Soft sensor tool with adaptive and Bayesian state estimation properties

Abstract

The purpose of the thesis was to develop a generic soft sensor tool and study implementation of Bayesian state estimation to online estimate quality variables, which are sampled in low frequency and analyzed in laboratory. Moreover, the developed tool provides an adaptive estimate and it is intended to be implementable to a wide range of applications in the process industry.

Based on the theory and literature review to state estimation, the Kalman filter was selected to be utilized in the tool. In the experimental part of the thesis, the tool was built in Simulink environment, and the build Simulink model is supposed to be implemented to Valmet DNA system. An identified case process from paper industry was used to test the developed tool. History data from the case process was received to identify the process and test the developed tool.

When simulating the tool with Kalman filter to estimate the state of the process was observed that the Kalman filter did not improve estimation of the case process outputs, when compared to estimation using state space model without the Kalman filter. The reason for this was found to be the fast dynamics of the case process together with low sampling rate of the output. The second tested option was to use the Kalman filter to online estimate the static linear coefficients of the model and use the updated coefficients in state space model. The technique significantly improved the estimation performance and decided to be suitable for a generic and adaptive soft sensor tool.

Tässä työssä on kehitetty geneerinen soft sensor -työkalu ja tutkittu bayesilaisen tilaestimoinnin soveltamista sellaisten laatusuureiden ennustamisessa, joista otetaan laboratorionäytteitä harvoin. Lisäksi kehitetty työkalu antaa adaptiivista estimaattia ja on suunniteltu käytettäväksi laajasti eri prosessiteollisuuden sovelluksiin.

Teoriaan ja tilaestimointiin tehdyn kirjallisuuskatsauksen pohjalta valittiin työkalussa käytettäväksi menetelmäksi Kalman suodin. Työn kokeellisessa osassa työkalu rakennettiin Simulink -ympäristöön. Rakennettu Simulink -työkalu on tarkoitus implementoida Valmet DNA -järjestelmään. Paperiteollisuuden prosessia käytettiin kehitetyn työkalun testaamiseen. Prosessista saatiin historiadataa jota käytettiin prosessin identifiointiin ja kehitetyn työkalun toiminnan arviointiin.

Kun työkalua simuloitiin käyttämällä Kalman suodinta prosessin tilan estimointiin, havaittiin että Kalman suodin ei parantanut estimointia, kun sitä verrattiin ilman Kalman suodinta tuotettuun tilamallin estimaattiin. Syyksi tälle todettiin prosessin nopea dynamiikka yhdessä harvan näytteenottovälin kanssa. Toinen testattu vaihtoehto käyttää Kalman suodinta oli online-estimoida mallin staattisia lineaarisia regressiokertoimia ja käyttää päivitettyjä kertoimia tilamallissa. Tekniikka paransi huomattavasti estimointituloksia ja sen todettiin olevan sopiva geneeriseen ja adaptiiviseen soft sensor -työkaluun.