ES2228845T3 - Metodo y sistema para vigilar y analizar un proceso de fabricacion de papel. - Google Patents
Metodo y sistema para vigilar y analizar un proceso de fabricacion de papel.Info
- Publication number
- ES2228845T3 ES2228845T3 ES01925598T ES01925598T ES2228845T3 ES 2228845 T3 ES2228845 T3 ES 2228845T3 ES 01925598 T ES01925598 T ES 01925598T ES 01925598 T ES01925598 T ES 01925598T ES 2228845 T3 ES2228845 T3 ES 2228845T3
- Authority
- ES
- Spain
- Prior art keywords
- upbar
- vector
- presented
- user
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- D—TEXTILES; PAPER
- D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
- D21G—CALENDERS; ACCESSORIES FOR PAPER-MAKING MACHINES
- D21G9/00—Other accessories for paper-making machines
- D21G9/0009—Paper-making control systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Paper (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Collating Specific Patterns (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Método para vigilar y analizar un proceso de producción de papel, en el cual: un gran número de cantidades (xi, t) son medidas a partir del proceso, las cantidades medidas (xi, t) son introducidas como un vector de entrada (x, T) en una red neuronal (2), que, como respuesta produce un vector de salida instantáneo (y, t) como una cantidad continua representativa de una huella digital instantánea medida, al menos un vector de salida óptimo (yo, t) representativo de una huella digital enseñada y constante con una buena situación de proceso en cuanto a la ejecutabilidad, es determinado y almacenado en la memoria. al menos un vector de salida óptimo almacenado (yo, t) y el vector de salida instantáneo (y, T) obtenido en una situación de proceso normal son comparados sustancialmente en tiempo real, en base al resultado de la comparación, se determina una diferencia que debe ser presentada en una forma gráfica al usuario, caracterizado por el hecho de que se determina una cantidad k=k(t) continuadependiente del tiempo que debe ser presentada como resultado al usuario como una distancia geométrica entre el vector de salida instantáneo (y, t) y vector de salida óptimo almacenado (yo, t), y dicha cantidad k=k(t) continua dependiente del tiempo para el periodo de una tendencia T seleccionada es mostrada visualmente por medio de un monitor al usuario.
Description
Método y sistema para vigilar y analizar un
proceso de fabricación de papel.
La invención se refiere a un método y un sistema
para vigilar y analizar un proceso de fabricación de papel, en cuyo
método un gran número de cantidades son medidas a partir del proceso
e introducidas como un vector de entrada en una red neuronal que
produce un vector de salida como una cantidad continua, y en cuyo
método al menos una huella digital representa una buena situación
de proceso, es decir con un vector de salida óptimo definido, y las
huellas digitales o vectores de salida obtenidos en una situación de
proceso normal son comparados con dicha(s) huella(s)
digital(es) o vector(es) de salida óptimos
sustancialmente en tiempo real y, en base a esta comparación, se
determina la diferencia y se presenta al usuario en una forma
gráfica.
Usando redes neuronales enseñables, se pueden
clasificar grandes cantidades de datos de forma eficaz y hallar
enlaces o agrupaciones presentes en medidas y grandes masas de
datos, los cuales son muy difíciles de detectar por medio de un
cálculo estadístico, modelos matemáticos y reglas lógicas. La
capacidad de aprendizaje hace posible desempeñar varias funciones
con una exactitud razonable con la ayuda de ejemplos sin una
programación detallada de todas las distintas situaciones y
excepciones. Una red neuronal consiste en elementos de cálculo
simple, neuronas, que tienen una pluralidad de entradas y una
respuesta.
Una red neuronal se crea mediante la conexión de
neuronas entre sí. La operación global de la red es una combinación
de diferentes valores pesados que es difícil de entender por medio
de pesos individuales. Los pesos en la red neuronal son
generalmente determinados por enseñanza mediante ejemplos. Existe
un gran número de diferentes estructuras de redes y algoritmos de
enseñanza.
Se pueden encontrar descripciones diversificadas
de los principios y aplicaciones de redes neuronales en las
publicaciones "Neurolaskennan mandollisuudet"; Pasi
Koikkalainen, Tekes 1994, y "Neural Computing Theory and
Practise"; Philip D. Wassermann, New York 1989, ISBN
0-442-20743-2.
El documento WO96/29468 expone el uso de redes
neuronales para la fabricación de papel.
En un proceso de fabricación de papel, el
operario debería poder obtener información concentrada sobre cómo
se está desarrollando el proceso en comparación con unas
situaciones buenas previamente identificadas. Hasta ahora, el
proceso de producción de papel ha sido analizado p. ej. por la
técnica SOM (Mapa auto-orientado). Con bastante
frecuencia, los datos históricos para un gran número de variables
está disponible en forma de varias curvas, de las cuales el
operador puede seleccionar las deseadas para ser presentadas en su
monitor. Generalmente, es imposible detectar un cambio significante
en el grupo de valores históricos porque estos cambios se pierden
en una variación aleatoria normal. En consecuencia, se precisa un
método que permita el análisis de toda la situación de proceso
usando una red neuronal y la clasificación de situaciones
divergentes lo antes posible para permitir al operario que comience
la búsqueda de la causa que ha llevado a esta situación.
Las soluciones sobre redes neuronales hasta ahora
aplicadas en la industria de la fabricación de papel no han dado
resultados satisfactorios. Analizar los resultados es tarea difícil
para el usuario; especialmente los resultados obtenidos por el
método SOM antes mencionado no son evidentes.
La solicitud de patente finlandesa 941058
(Taipale) presenta un método para el tratamiento especialmente de un
proceso de producción de papel. Según esta solicitud, un grupo de
resultados de medición del proceso es introducido en una red
neuronal, p. ej. una red perceptrón, y, mediante un algoritmo
especial, se corrigen unas variables ajustables para así corregir el
punto operativo del proceso. Los objetivos del método en cuanto a
la optimización directamente de la calidad del producto final, se
determina por medio de 100 - 300 mediciones por cada rodillo
mecánico.
La patente europea 815320 (Furumoto) expone un
método para controlar el proceso de una máquina de papel utilizando
una red neuronal. Un grupo de mediciones comprende valores
espectrales de las sustancias usadas, y las instrucciones sobre la
calidad del producto son transmitidas por medio de la red neuronal y
las señales de control correspondientes pasan también a una fase
denominada fase de preparación de la pasta. En este caso, también,
la calidad del producto es la variable de control primaria. Las
mediciones espectrales (ópticas) no son adecuadas para la
determinación de cambios químicos.
La especificación estadounidense 5,347,446 (lino)
presenta un sistema de regulación que se asemeja al proceso y se
basa en crear un modelo del proceso. Los cálculos producen una
función de coste escalar como resultado. En la práctica, el hecho
de crear un modelo es probablemente posible únicamente en el caso
de procesos limitados. No es posible crear un modelo para toda la
máquina de papel mediante este método.
En general, las experiencias sobre procesos de
control diseñados para controlar toda la máquina de papel no son
alentadoras. Entre otras cosas, los factores incidentales tienen un
efecto considerable en el proceso, lo que significa que una
corrección racionalmente calculada por sí misma produce más cambios
e inestabilidad.
El objetivo de la presente invención, tal y como
se define por las reivindicaciones independientes 1 y 9, es el de
conseguir un nuevo tipo de método que utilice una red neuronal en
un proceso de producción de papel donde el proceso pueda ser
analizado y vigilado con más facilidad y precisión que antes. La
idea básica de la invención es sólo el hecho de vigilar el proceso
de una manera fiable especialmente teniendo en cuenta su
ejecutabilidad. La tarea de vigilar la calidad del producto final
es confiada a otros procesos de medición porque una calidad elevada
de una buena situación del proceso por lo general siempre se
consigue cuando la situación del proceso en sí es igualmente
estable. El objetivo primario del método de la invención es el de
describir la ejecutabilidad de una máquina de papel. El instante en
que ocurre un cambio en las huellas digitales puede verse a partir
de los datos históricos, de modo que es posible hallar qué cambios
se han producido en las variables de salida en este instante. El
hecho de corregir una mala situación está fuera del objetivo de la
presente invención, porque corregir una variable de salida dada no
es una tarea directa ya que una diferencia dada puede ser el
resultado de muchos factores. Preferiblemente se utiliza la
habilidad local. El personal de cada planta conoce su planta, y
este conocimiento especial es importante cuando el proceso debe ser
corregido después de que halla entrado en una condición
inestable.
Las características del método de la invención
están presentadas en las reivindicaciones más abajo.
El vector de salida de la red neuronal es
procesado para producir una cantidad escalar o bien no ambigua. El
tratamiento consiste en aplicar un algoritmo matemático, y esto
puede hacerse usando un ordenador universal.
Según una forma de realización preferida, se
presenta al usuario una conversión polar de una cantidad de
diferencia continua, que expresa el estado y la historia del
proceso en una forma extremadamente concentrada. Según una tercera
forma de realización, la conversión polar mencionada y los conjuntos
de valores históricos son presentados juntos al usuario, de modo
que, cuando el proceso entra en un estado anormal, será más fácil
establecer la razón de ello. Incluso las causas secundarias de
inestabilidad del proceso pueden ser establecidas con frecuencia
utilizando la habilidad local porque el instante preciso en que
ocurre un cambio puede ser determinado por los datos históricos.
Preferiblemente se utiliza una red neuronal perceptrón
multicapa.
Las demás ventajas y formas de realización de la
invención serán descritas a continuación con ejemplos de formas de
realización.
A continuación, la invención se describirá con
detalle haciendo referencia a los dibujos anexos, donde
La Fig. 1 presenta una disposición general para
implementar el método de la invención,
la Fig. 2 presenta una interfaz de usuario
preferida a una red neuronal, especialmente una presentación que
reduce los datos del proceso en una forma concentrada.
Normalmente, se miden 20 - 30 cantidades
variables, consistentes en varios flujos, temperaturas,
consistencias y valores de pH y datos obtenidos a partir de
sensores preferiblemente electroquímicos, a partir del proceso de
producción. Estas cantidades variables forman un vector de entrada
(\upbar{x}, t) para una red neuronal, y se genera un vector de
salida (\upbar{y}, t) a partir de estos mediante la red neuronal.
Durante la fase de enseñanza, un vector de salida óptimo
(\upbar{y}_{0},t) ha sido establecido. El vector de salida
medido continuamente se compara con este vector de salida óptimo, y
la diferencia se produce en forma gráfica claramente visible para el
usuario. En la práctica, se ha descubierto que esta tarea puede ser
mejor realizada usando una red neuronal perceptrón multicapa (MLP),
y la diferencia que debe ser presentada en una forma gráfica es
generada como una cantidad escalar k=k(t) que expresa la
distancia geométrica entre la huella digital medida instantánea
(\upbar{y}, t) y la huella digital enseñada
(\upbar{y}_{0}).
La distancia geométrica se calcula p. ej. como
una distancia Euclídea.
k=\sqrt{\sum\limits_{n}(y_{i}-y_{io})^{2}}
Una conversión polar k(\varphi,t) está
determinada a partir de la cantidad escalar k=k(t) según la
fórmula: \varphi(t)= t/T * 2\pi, donde T es una tendencia
seleccionada r(t)=k.
La invención pertenece a un entorno de máquina de
papel como se presenta en la Fig. 1. En la mayoría de los casos, un
sistema según la invención para el uso junto con una máquina de
papel 1 puede ser construido usando ordenadores universales
provistos de un monitor 5 que están provistos de una aplicación que
implementa una red neuronal 2, unos medios de cálculo 3 y una
memoria 4. El sistema está conectado a la máquina de papel 1 en
parte usando canales de medición existentes, en parte mediante
sensores de medición instalados para este propósito. En este
ejemplo, preferiblemente un sensor electroquímico
multi-canal 7 está conectado a la circulación corta
de la máquina de papel. El control 6 y la instalación de la red
neuronal 2 son preferiblemente implementados usando bien el mismo
ordenador o uno separado. El sistema roto, caja de entrada, sección
de cable y sección de presión son medidos al menos mediante los
datos del proceso. Las mediciones electroquímicas en al menos
algunos de ellos proporcionan una adición sustancial a los datos
iniciales. Considerando la última información, la medición del olor
emitido por los líquidos del proceso también parece prometedora. Las
mediciones electroquímicas incluyen polarización, mediciones
galvanoestático o sólo de potencial de reposo.
La dimensión del vector de salida de la red
neuronal está generalmente en la gama de 3 - 15; en los ejemplos en
las Fig. 1 y 2, es 3 (con 21 cantidades de entrada). La dimensión
mínima es el número de categorías que deben distinguirse.
La Fig. 2 presenta una interfaz de usuario
preferida a la red neuronal, en la que un grupo de datos
cuidadosamente seleccionado es mostrado de forma gráfica al usuario.
En este ejemplo, un conjunto de barras 11, "Perfil graduado",
en la parte derecha superior del monitor representa una huella
digital constante con una buena situación del proceso, es decir
valores adimensionales de las cantidades medidas presentadas como
barras. De forma correspondiente, se visualiza a la izquierda un
conjunto de barras 12, "Perfil en línea", donde los valores
medidos instantáneamente se presentan como valores adimensionales y
barras. Se presenta en la parte izquierda inferior del monitor un
tercer conjunto de barras 14, "Perfil de diferencia", que
muestra la diferencia entre cada valor medido y el valor
correspondiente óptimo de la huella digital como una barra
correspondiente. Las series de barras pueden naturalmente
presentarse como una curva continua, aunque en ambos casos se
presenta la misma información.
Observando las series de barras en sí,
prácticamente no es posible vigilar el proceso porque cualquier
cambio que pueda ocurrir se traduce en pérdidas en la variación
aleatoria. En cambio, al usuario se le ofrece una información muy
concentrada sobre la situación del proceso por medio de un gráfico
10, "Radar de calidad", en el que una cantidad de diferencia
dependiente del tiempo se presenta como una conversión polar
k(\varphi,t). Puesto que el punto que representa la
cantidad de diferencia obtenida está circulando cerca del origen,
el proceso está bien controlado. En una situación anormal, el punto
se moverá desde el origen. Los cambios en la cantidad de diferencia
pueden ser fácilmente detectados en un periodo de tendencia cuya
longitud está seleccionada p. ej. de tal modo que cubra tres turnos
de trabajo.
Además, el monitor presenta un grupo de valores
históricos 13, "Diagrama de colores", que muestra unas barras
que han sido generadas a partir de las cantidades medidas (x_{i})
en un periodo temporal correspondiente al mismo orden que la
tendencia, valores de medición sucesivos que son visualizados como
una barra 13' de información sobre la luminosidad/color donde cada
valor (x_{i},t_{n}) está mostrado como una línea transversal con
la correspondiente luminosidad/color. Si la luminosidad/color de la
barra no variara, entonces su valor no ha varia, mientras que los
cambios confirmados son claramente visibles como variaciones de
color/luminosidad de la barra. Además, cada barra en el grupo de
valores históricos pueden ser presentados como una curva separada
15 según la selección 15'.
Además de la cantidad escalar k=k(t)
dependiente del tiempo, naturalmente otros parámetros pueden
también ser calculados, aunque, por otra parte, cualquier
información extra del resultado puede ser confusa para el
usuario.
Puesto que la ejecutabilidad de la máquina está
influida por las cargas de superficie electroquímica que están
presentes en rodillos diferentes, cables y fieltros y que, con el
tiempo, también provocan la acumulación de suciedad en la máquina,
la alternativa más ventajosa probablemente será la medir los
valores electroquímicos de los materiales iniciales, especialmente
los de los flujos de líquido en la producción de pasta y aguas de
proceso, como entradas para la red neuronal. La detección de olor de
las aguas también será ventajosa con respecto a lo anterior porque
algunos cambios, p. ej. las reacciones microbiológicas, producen un
rastro de olor diferente antes de que puedan ser discernidas en la
electroquímica.
Claims (9)
1. Método para vigilar y analizar un proceso de
producción de papel, en el cual:
- un gran número de cantidades (xi,t) son medidas a partir del proceso,
- las cantidades medidas (xi,t) son introducidas como un vector de entrada (\upbar{x},T) en una red neuronal (2), que, como respuesta produce un vector de salida instantáneo (\upbar{y},t) como una cantidad continua representativa de una huella digital instantánea medida,
- al menos un vector de salida óptimo (\upbar{y}_{o},t) representativo de una huella digital enseñada y constante con una buena situación de proceso en cuanto a la ejecutabilidad, es determinado y almacenado en la memoria.
- al menos un vector de salida óptimo almacenado (\upbar{y}_{o},t) y el vector de salida instantáneo (\upbar{y},T) obtenido en una situación de proceso normal son comparados sustancialmente en tiempo real,
- en base al resultado de la comparación, se determina una diferencia que debe ser presentada en una forma gráfica al usuario,
caracterizado por el hecho
de que se determina una cantidad k=k(t) continua dependiente
del tiempo que debe ser presentada como resultado al usuario como
una distancia geométrica entre el vector de salida instantáneo
(\upbar{y},t) y vector de salida óptimo almacenado
(\upbar{y}_{o},t), y dicha cantidad k=k(t) continua
dependiente del tiempo para el periodo de una tendencia T
seleccionada es mostrada visualmente por medio de un monitor al
usuario.
2. Método según se define en reivindicación 1,
caracterizado por el hecho de que una red perceptrón
multicapa (MLP) está seleccionada como la red neuronal que se debe
utilizar.
3. Método según se define en reivindicación 1 o
2, caracterizado por el hecho de que una conversión polar
k(\varphi,t) que debe ser presentada en una forma gráfica
está generada a partir de dicha cantidad k=k(t) como
sigue:
\varphi(t)= t/T * 2\pi, T dónde es la
tendencia seleccionada r(t)=k.
4. Método según se define en la reivindicación 3,
caracterizado por el hecho de que un grupo de valores
históricos es determinado a partir de las cantidades medidas
(x_{i},t_{n}) en un periodo temporal correspondiente al mismo
orden que la tendencia, ahorrando periódicamente el valor
adimensional (y_{i},t_{n}) de cada cantidad de entrada, que se
almacena y codifica para producir información sobre la
luminosidad/color, dichos valores siendo visualizados gráficamente
uno tras otro como una barra (13') donde cada valor
(y_{i},t_{n}) es visible como una línea transversal o área
similar con una correspondiente luminosidad/color.
5. Método según se define en la reivindicación 4,
caracterizado por el hecho de que un gráfico de la
conversión polar k(\varphi,t) y de las barras históricas
(13) es presentado al usuario al mismo tiempo, especialmente por
medio del mismo monitor.
6. Método según se define en cualquiera de las
reivindicaciones precedentes 3 - 5, caracterizado por el
hecho de que la información presentada al usuario en el mismo
monitor adicionalmente comprende las cantidades medidas y la buena
huella digital como conjuntos de valores convertidos en una forma
adimensional y gráfica, p. ej. en secuencias de barras (11,
12).
7. Método según se define en cualquiera de las
reivindicaciones precedentes 2 - 6, caracterizado por el
hecho de que se presenta al usuario en forma gráfica un grupo de
cantidades de diferencia
(\upbar{y}_{o}-\upbar{y}) y una secuencia de
tiempos.
8. Método según se define en cualquiera de las
reivindicaciones precedentes 1 - 7, caracterizado por el
hecho de que la dimensión del vector de salida de la red neuronal
está en la gama de 3 - 10, preferiblemente igualando el número de
categorías que deben ser distinguidas.
9. Sistema para vigilar y analizar el proceso de
producción de papel en una máquina de papel (1), donde dicho sistema
comprende:
- una red neuronal (2) con entradas para la recepción de un gran número de cantidades (xi,t) medidas del proceso, como un vector de entrada (\upbar{x},t), y con salidas para la obtención de una respuesta en forma de un vector de salida instantáneo (\upbar{y},t) representativo de una huella digital medida instantánea,
- medios de cálculo (3) para el tratamiento de la respuesta,
- medios de almacenamiento (4) para el almacenamiento de al menos un vector de salida óptimo (o,t), representativo de una huella digital enseñada y constante con una buena situación de proceso con respecto a la ejecutabilidad,
- medios para comparar, sustancialmente en tiempor real, al menos un vector de salida óptimo almacenado (\upbar{y}_{o},t) y un vector de salida instantáneo (\upbar{y},T) obtenidos en una situación de proceso normal y para determinar, en base a la comparación, una diferencia que se debe presentar al usuario,
- un monitor (5) para mostrar la diferencia en una forma gráfica,
caracterizado por el hecho de que dicha
red neuronal (2) está adaptada para implementar una red perceptrón
multicapa (MLP), y los medios de cálculo (3) está adaptados para
determinar una cantidad escalar k=k(t) continua dependiente
del tiempo como una distancia geométrica entre el vector de salida
instantáneo (\upbar{y},t) y el vector de salida óptimo almacenado
(\upbar{y}_{o},t), y de que el monitor (5) está adaptado para
mostrar visualmente dicha cantidad escalar k=k(t).
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20000796 | 2000-04-05 | ||
FI20000796A FI20000796A (fi) | 2000-04-05 | 2000-04-05 | Menetelmä ja järjestelmä paperinvalmistusprosessin monitoroimiseksi ja analysoimiseksi |
US24191900P | 2000-10-20 | 2000-10-20 | |
US241919P | 2000-10-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2228845T3 true ES2228845T3 (es) | 2005-04-16 |
Family
ID=26160985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES01925598T Expired - Lifetime ES2228845T3 (es) | 2000-04-05 | 2001-04-04 | Metodo y sistema para vigilar y analizar un proceso de fabricacion de papel. |
Country Status (9)
Country | Link |
---|---|
US (1) | US6792388B2 (es) |
EP (1) | EP1290507B1 (es) |
AT (1) | ATE275740T1 (es) |
AU (1) | AU2001252298A1 (es) |
CA (1) | CA2404968C (es) |
DE (1) | DE60105421T2 (es) |
ES (1) | ES2228845T3 (es) |
PT (1) | PT1290507E (es) |
WO (1) | WO2001075222A2 (es) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20025023A (fi) * | 2001-08-21 | 2003-02-22 | Liqum Oy | Menetelmä paperi- tai selluprosessissa massa- ja kiertovesijärjestelmän kemiallisen tilan hallitsemiseksi |
FI115081B (fi) * | 2001-10-19 | 2005-02-28 | Metso Automation Oy | Menetelmä ja laitteisto paperikoneen massaosaston toiminnan ohjaamiseksi |
WO2004019779A1 (ja) * | 2002-08-27 | 2004-03-11 | Dainippon Pharmaceutical Co., Ltd. | バイタルサイン表示装置およびその方法 |
FI20021901A0 (fi) | 2002-10-24 | 2002-10-24 | Liqum Oy | Menetelmä prosessin valvomiseksi |
DE10305596A1 (de) * | 2003-02-11 | 2004-09-02 | Voith Paper Patent Gmbh | Verfahren zum Erstellen einer standardisierten Zustandsanalyse von bei der Herstellung einer Faserstoffbahn die Qualität der herzustellenden Faerstoffbahn beeinflussenden Parametern und/oder Betriebszuständen und Maschine zur Durchführung des Verfahrens |
US7050875B2 (en) * | 2003-07-01 | 2006-05-23 | General Electric Company | System and method for detecting an anomalous condition |
US20050004684A1 (en) * | 2003-07-01 | 2005-01-06 | General Electric Company | System and method for adjusting a control model |
US6980874B2 (en) * | 2003-07-01 | 2005-12-27 | General Electric Company | System and method for detecting an anomalous condition in a multi-step process |
US6993404B2 (en) * | 2003-07-11 | 2006-01-31 | Mks Instruments, Inc. | Graphical user interface with process quality indicator |
DE102004020495A1 (de) * | 2004-04-26 | 2005-11-24 | Siemens Ag | Verfahren und Anlage zur Aufbereitung von Altpapier |
DE102009011217A1 (de) | 2009-03-04 | 2010-09-09 | Siemens Aktiengesellschaft | Steuerung der erweiterten Trockenpartie einer Papiermaschine |
EP3392405A1 (de) * | 2017-04-18 | 2018-10-24 | Siemens Aktiengesellschaft | Verfahren zum betrieb einer papiermaschine, antriebssystem und papiermaschine |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5347446A (en) * | 1991-02-08 | 1994-09-13 | Kabushiki Kaisha Toshiba | Model predictive control apparatus |
US5671335A (en) * | 1991-05-23 | 1997-09-23 | Allen-Bradley Company, Inc. | Process optimization using a neural network |
DE19510009C2 (de) * | 1995-03-23 | 2000-05-11 | Siemens Ag | Verfahren und Vorrichtung zur Prozeßführung einer Papiermaschine |
DE59712546D1 (de) * | 1997-07-31 | 2006-04-06 | Sulzer Markets & Technology Ag | Verfahren zum Überwachen von Anlagen mit mechanischen Komponenten |
US5960381A (en) * | 1998-07-07 | 1999-09-28 | Johnson Controls Technology Company | Starfield display of control system diagnostic information |
-
2001
- 2001-04-04 US US10/240,688 patent/US6792388B2/en not_active Expired - Fee Related
- 2001-04-04 CA CA2404968A patent/CA2404968C/en not_active Expired - Fee Related
- 2001-04-04 ES ES01925598T patent/ES2228845T3/es not_active Expired - Lifetime
- 2001-04-04 PT PT01925598T patent/PT1290507E/pt unknown
- 2001-04-04 EP EP01925598A patent/EP1290507B1/en not_active Expired - Lifetime
- 2001-04-04 AT AT01925598T patent/ATE275740T1/de active
- 2001-04-04 WO PCT/FI2001/000324 patent/WO2001075222A2/en active IP Right Grant
- 2001-04-04 DE DE60105421T patent/DE60105421T2/de not_active Expired - Lifetime
- 2001-04-04 AU AU2001252298A patent/AU2001252298A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
CA2404968C (en) | 2011-08-30 |
US20030139904A1 (en) | 2003-07-24 |
EP1290507A2 (en) | 2003-03-12 |
DE60105421T2 (de) | 2005-09-22 |
PT1290507E (pt) | 2005-01-31 |
WO2001075222A2 (en) | 2001-10-11 |
EP1290507B1 (en) | 2004-09-08 |
DE60105421D1 (de) | 2004-10-14 |
CA2404968A1 (en) | 2001-10-11 |
ATE275740T1 (de) | 2004-09-15 |
US6792388B2 (en) | 2004-09-14 |
WO2001075222A3 (en) | 2001-12-13 |
AU2001252298A1 (en) | 2001-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2228845T3 (es) | Metodo y sistema para vigilar y analizar un proceso de fabricacion de papel. | |
ES2393350T3 (es) | Procedimiento y sistema para estimar el desgaste de ejes de un brazo de robot | |
EP3716275B1 (en) | System and method for monitoring and quality evaluation of perishable food items | |
US20210223167A1 (en) | Sensor system and method | |
Chen et al. | Multivariate regression model for industrial process measurement based on double locally weighted partial least squares | |
ES2240702T3 (es) | Procedimiento para el control y el accionamiento de un proceso tecnico. | |
Shi et al. | A multivariable statistical process monitoring method based on multiscale analysis and principal curves | |
WO2016147804A1 (ja) | 液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械 | |
KR20200041515A (ko) | 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 | |
Qian et al. | Multichannel profile-based monitoring method and its application in the basic oxygen furnace steelmaking process | |
RU2652701C1 (ru) | Устройство дистанционного контроля параметров условий труда в условиях загазованности | |
Sunori et al. | Machine learning based prediction of soil pH | |
Gomm et al. | Diagnosis of process faults with neural networks and principal component analysis | |
JP2006112996A (ja) | 近赤外分光分析装置 | |
Garza-Ulloa et al. | A mathematical model for the validation of the ground reaction force sensor in human gait analysis | |
Kadlec et al. | Gating artificial neural network based soft sensor | |
CN105259135B (zh) | 适用于实时在线的无测点温度补偿近红外测量方法 | |
CN112782256A (zh) | 用于腐蚀监测的多参数探头、腐蚀检测系统 | |
Antsyferov et al. | Algorithms for monitoring the functioning of nonequilibrium information processing systems | |
Rius et al. | Application of time series models to the monitoring of a sensor array analytical system | |
Abdulaziz et al. | Application of group control charts for multiple parts manufacturing | |
Van der Meij et al. | A genetic algorithm for solving slope stability problems: From Bishop to a free slip plane | |
US20240167878A1 (en) | Monitoring procedure for quality monitoring of measurement spectra | |
Liukkonen et al. | Advanced monitoring and diagnosis of industrial processes | |
JP2017026433A (ja) | 非接触温度測定方法 |