Inom processindustrin genereras stora datamängder. Men för att den insamlade datan ska kunna användas, till exempel för effektivisering av processer, är det viktigt att det finns kunskap om hur maskininlärning kan användas.
I ett nytt projekt har data från perioder med stabil drift och små variationer använts för att praktiskt förenkla processen i ett massabruk. Flera olika processer har undersökts. Ett exempel är att maskininlärning har använts för att förbättra prediktering av kappatalet, alltså måttet på ligninhalt och ljushet, på massan efter det första klordioxidsteget i ett blekeri av kemisk massa. Modellering och datahantering har gjorts med utgångspunkt i att hitta lösningar för tidsförskjutning av data som kopplar till den massa som kommer ut i kokaren vid en tidpunkt och är slutblekt några timmar senare.
Resultaten visade att det bör vara möjligt att implementera flera av de processer som har förenklats med hjälp av maskininlärning. Det finns dock flera utmaningar. Det måste vara smidigt att exportera data. Det behövs flexibla verktyg för att hantera, bearbeta och visualisera stora mängder data, Microsoft Excel har inte tillräckligt hög förmåga så ett mer kraftfullt program som Python måste användas. Ingående analys av tillgängliga data är avgörande för att bedöma potentialen i maskininlärningsmodeller. Det är viktigt att använda ett konsistent och strukturerat system för hur data märks upp, lagras och tillgängliggörs. Hög datasäkerhet är av största vikt för att få ett bra resultat, mätosäkerheter blir lätt en flaskhals och gör att maskininlärningen inte kan användas med bra resultat.
Maskininlärning för prediktering av massabruk