Benutzerschnittstelle zum neuronalen Netz, speziell eine Darstellung der aufs Wesentliche reduzierten Prozessdaten.
Detaillierte Beschreibung der Erfindung
Im Papierherstellungsprozess werden im typischen Fall 20 bis 30 Variablen gemessen, bei denen es sich um verschiedenartige Strömungs-, Temperatur-, Dichte- und pH-Werte und bevorzugt um von elektrochemischen Sensoren gelieferte Daten handelt. Diese Daten bilden den Eingangsvektor (X, t) des neuronalen Netzes, und aus diesen wird mit Hilfe des neuronalen Netzes ein Aus gangsvektor (Y, t) gebildet. In der Lern- oder Trainingsphase wurde der optimale Ausgangsvektor (Y₀, t) gefunden. An diesem optimalen Ausgangsvektor wird der kontinuierlich ermittelte Ausgangsvektor verglichen, und für den Bediener wird klar und deutlich sichtbar die Differenz dargestellt. In der Praxis hat sich gezeigt, dass für die Aufgabe ein mehrschichtiges Perzeptron-Netz (MLP) am besten geeignet ist, und die grafisch darzustellende Differenz wird als skalare Größe k=k(t) als geometrischer Abstand zwischen dem momentan gemessenen (Y, t) und dem antrainierten Fingerabdruck (Y₀) gebildet. Der geometrische Abstand wird zum Beispiel als euklidischer Abstand berechnet.
Die Polarkonversion k(φ,t) wird aus der skalaren Größe k=k(t) nach folgender Formel bestimmt: φ(t)= t/T * 2Pi, worin T der gewählte Trend r(t)=k ist.
Die Erfindung gehört zu einer Papiermaschinenumgebung der in 1 gezeigten Art. Das erfindungsgemäße System in Verbindung mit der Papiermaschine 1 kann meistens unter Einsatz gewöhnlicher, mit Display 5 ausgestatteter Universalcomputer, die mit einer ein neuronales Netz 2, Rechenmittel 3 und einen Speicher 4 verwirklichenden Anwendung ausgerüstet werden, aufgebaut werden. Der Anschluss an die Papiermaschine 1 erfolgt teils über bereits vorhandene Messkanäle, teils mit Hilfe zu diesem Zweck installierter Messsensoren. In diesem Beispiel wird an den Primärkreislauf der Papiermaschine bevorzugt ein elektrochemischer Mehrkanalsensor 7 angeschlossen. Steuerung 6 und Installation des neuronalen Netzes 2 erfolgen bevorzugt entweder mit dem gleichen oder mit einem separaten Computer. Ausschusssystem, Stoffauflauf, Siebpartie und Pressenpartie werden wenigstens über die Prozessdaten gemessen. Die elektrochemischen Messungen bilden zumindest bei einem Teil derselben eine wesentliche Ergänzung der Ausgangsinformation. Auch Ge ruchsmessungen an den Flüssigkeiten des Prozessen erscheinen nach neuesten Angaben aussichtsreich. Die elektrochemischen Messungen umfassen Polarisations-, galvanostatische oder nur Ruhepotentialmessungen.
Die Dimension des Ausgangsvektors des neuronalen Netzes liegt im Allgemeinen im Bereich 3 B 15, in den Beispielen in 1 und 2 beträgt sie 3 (21 Eingangsgrößen). Die Dimensions-Untergrenze ist gleich der Anzahl der zu unterscheidenden Kategorien.
In 2 ist eine bevorzugte Benutzerschnittstelle zu dem neuronalen Netz gezeigt, bei der dem Bediener auf dem Bildschirm ein genau ausgewählter Satz Daten in Grafikform angezeigt wird. Die Balkenreihe 11 oben rechts auf dem Bildschirm, das "Sortenprofil", beschreibt den einer guten Prozesssituation entsprechenden Fingerabdruck, d.h. dimensionslose Werte der gemessenen Größen in Balkenform. Entsprechend ist links die Balkenreihe 12, das "Online-Profil", gezeigt, in dem die momentan gemessenen Werte als dimensionslose Werte in Balkenform dargestellt sind. Unten links ist als dritte Balkenreihe 14 das "Differenzprofil" gezeigt, in dem die Differenz zwischen dem jeweils gemessenem Wert und dem entsprechenden optimalen Fingerabdruck-Wert gleichfalls in Balkenform dargestellt ist. Natürlich können die Balkenreihen auch als stetige Kurve dargestellt werden B in beiden Fällen wird die gleiche Information wiedergegeben.
Den Prozess an Hand der Balkenreihen zu verfolgen ist kaum möglich, weil eventuelle Veränderungen in den zufallsbedingten Schwankungen untergehen. Dagegen wird dem Bediener mit der grafischen Darstellung 10, "Qualitätsradar", ein konzentriertes, aufs Wesentliche beschränktes Bild der Prozesssituation geboten, wo die zeitabhängige Differenzgröße als Polarkonversion k(φ,t) dargestellt ist. Solange sich der Punkt der erhaltenen Differenzgröße in der Nähe des Koordinatennull punktes bewegt, ist der Prozess gut unter Kontrolle. In abnormalen Situationen entfernt sich der Punkt vom Koordinatennullpunkt. Die Veränderungen der Differenzgröße sind leicht festzustellen in einem der Trendlänge entsprechenden Zeitabschnitt, der sich zum Beispiel über drei Arbeitsschichten erstrecken kann.
Auf dem Bildschirm wird außerdem ein Satz Historiedaten 13, eine "Farbkarte", gezeigt, in der aus gemessenen Größen (x_i) Balken für einen in der Größenordnung der Trendperiode entsprechenden Zeitraum derart gebildet sind, dass die aufeinander folgenden Messwerte als Balken 13' der Helligkeits/Farbinformation dargestellt sind, wobei jeder Wert (x_i,t_n) in entsprechender Helligkeit/Farbe in dem Balken als Querlinie sichtbar ist. Bleibt die Farbe/Helligkeit des Balkens unverändert, zeigte sein Wert keine Schwankungen. Die verstärkten Veränderungen wiederum sind deutlich als Farb/Helligkeitsschwankungen des Balkens sichtbar. Außerdem kann jeder Balken des Historiedaten-Satzes als eigene Kurve 15 gemäß Auswahl 15' dargestellt werden.
Zusätzlich zu der zeitabhängigen skalare Größe k=k(t) können natürlich noch andere Kennwerte berechnet werden, wenngleich anderseits jegliche zusätzliche Ergebnisinformation den Bediener nur in Verwirrung bringt.
Da die Runnability der Maschine von den an den verschiedenen Walzen, Langsieben und Filzen auftretenden elektrochemischen Oberflächenladungen mitbestimmt wird, die im Laufe der Zeit auch von Einfluss auf die Verschmutzung der Maschine sind, dürfte es am vorteilhaftesten sein, an den Ausgangsstoffen, insbesondere an den Flüssigkeitsströmen der Stoffbereitung und Betriebswässer, elektrochemische Werte als Eingangsgrößen des neuronalen Netzes zu messen. Auch eine Geruchsüberwachung der Wässer gestaltet sich in dieser Verbindung vorteilhaft, weil gewisse Veränderungen, z.B. mikrobiologische Reaktionen, eine deutliche Geruchsspur hinterlassen noch bevor sie in der Elektrochemie erkennbar werden.

Claims

Zum Überwachen und Analysieren des Papierherstellungsprozesses dienendes Verfahren, bei dem in dem Prozess eine große Anzahl Größen (x_i,t) gemessen wird, die gemessenen Größen (x_l,t) als Eingangsvektor (X,t) in ein neuronales Netz (2) eingegeben werden, das als Aussage (engl. response) als stetige Größe einen Ausgangsvektor (Y,t) entsprechend dem momentan gemessenen Fingerabdruck bildet, wenigstens ein optimaler Ausgangsvektor (Y _o,t) entsprechend einem in Bezug auf die Runnability antrainierten Fingerabdruck und einer guten Prozesssituation bestimmt und gespeichert wird, wenigstens ein gespeicherter optimaler Ausgangsvektor (Y _o,t)und der bei normaler Prozesssituation erhaltene momentane Ausgangsvektor (Y,t) im Wesentlichen in Echtzeit miteinander verglichen werden, und auf Grund des Vergleichs die dem Bediener in grafischer Form darzustellende Differenz bestimmt wird, dadurch gekennzeichnet, dass als Ergebnis eine dem Bediener anzuzeigende stetige zeitabhängige Größe k=k(t) als geometrischer Abstand zwischen dem momentan gemessenen Ausgangsvektor (Y,t) und dem gespeicherten optimalen Ausgangsvektors (Y _o,t) bestimmt wird, und die besagte Größe k=k(t) für die Zeit des gewählten Trends T dem Bediener auf der Anzeigevorrichtung angezeigt wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als anzuwendendes neuronales Netz irgendein mehrschichtiges Perzeptron-Netz (MLP) gewählt wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass aus der besagten Größe k=k (t) eine grafisch darzustellende Polarkonversion k(φ,t) wie folgt bestimmt wird: φ(t) = t/T * 2Pi, worin T der gewählte Trend r(t)=k ist.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass aus den gemessenen Größen (x_i,t_n) für einen in der Größenordnung des Trends liegenden Zeitabschnitt ein Satz Historiedaten bestimmt wird durch periodisches Speichern des dimensionslosen Wertes (y_i,t_n), der einzelnen Eingangsgrößen und Kodieren als Helligkeits/Farb-Information und diese Werte hintereinander grafisch als Balken (13') dargestellt werden, wobei jeder der Werte (y_i,t_n) in entsprechender Helligkeit/Farbe in dem Balken als Querlinie o.dgl. Bereich sichtbar ist.
Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass dem Bediener gleichzeitig, insbesondere auf dem gleichen Bildschirm, sowohl die grafische Darstellung k(φ,t) der Polarkonversion als auch die Historiebalken (13) angezeigt werden.
Verfahren nach irgendeinem der Ansprüche 3 bis 5, dadurch gekennzeichnet, dass dem Bediener auf dem gleichen Bildschirm außerdem die gemessenen Größen und der gute Fingerabdruck als Wertesätze, umgewandelt in dimensionslose und grafische Form, zum Beispiel in Balkenreihen (11, 12) umgewandelt, angezeigt werden.
Verfahren nach irgendeinem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass dem Bediener ein Satz Differenzgrößen (Y _o - Y) einschließlich Zeitreihe in grafischer Form angezeigt wird.
Verfahren nach irgendeinem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die Dimension des Ausgangsvektors des neuronalen Netzes im Bereich 3 B 10 liegt und bevorzugt gleich der Anzahl der zu unterscheidenden Kategorien ist.
Zum Überwachen und Analysieren des Papierherstellungsprozesses in der Papiermaschine (1) dienendes System, das ein neuronales Netz (2) mit Eingängen zur Aufnahme einer zahlreichen Menge im Prozess gemessener Größen (x_i,t) als Eingangsvektoren (X,t) aus dem Prozess und mit Ausgängen zur Ausgabe einer Aussage (response) in Form eines momentanen Ausgangsvektors (Y,t) und dem momentan gemessenen Fingerabdruck entsprechend, Rechenmittel (3) zur Verarbeitung der Aussage, Speichermittel (4) zum Speichern wenigstens eines optimalen Ausgangsvektors (Y _o,t) entsprechend dem antrainierten Fingerabdruck und einer in Bezug auf die Runnability guten Prozesssituation, Mittel zum im Wesentlichen in Echtzeit erfolgenden gegenseitigen Vergleichen wenigstens eines unter normalen Prozessbedingungen erhaltenen gespeicherten optimalen Ausgangsvektors (Y _o,t) und eines momentanen Ausgangsvektors (Y,t) und zur auf Grund des Vergleichs erfolgenden Bestimmung der dem Bediener anzuzeigenden Differenz, und eine Anzeigevorrichtung (5) zum Anzeigen der Differenz in grafischer Form umfasst, dadurch gekennzeichnet, dass das besagte neuronale Netz (2) dazu eingerichtet ist, irgendein mehrschichtiges Perzeptron-Netz (MLP) zu verwirklichen, und die Rechenmittel (3) dazu eingerichtet sind, aus dem Ausgangsvektor eine stetige zeitabhängige skalare Größe k=k(t) als geometrischen Abstand zwischen dem momentan gemessenen Ausgangsvektor (Y,t) und dem gespeicherten optimalen Ausgangsvektor (Y _o,t) zu bestimmen, und dass die Anzeigevorrichtung (5) dazu eingerichtet ist, die besagte skalare Größe k=k(t) anzuzeigen.