Hva vi kan hjelpe deg med
Hvordan kan et anlegg holde produksjon og kvalitet høy og samtidig bruke mindre energi og råvarer? Hvordan regulerer man en prosess når viktige størrelser bare måles noen få ganger i døgnet? Prosessanlegg som metall- og silisiumverk, kjemiske anlegg og gjødselfabrikker, bioraffinerier og hydrogenelektrolysører møter slike spørsmål hver dag.
Vi kan hjelpe deg med:
- Analyse av eksisterende reguleringssystemer og kartlegging av forbedringspotensial.
- Modellering av prosessdynamikk, basert på fysikk, data eller en kombinasjon av begge.
- Estimering av størrelser som ikke måles, som temperaturer, sammensetninger og prosesstilstander.
- Design, tuning og testing av regulatorer, fra PID-regulering til modellprediktiv regulering (MPC).
- Datadrevet optimalisering av driften under varierende forhold.
- Mulighetsstudier og utarbeidelse av forsknings- og innovasjonsprosjekter med offentlig finansiering.
Fra modeller til bedre regulering
God regulering starter med forståelse av prosessen. Vi lager dynamiske modeller som spenner fra fysikkbaserte modeller til datadrevne og hybride modeller, og bruker dem til simulering, analyse og regulatordesign. Med tilstands- og parameterestimering, som Kalman-filtrering og estimering med glidende horisont (moving horizon estimation), kan vi rekonstruere størrelser som ikke kan måles direkte, og holde modellene oppdatert når prosessen endrer seg.
På dette grunnlaget utvikler vi reguleringsløsninger som passer prosessens behov, fra godt innstilte PID-sløyfer til modellbasert og optimaliserende regulering. Nye løsninger testes i simulering før de settes i drift.
Maskinlæring i reguleringssløyfen
Mange prosesser i prosessindustrien er ulineære og trege, har få og ofte manuelle målinger, og endrer seg over tid på grunn av slitasje og variasjoner i råvarer. Her er tradisjonelle reguleringsmetoder ofte ikke nok alene. Vi kombinerer maskinlæring med reguleringsteknikk, slik at driftsdata kan utfylle den fysiske kunnskapen. Samtidig legger vi vekt på hva som kan garanteres når det gjelder stabilitet og robusthet, og på hvilke data som kreves, slik at løsningene kan stoles på i industriell drift.
Optimalisering og mer autonom drift
Optimale driftsbetingelser endrer seg med vær, råvarekvalitet, energipriser og produksjonsplaner. Vi utvikler sanntids- og datadrevne optimaliseringsmetoder som tilpasser driften av anlegget når forholdene endrer seg, samtidig som kostnaden ved eksperimentering og slitasjen på utstyret holdes lav. Sammen med digitale tvillinger og beslutningsstøtte for operatører er dette et steg mot mer autonome prosessanlegg.
