Applying machine learning based soft sensors to a pulp refining process

Abstract

Refining is one of the most important steps in pulp manufacturing, aiming to improve the strength properties of the final product (board) by mechanically treating cellulose fibers using refining blades. The degree of refining is typically measured by Canadian Standard Freeness (CSF). However, since CSF is difficult to measure online, an inferential model for providing real-time information on CSF is desired. Due to the complexity and nonlinearity of the pulp refining process, and the availability of historical data, a machine learning based soft sensor is an attractive approach to model the process and predict pulp or board properties.

In this thesis, a two-staged dynamic convolutional neural network (CNN) based soft sensor framework is developed for predicting the CSF after a low consistency refining phase in a semi-chemical (NSSC) pulping process. In the first stage, an unsupervised denoising CNN-autoencoder (CNN-DAE) is applied for learning a hidden feature representation of the input data. Moreover, the DAE serves as a robust anomaly detector for noisy data, simultaneously allowing to pretrain the model both with labeled and unlabeled (no CSF observation) samples. In the second stage, a supervised CNN with pretrained weights is trained to predict the CSF. In addition, a similar soft sensor for predicting pulp consistency is developed without the pretraining phase.

The CNN-DAE soft sensor outperformed the benchmark models (incl. partial least-squares regression; PLS) in the freeness prediction, achieving satisfactory prediction accuracy using 15 carefully selected input variables, such as refining power, consistency, flow, etc. Lagged observations of the variables were included to the input samples to capture the dynamics of the process. Slightly better scores were obtained using all input variables (94), which demonstrates the superior ability of the CNN to automatically learn relevant features. The CNN soft sensor achieved good predictive performance in the consistency prediction, the results being comparable to the PLS. Furthermore, the CNN-DAE showed great potential in unsupervised anomaly detection, being able to detect abnormal process events and consistency sensor drift from the data. Overall, the results indicate that data-driven predictive models seem promising for the pulp and board industry when integrated with extensive process knowledge.

Jauhatus on yksi tärkeimmistä vaiheista sellun valmistuksessa, tavoitteenaan parantaa lopputuotteen eli kartongin (tai paperin) lujuusominaisuuksia. Jauhatusaste ilmaistaan tyypillisesti mittaamalla massan vedenpoistokykyä eli freenessiä (Canadian Standard Freeness; CSF). Freenessin reaaliaikainen mittaaminen on kuitenkin vaikeaa, minkä takia ennustava malli olisi hyödyllinen tarjoamaan reaaliaikaista tietoa freenessistä. Jauhatusprosessin monimutkaisuudesta ja epälineaarisuudesta johtuen, sekä saatavilla olevan historiadatan ansiosta koneoppimiseen pohjautuva lähestymistapa vaikuttaa houkuttelevalta prosessin mallinnuksessa ja sellun tai kartongin laatuominaisuuksien ennustamisessa.

Tässä diplomityössä kehitetään kaksivaiheinen konvoluutioneuroverkkoon (CNN) pohjautuva virtuaalisensori ennustamaan sellun freenessiä matalasakeuksisen jauhatusprosessin jälkeen puolikemiallisessa massanvalmistusprosessissa. Ensimmäisessä vaiheessa ohjaamatonta koneoppimista hyödyntävää denoising CNN-autoencoder (CNN-DAE) -mallia käytetään esisovittamiseen, datan rakenteen ja piirteiden oppimiseen, ja poikkeavien datapisteiden tunnistamiseen. Toisessa vaiheessa CNN-malli koulutetaan käyttäen ohjattua koneoppimista. Lisäksi kehitetään vastaava virtuaalisensori ennustamaan sellun sakeutta ilman esisovittamista.

Kehitetty CNN-DAE virtuaalisensori suoriutui vertailumalleja (mm. PLS) paremmin freeness-ennustamisessa saavuttaen hyväksyttävän ennustetarkkuuden käyttäen 15 tarkasti valittua syötemuuttujaa. Mallin syötteisiin sisällytettiin viivästetyt mittaukset usealta minuutilta, mikä paransi ennustetarkkuutta. Kaikkien syötteiden käyttäminen (94) paransi hieman ennustetarkkuutta, mikä todistaa CNN-mallin erinomaisen kyvyn oppia automaattisesti olennaisia piirteitä datasta. CNN-malli saavutti hyvän ennustetarkkuuden sakeuden ennustamisessa tulosten ollessa vertailukelpoisia PLS-virtuaalisensoriin. Lisäksi CNN-DAE -malli vaikutti lupaavalta ohjaamattomassa poikkeavien datapisteiden, kuten epänormaalien prosessitapahtumien ja sakeusanturin ryöminnän tunnistamisessa. Kaiken kaikkiaan saadut tulokset osoittavat, että datapohjaiset ennustemallit vaikuttavat lupaavilta sellu- ja kartonkiteollisuudessa, kunhan laajaa prosessiosaamista hyödynnetään mallien kehityksessä.