Automatisk identifikation av process- och givarfel

För att få en robust och resurseffektiv drift av industriella processer, är det viktigt att tidigt kunna upptäcka onormala processlägen och felaktiga givare. I detta projekt utvärderas och valideras feldetektionsmetoder på processdata för att automatiskt identifiera givar- och processfel.

Ny IT-teknik och den pågående digitaliseringen gör det möjligt att integrera stora mängder data (big data) och att använda multivariata analysmetoder som exempelvis machine learning, för att detektera process- och givaravvikelser.

Idag är dock klyftan stor mellan forskningsfronten för dataanalysmetoder och den tekniska höjden på de metoder som tillämpas i industrin. En viktig anledning till denna kunskapsklyfta är att IT-miljöerna för att utveckla avancerade analysmetoder skiljer sig från de begränsade möjligheterna till programmering av nya funktioner som finns i industrin. Det finns alltså ett behov av att utveckla och utvärdera avancerade dataanalysmetoder som använder big data under verkliga förutsättningar.

I detta projekt ska ett förslag på ett flexibelt mjukvaruramverk tas fram, som möjliggör en iterativ process för utveckling och utvärdering av feldetektionsmetoder i fullskala. Detektionsmetoder som tagits fram i tidigare projekt* samt multivariat processövervakning ska valideras och utvärderas. Metoderna gör det möjligt att använda information från spridda datakällor, såsom energimätning, affärssystem och underhållssystem, för att beräkna nyckeltal i realtid, massbalanser och processmodeller. I detta projekt kommer dock processövervakning och feldetektion av givare att vara målet.

* Övervakning och feldetektion på svenska reningsverk