Original title: Intelligent Energy-Savings and Process Improvement Strategies in Energy-Intensive Industries
Translated title: Intelligent Energy-Savings and Process Improvement Strategies in Energy-Intensive Industries
Authors: Teng, Sin Yong ; Professor, Ponnambalam Sivalinga Govindarajan, (referee) ; Pavlas, Martin (referee) ; Máša, Vítězslav (advisor)
Document type: Doctoral theses
Year: 2020
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract: [eng] [cze]
S tím, jak se neustále vyvíjejí nové technologie pro energeticky náročná průmyslová odvětví, stávající zařízení postupně zaostávají v efektivitě a produktivitě. Tvrdá konkurence na trhu a legislativa v oblasti životního prostředí nutí tato tradiční zařízení k ukončení provozu a k odstavení. Zlepšování procesu a projekty modernizace jsou zásadní v udržování provozních výkonů těchto zařízení. Současné přístupy pro zlepšování procesů jsou hlavně: integrace procesů, optimalizace procesů a intenzifikace procesů. Obecně se v těchto oblastech využívá matematické optimalizace, zkušeností řešitele a provozní heuristiky. Tyto přístupy slouží jako základ pro zlepšování procesů. Avšak, jejich výkon lze dále zlepšit pomocí moderní výpočtové inteligence. Účelem této práce je tudíž aplikace pokročilých technik umělé inteligence a strojového učení za účelem zlepšování procesů v energeticky náročných průmyslových procesech. V této práci je využit přístup, který řeší tento problém simulací průmyslových systémů a přispívá následujícím: (i)Aplikace techniky strojového učení, která zahrnuje jednorázové učení a neuro-evoluci pro modelování a optimalizaci jednotlivých jednotek na základě dat. (ii) Aplikace redukce dimenze (např. Analýza hlavních komponent, autoendkodér) pro vícekriteriální optimalizaci procesu s více jednotkami. (iii) Návrh nového nástroje pro analýzu problematických částí systému za účelem jejich odstranění (bottleneck tree analysis – BOTA). Bylo také navrženo rozšíření nástroje, které umožňuje řešit vícerozměrné problémy pomocí přístupu založeného na datech. (iv) Prokázání účinnosti simulací Monte-Carlo, neuronové sítě a rozhodovacích stromů pro rozhodování při integraci nové technologie procesu do stávajících procesů. (v) Porovnání techniky HTM (Hierarchical Temporal Memory) a duální optimalizace s několika prediktivními nástroji pro podporu managementu provozu v reálném čase. (vi) Implementace umělé neuronové sítě v rámci rozhraní pro konvenční procesní graf (P-graf). (vii) Zdůraznění budoucnosti umělé inteligence a procesního inženýrství v biosystémech prostřednictvím komerčně založeného paradigmatu multi-omics. Zlepšení průmyslových procesů, Model založený na datech, Optimalizace procesu, Strojové učení, Průmyslové systémy, Energeticky náročná průmyslová odvětví, Umělá inteligence.
Keywords: accumulated experience; analysis from these fields consists of mathematical optimization; and operational heuristics. These approaches serve good as a basis for process improvement. However; As core processing technologies in energy-intensive industries improve leaps and bounds; deep autoencoder) for multiple-unit multiple-objective process optimization. (iii) Proposition of novel bottleneck tree analysis (BOTA) tool for the purpose of process capacity debottlenecking. An extended BOTA was also proposed to incorporate multi-dimensional problems via data-driven approach. (iv) Demonstrated effectiveness of Monte-Carlo simulations; existing facilities gradually fall behind in terms of efficiency and productivity. Ultimately; harsh market competition and environmental legislation will force these traditional facilities to stop operations and decommission. Process improvement and retrofit projects are critical in maintaining the operational performance of these traditional facilities. Current approaches for process improvement are mainly Process Integration; neural network and decision trees for decision-making when integrating new process technology in existing processes. (v) Benchmarked Hierarchical Temporal Memory (HTM) and a dual-mode optimization with multiple predictive tools for real-time operational management. (vi) Implemented artificial neural networks in the conventional process graph (P-graph) framework. (vii) Highlight the future of AI and process engineering in biosystems via a commercial-based multi-omics paradigm.; Process Optimization and Process Intensification. From a high-level context; the purpose of this work is to apply advanced artificial intelligence and machine learning techniques into process improvement projects for energy-intensive industrial systems. The approach taken by this work is a multi-directional approach which tackles this problem from simulation to industrial systems with the following contributions: (i) Application of machine learning technique; their performance can be further improved with up-to-date computational intelligence. Therefore; which includes one-shot learning and neuro-evolution for data-driven single unit modelling and optimization. (ii) Application of dimension reduction (e.g. principle component analysis; Artificial Intelligence; Data-driven Modelling; Energy-Intensive Industries; Industrial Process Improvement; Industrial Systems; Machine Learning; Process Optimization

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/195697

Permalink: http://www.nusl.cz/ntk/nusl-610111


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Doctoral theses