Jauhinterien kulumisen vaikutukset ja energiankulutuksen mallinnus LC-jauhatusprosessissa : Energiankulutuksen mallinnuksen potentiaali kunnossapidossa

Abstract

Sähköenergiankulutus kasvaa kiihtyvään tahtiin esimerkiksi datakeskuksien lisääntyvän määrän myötä. Tämän takia energiatehokkuuden parantaminen on entistä tärkeämpää. Paperitehtaalla suurin osa massankäsittelyn sähkönkulutuksesta syntyy jauhatusprosessissa. Tässä työssä kartoitetaan sitä, miten energiankulutus ja muut prosessiparametrit sekä puukuidun laadusta kertovat parametrit muuttuvat, kun matalan sakeuden jauhimen terät kuluvat. Lisäksi kartoitetaan ja kokeillaan malleja, joilla on mahdollista mallintaa energiankulutuksen muuttumista LC-jauhatuksessa.

Tässä työssä tutkimuskysymyksiin pyritään vastaamaan moniosaisella tutkimusstrategialla, johon kuuluu kirjallisuustutkimus, datan analysointi ja tekoälykartoitus. Jauhimen terien elinkaaren aikana tapahtuvia muutoksia selvitetään kirjallisuustutkimuksen sekä datan analysoinnin avulla. Työssä käsitelty data on saatu kahdesta eri tehtaasta yhteensä kolmesta eri jauhimesta. Dataan kuuluu eri prosessimittauksia sekä kuituarvomittauksia. Kahdesta jauhimesta dataa on noin puolentoista vuoden ajalta ja yhdestä jauhimesta kahden vuoden ajalta. Tekoälykartoituksella kartoitettiin data-analyysin vaiheita sekä energiankulutuksen muuttumisen mallintamiseen sopivia menetelmiä ja huomioon otettiin erilaisia työssä esiintyneitä rajoituksia, kuten datan määrä ja käytettävän tietokoneen tehokkuus.

Datan perusteella yhdessä jauhimessa teriä ei kulutettu niin pitkälle, että mitään selviä muutoksia näkyisi datassa. Muissa jauhimissa havaittiin selviä muutoksia, jotka näkyivät selvästi terien elinkaaren lopussa. Näitä selviä muutoksia olivat energiankulutuksen kasvu, kuitujen lyheneminen, hienoaineksen lisääntyminen, kiharuuden ja vaurioiden määrän kasvaminen sekä paine-eron lasku. Muutokset toistuivat usean teräparin datassa, joten data-analyysin ja kirjallisuustutkimuksen perusteella muutokset voitiin yhdistää terien kulumiseen. Energiankulutus kasvoi useassa teräparissa jopa yli 20 %, mikä lisää myös kustannuksia yhtä paljon tasaisella tuotannolla ja vakiolla sähkönhinnalla.

Tekoälykartoituksen perusteella kokeiltiin neljää eri menetelmää energiankulutuksen muuttumisen mallintamiseen. Näitä menetelmiä olivat elastic net, LightGBM, XGBoost ja huber-regressiosta ja gradient boosting -päätöspuuregressiosta koostuva yhdistelmämenetelmä. Parhaaksi menetelmäksi osoittautui yhdistelmämenetelmä, jossa mallinnettiin perusenergiankulutus pienellä kulumisen määrällä ja kulumisesta aiheutunut energiankulutuksen muutos gradient boosting -päätöspuuregressiolla. Tämän mallin selitysaste oli parhaimmillaan 0,6 ja ennustearvo erosi todellisesta arvosta keskimäärin parhaimmillaan vain 4,7 %. Malli pystyi ennustamaan hyvin keskimääräistä energiankulutusta myös silloin, kun selittäjinä olivat pelkästään kulumisen määrä ja tuotanto. Mallissa ei otettu huomioon CSF-arvon mallinnusta, joka toisi lisäarvoa malliin. Tämä vaatisi kuitenkin sen, että kuituarvoista ainakin CSF-arvo olisi mitattuna myös jauhatusta ennen, jotta arvoa pystytään ennakoimaan tarkasti.

Tässä työssä pystyttiin onnistuneesti todistamaan terien kulumisesta aiheutuvia muutoksia LC-jauhatuksessa sekä luomaan alustava malli energiankulutuksen muuttumisen ennakointiin. Dataa ei saatu tähän työhön riittävästi eri raaka-aineita käyttävistä jauhimista, jotta mallia olisi pystytty testaamaan ja yleistämään useammalle jauhimelle. Työn ulkopuolelle ja jatkokehitykseen jää siis terien kulumisesta aiheutuvien muutosten tarkastelu eri raaka-aineita käyttäville jauhimille sekä ennakointimallin laajempi testaus ja koulutus eri jauhimille. Tällaisella mallilla on kuitenkin potentiaalia kehittää kunnossapitoa ja jauhatusprosessin energiatehokkuutta, sekä mahdollisesti optimoida jauhinterien vaihtoajankohtaa.