Een monitoring raamwerk voor een soft-sensor

Seppe
Duwé

Een monitoring raamwerk voor een soft-sensor

Wanneer een productiebedrijf beschikt over een aanzienlijk aantal sensoren, waarvan enkele fysieke sensoren in het productieproces (soms) onbetrouwbaar, duur of tijdrovend zijn, kan er gebruik gemaakt worden van soft-sensors. Deze zijn ook bekend als surrogate, proxy of virtuele sensoren.  De soft-sensor kan op vele plaatsen ingezet worden zoals bijvoorbeeld bij het voorspellen van het vochtgehalte van papier.

Afbeelding verwijderd.
Het vochtgehalte van het papier, geproduceerd in een papiermachine, is een zeer belangrijk productkenmerk dat binnen een gedefinieerde bereik moet liggen. Het vochtgehalte wordt gemeten door een meetapparaat die heen en weer over het geproduceerde papier scant. Het is een bekend probleem dat in de eerste paar minuten na het starten van de machine, de scanner onbetrouwbare metingen geeft. Een typische reden hiervan is dat water condenseert op het apparaat in stilstand. Ondanks alle inspanningen om dat probleem mechanisch/fysisch op te lossen, is het nog steeds een vaak voorkomend probleem in de pulp- en papierindustrie.


Een oplossing is een soft-sensor te plaatsen die de relatie geleerd heeft tussen tientallen on-line gemeten papier- en machine kenmerken (snelheid, stoomdruk, ...) en het vochtgehalte opmeten op het moment dat het meetapparaat betrouwbaar is. In de eerste paar minuten na het opstarten, wordt de stoom om het papier te drogen geregeld op basis van de vochtinschatting van de soft-sensor. Dit in plaats van gegevens gebaseerd op de fysieke vochtsensor, waardoor minderwaardig kwaliteitspapier gereduceerd is. Afbeelding verwijderd.

Omdat een productieproces in de loop der tijd evolueert, kan het zich anders gaan gedragen dan op het moment dat de oorspronkelijke soft-sensor gemaakt is. Daarom is er een raamwerk voor een virtuele sensor in de Python programmeertaal geïmplementeerd, deze beschikt over een monitoring- en alarmsysteem voor industriële processen en communiceren via “OLE (object linking and embedding) for Process Control” (OPC). Het systeem controleert de toestand en de prestaties van de soft-sensor model(len) en hun ingangen. Bij afwijkingen, gebaseerd op verschillende detectie algoritmen, produceert het configureerbare waarschuwingen zoals SMS, e-mail of HipChat. Hierdoor kan er tijdig worden ingegrepen, aangepast of bijgestuurd al dan niet machinaal of via menselijke handelingen. Dit laat gebruikers (bv. procesingenieurs) toe om verschillende instellingen te beheren (wie welke alarmen krijgt, drempelwaarden, …) waarna er samenvattingen en gedetailleerde rapporten kunnen geraadpleegd worden. Het resultaat is dat een geoptimaliseerd productieproces verkregen wordt die de anomalieën reduceert, beter nog uitsluit. 

Afbeelding verwijderd.

De geleverde prestatie zal als basis dienen voor de Yasense Monitor tool. 

Bibliografie

[1]

„Soft sensor development,” Yazzoom, [Online]. Available: http://en.apc.yazzoom.com/soft-sensor-development.html. [Geopend 05 11 2014].

[2]

L. Fortuna, S. Graziani, A. Rizzo en M. Xibilia, Soft Sensors for Monitoring and Control of Industrial Processes, Springer, 2007.

[3]

A. Martelli, A. Ravenscroft en D. Ascher, Python cookbook, " O'Reilly Media, Inc.", 2005.

[4]

OPC, „What is OPC?,” OPC Foundation, [Online]. Available: www.opcfoundation.org/about/what-is-opc/. [Geopend 13 Feb 2015].

[5]

„About OpenOPC,” OpenOPC, [Online]. Available: http://openopc.sourceforge.net/. [Geopend 5 Mei 2015].

[6]

D. Graham, E. Van Veenendaal, I. Evans en R. Black, Foundations of software testing: ISTQB certification, Course Technology Cengage Learning, 2008.

[7]

M. Hammond en A. Robinson, Python Programming on Win32: Help for Windows Programmers, " O'Reilly Media, Inc.", 2000.

[8]

V. Chandola, A. Banerjee en V. Kumar, „Anomaly detection: A survey,” ACM Computing Surveys (CSUR), vol. 41, nr. 3, p. 15, 2007.

[9]

I. Milovanovi, Python Data Visualization Cookbook, Packt Publishing Ltd, 2013.

[10]

A. Verikas, „Soft Sensors for Monitoring,” in Soft Sensors for Monitoring, 2009.

[11]

M. Serpas, Y. Chu en J. Hahn, „Fault detection approach for systems involving soft sensors,” Journal of Loss Prevention in the Process Industries, vol. 26, nr. 3, pp. 443-452, 2013.

[12]

M. Lutz, Learning python, " O'Reilly Media, Inc.", 2013.

[13]

K. D. Lee, Python programming fundamentals, Springer, 2010.

[14]

S. Kabadayi, A. Pridgen en C. Julien, „Virtual sensors: Abstracting data from physical sensors,” in Proceedings of the 2006 International Symposium on on World of Wireless, Mobile and Multimedia Networks, 2006.

[15]

H. J. Galicia, Q. P. He en J. Wang, „Adaptive outlier detection and classification for online soft sensor update,” in International Symposium on Advanced Control of Chemical Processes ADCHEM, 2012.

[16]

T. Dunning en E. Friedman, Practical Machine Learning: A New Look at Anomaly Detection, " O'Reilly Media, Inc.", 2014.

[17]

J. Verhasselt, „Soft sensor development and application,” in Soft sensor development and application, Yazzoom, 2014.

 

Download scriptie (2.37 MB)
Universiteit of Hogeschool
KU Leuven
Thesis jaar
2015