On predicting paper quality

Thumbnail Image

Files

master_Sairo_Niko_2022.pdf (1.75 MB)

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

2022-05-17

Department

Major/Subject

Applied Mathematics

Mcode

SCI3053

Degree programme

Master’s Programme in Mathematics and Operations Research

Language

en

Pages

57

Series

Abstract

Papermaking is a complex process using pulp, commonly made from wood, as its main raw material. Modern paper machines are enormous units that can manufacture hundreds of meters of paper around the clock. Papermaking is monitored with hundreds of different sensors that measure variables present in the process, such as pressures, temperatures and speeds. In addition, the end product is monitored by taking multiple different measures to ensure the quality of the end product. Successful predicting of papermaking process can streamline the process and add value to paper machine owners. This thesis is done for engineering and consultation company AFRY. The goal of this work is to predict the quality of paper by utilizing time series data collected from a paper machine automation system. The paper machine data and paper quality measurement data used in the work are of poor quality and hence their use requires a lot of data pre-processing. There are several hundred explanatory variables and the use of all of them would lead to very complex prediction models. In this work, we aim to find the most significant explanatory variables that are utilized in constructing prediction models. After selecting the appropriate explanatory variables, predicting paper quality is experimented with different time series models selected for the work. The models considered are exponential smoothing, ARIMAX, LASSO regression, and Prophet. Predictions are made with prediction horizons of different lengths, after which the predictions produced by different models are compared with each other. Several error measurements are used for the comparison. Based on the results, for one-step predictions none of the constructed models are as good as the naive model (where the prediction is equal to the last observation), but with longer prediction horizons, some of the created prediction models perform better than the naive model. Of the generated models, LASSO regression and ARIMAX performed best. In future research, the same methods could be applied to different quality measurements and to different industries, such as the pulp industry.

Paperinvalmistus on monimutkainen prosessi, jonka pääraaka-aineena käytetään usein puusta valmistettua sellua. Nykyaikaiset paperikoneet ovat valtavia yksiköitä, jotka pystyvät valmistamaan satoja metrejä paperia minuutissa ympäri vuorokauden. Paperin valmistusta seurataan sadoilla erilaisilla antureilla, jotka mittaavat prosessissa esiintyviä muuttujia, kuten esimerkiksi paineita, lämpötiloja ja nopeuksia. Lisäksi valmiista lopputuotteesta otetaan useita erilaisia mittauksia laadun varmistamiseksi. Onnistuneella paperinvalmistusprosessin ennustamisella pystytään tehostamaan prosessia ja tuottamaan lisäarvoa paperikoneen omistajille. Tämä diplomityö on tehty suunnittelu- ja konsultointiyhtiö AFRYlle. Työn tavoitteena on pyrkiä ennustamaan paperin laatua hyödyntämällä paperinkoneen automaatiojärjestelmästä kerättyä aikasarja-aineistoa. Työssä käytetty paperikoneaineisto ja paperin laadunmittausaineisto ovat laadultaan heikkoja ja niiden käyttäminen vaatii paljon esikäsittelyä. Selittäviä muuttujia on useita satoja, joiden kaikkien käyttäminen johtaisi todella monimutkaisiin ennustusmalleihin. Työssä pyritään etsimään eniten merkitsevät selittävät muuttujat, joita hyödynnetään ennustusmallien luomisessa. Sopivien selittävien muuttujien valitsemisen jälkeen paperin laadun ennustamista kokeillaan työhön valituilla eri aikasarjamalleilla. Näitä ovat eksponentiaalinen tasoitus, ARIMAX, LASSO regressio ja Prophet. Ennusteita tehdään eripituisilla ennustusväleillä, jonka jälkeen eri mallien tuottamia ennusteita vertaillaan keskenään. Vertailussa käytetään useita virhemittauksia. Tulosten perusteella mikään luoduista malleista ei pärjää yhden askeleen ennusteissa naiiville mallille, mutta pidemmillä ennustusväleillä osa luoduista ennustusmalleista suoriutuu naiivia mallia paremmin. Luoduista malleista LASSO regressio ja ARIMAX suoriutuvat parhaiten. Tulevissa tutkimuksissa samoja menetelmiä voitaisiin soveltaa eri laatumittauksille ja eri teollisuudenaloille, kuten esimerkiksi selluteollisuudessa.

Description

Supervisor

Ilmonen, Pauliina

Thesis advisor

Heino, Juhana

Keywords

papermaking, times series, variable selection, exponential smoothing, ARIMAX, LASSO regression

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202205223326

Collections

[dipl] Perustieteiden korkeakoulu / SCI