Opis projektu
Wykorzystanie uczenia maszynowego do zapewnienia efektywności energetycznej
W walce ze zmianą klimatu kluczowe znaczenie ma ograniczanie eksploatacji zasobów i zużycia energii przy jednoczesnym zwiększeniu ogólnej efektywności. Technologia uczenia maszynowego okazuje się być obiecującym narzędziem do osiągnięcia tego celu, gdyż już widoczny jest jej znaczący wpływ na różne sektory i branże, skutkujący istotnie zwiększoną automatyzacją i wydajnością. Celem finansowanego przez Unię Europejską projektu FUDIPO jest zwiększenie skali wdrożenia praktyk uczenia maszynowego w europejskich branżach z myślą o znaczącym wzmocnieniu efektywności wykorzystania energii i zasobów. Aby to osiągnąć, zespół projektu opracuje platformę optymalizacyjną, trzy rozbudowane demonstratory systemu obejmujące całą lokalizację oraz dwa demonstratory technologii na małą skalę. W efekcie, dzięki zgromadzonym danym i przeprowadzonym symulacjom, możliwe będzie dokonanie znaczących ulepszeń w tej dziedzinie.
Cel
Machine learning have revolutionized the way we use computers and is a key technology in the analysis of large data sets. The FUDIPO project will integrate machine learning functions on a wide scale into several critical process industries, showcasing radical improvements in energy and resource efficiency and increasing the competitiveness of European industry. The project will develop three larger site-wide system demonstrators as well as two small-scale technology demonstrators. For this aim, FUDIPO brings together five end-user industries within the pulp and paper, refinery and power production sectors, one automation industry (LE), two research institutes and one university. A direct output is a set of tools for diagnostics, data reconciliation, and decision support, production planning and process optimization including model-based control. The approach is to construct physical process models, which then are continuously adapted using “good data” while “bad data” is used for fault diagnostics. After learning, classification of data can be automated. Further, statistical models are built from measurements with several new types of sensors combined with standard process sensors. Operators and process engineers are interacting with the system to both learn and to improve the system performance. There are three new sensors included (TOM, FOM and RF) and new functionality of one (NIR). The platform will have an open platform as the base functionality, as well as more advanced functions as add-ons. The base platform can be linked to major automation platforms and data bases. The model library also is used to evaluate impact of process modifications. By using well proven simulation models with new components and connect to the process optimization system developed we can get a good picture of the actual operations of the modified plant, and hereby get concurrent engineering – process design together with development of process automation.
Dziedzina nauki
- engineering and technologymaterials engineeringfibers
- engineering and technologyenvironmental engineeringwater treatment processeswastewater treatment processes
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringsensors
- social scienceseconomics and businesseconomicsproduction economics
- natural sciencesmathematicsapplied mathematicsstatistics and probability
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-SPIRE-2016
System finansowania
RIA - Research and Innovation actionKoordynator
722 20 VASTERAAS
Szwecja