aalto1 untyped-item.component.html
Predictive multi-target learning for industrial plant engineering
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3053
Degree programme
Language
en
Pages
69
Series
Abstract
Paper mills are large and complex entities that transform raw material wood into finished end product by transporting and combining large masses of fibres, pulp, chemicals and water in different processes. When this kind of complex entity is engineered, the paramount thing is to be able to predict equipment quantities required for the mill and its systems as accurately as possible. Accurate estimates save costs, help optimizing resources for engineering and help to follow up the progress and readiness of the engineering phase. It also provides confidence for the client, which the project is sold to, as the estimates can be reasoned with historical data and statistics. This thesis is designed to engineering and consulting company AFRY. The motivation comes from the need of utilizing engineering data for creating better estimates of equipment counts inside a paper mill, before the project is sold to a client.
The approach to the problem relies heavily on principal component analysis (PCA), that is used to analyze differences in project scopes and equipment counts. With principal component analysis combined with K-means clustering, we divide the data set into separate groups related to projects with different profiles. Accuracy of PCA is tested with explaining equipment counts with the first three principal components.
A leap towards a multi-target estimator is done by mapping paper mill site principal component space and flowing substance principal component space together. Then, the location of the estimated project in site principal component space is explained by flow systems and their principal component scores. The results show that the methods used in this thesis provide a clear systematic approach for estimating the component rates of a paper mill. With clustering, we are able to divide the data into clusters that can be interpreted intuitively. With three principal components, we are able to explain over 99 % of the entire data’s variation. In further research, the similar approach can be applied for also other than paper industry, such as pulp and chemical industries.
Paperitehtaat ovat laajoja, monimutkaisia kokonaisuuksia, jotka muuttavat puuraaka-aineen lopputuotteeksi siirtelemällä ja yhdistelemällä suuria määriä kuituja, massoja, kemikaaleja ja vettä eri prosesseissa. Kun tällaista monimutkaista kokonaisuutta suunnitellaan, on hyvin tärkeää pystyä ennustamaan tehtaassa tarvittavien laitteiden määrät niin tarkasti kuin mahdollista. Tarkat ennusteet säästävät kustannuksissa, auttavat optimoimaan resursseja sekä seuraamaan suunnittelun valmiusastetta. Se tuo myös varmuutta asiakkaalle, jolle projekti myydään, sillä ennusteita voidaan perustella tilastoilla aikaisemmista tehtaista.
Tämä diplomityö on tehty suunnittelu- ja konsultointiyhtiö AFRYlle. Tavoitteena työssä on parantaa paperitehtaiden laitemääräestimaatteja hyödyntämällä suunnittelujärjestelmien tietokantojen historiallista dataa.
Menetelmien painopisteenä on pääkomponenttianalyysi, jota käytetään analysoimaan eroavaisuuksia projektien laajuudessa ja kokonaislaitemäärissä. Pääkomponenttianalyysia ja K:n keskiarvon klusterointimenetelmää käytetään yhdessä jakamaan aineisto joukkoihin, jotka liittyvät projekteihin, joilla on keskenään erilainen profiili. Pääkomponenttien ennustetarkkuutta testataan estimoimalla laitemääriä kolmella ensimmäisellä pääkomponentilla.
Askel kohti monimuuttujaista estimaattoria saadaan yhdistämällä kaksi pääkomponenttiavaruutta toisiinsa siten, että ennustettavan tehtaan sijoitusta tehdastasoisessa pääkomponenttiavaruudessa selitetään sen virtaavien aineiden sijainnilla virtaavien aineiden pääkomponenttiavaruudessa.
Tulokset näyttävät, että käytetyt menetelmät tarjoavat selkeän systemaattisen lähestymistavan laite-estimaattien tekemiselle. Klusteroinnilla paperitehtaat pystytään jakamaan tehdasjoukkoihin, joiden suunnittelujen laajuus pystytään selittämään intuitiivisesti. Lisäksi kolmella pääkomponentilla koko käytetyn aineiston vaihtelusta pystytään selittämään yli 99 %.
Tulevissa tutkimuksissa samoja menetelmiä voidaan myös soveltaa muuhun kuin paperiteollisuuteen, kuten esimerkiksi sellu- ja kemianteollisuuteen.