Pantarein en UGent slaan de handen in elkaar om digitale tools naar de praktijk te brengen: Het Eautomate project.

In het kader van ‘water as a service’, waarbij Pantarein reeds 35 waterzuiveringsinstallaties continu opvolgt, werd het project Eautomate ontwikkeld. In dit project werken Pantarein en de BIOMATH onderzoeksgroep van de UGent samen om de zuiveringen op een intelligentere manier te laten draaien. Dit project past geheel in de filosofie van de continue verbetering van de werking van waterzuiverings- en hergebruikinstallaties.

Het project ging van start in september 2020 en heeft een duurtijd van 2 jaar.

Met industry 4.0 in volle ontplooiing kondigt een verregaande digitalisatie van industriële waterzuiverinsinstallaties zich aan. In het door VLAIO gesubsidieerde O&O project Eautomate worden bestaande digitale tools toegepast en naar de praktijk gebracht. Digitalisatie is uiteraard een ruim begrip. Wat we in dit project willen bewerkstelligen is een link maken tussen monitoring van installaties (on-line en off-line) en optimale procescontrole gebruik makend van wiskundige modellen, die wanneer ze embedded worden in de SCADA, bestempeld worden als “digital twins”. Wiskundige modellen kunnen hierbij verschillende vormen aannemen. Vooreerst zijn er mechanistische of fysisch-gebaseerde modellen die geënt zijn op fysische wetmatigheden. Daarnaast zijn er data-gedreven modellen die, zoals de naam doet vermoeden, relaties tussen grootheden opstellen die uit een rijke dataset komen (idealiter hoog frequente on-line metingen). Die laatste worden typisch gebruikt wanneer veel data voorhanden is, maar ook wanneer de te beschrijven fenomenen te complex zijn en nog niet volledig doorgrond. Er zijn verschillende mogelijke technieken om dergelijke data-gedreven  modellen op te stellen die resideren onder de noemer van artificiële intelligentie (AI). De expertise zit hem in het kiezen van de juiste techniek om de kennis uit de data te capteren. Een mogelijk nadeel van data-gedreven modellen is dat ze enkel steunen op data en de onderliggende fysische wetmatigheden van het proces niet meenemen. Hierdoor is hun toepassing vaak beperkt tot procescondities waarvoor voldoende data voorhanden is, extrapolatie naar nieuwe of zeldzame situaties is minder betrouwbaar. Om het beste van de fysische wereld en de AI wereld te genereren, kan men data-gedreven modellen en mechanistische modellen ook combineren in zogenaamde “hybride” modellen. Een model ontwikkelen (data-gedreven, mechanistisch of hybride) met voldoende voorspellende kracht, vormt dan ook de uitdaging in een eerste stap in het project. Een digital twin wordt ontwikkeld van enerzijds een biologische zuivering met een combinatie van SBR-MBR (Boortmalt) en anderzijds voor een RO-installatie (brouwerij Huyghe). In de eerste casus bekijken we zowel het biologische proces, maar ook de impact van de biologie op het vervuilingsproces van de membranen. In de 2^e casus bekijken we het biofoulinggedrag van de RO-membranen. Het ontwikkelen van proceskennis en het incorporeren van reeds aanwezige kennis in digital twins staat hierbij centraal.

In een tweede deel van het project is het doel om de opgedane kennis te gaan vertalen in beslissingsondersteunende acties of met andere woorden in de automatische regeling van de processen. De ontwikkelde digital twins laten toe om in silico regelstrategieën te ontwikkelen. Bovendien exploreren we concepten zoals “soft sensoren”, zijnde virtuele metingen van  grootheden die niet rechtstreeks online meetbaar zijn (bij gebrek aan on-line hard sensor). Op basis van andere wel beschikbare on-line sensoren en op basis van de relaties tussen variabelen die opgenomen zijn in het model wordt een indirecte meting bekomen van de moeilijk te meten variabelen. Dat is één manier om digital twins aan te wenden. Een andere manier is om ze in te zetten bij modelgebaseerde regeling, een onderdeel van moderne controletechnieken die verder gaan dan de klassieke PID regelaars. I.p.v. enkel eenvoudige wiskundige bewerkingen uit te voeren op de regelfout (zoals bij PID regeling), maakt modelgebaseerde regeling ten volle gebruik van alle proceskennis in de digital twin en maakt hij een voorspelling van het systeemgedrag en het effect van toekomstige regelacties voor verschillende tijdstappen in de toekomst.  Zodoende kan de regelaar heel gericht compenseren voor een afwijking van de wenswaarde binnen een dynamische procescontext. Bovendien werkt een dergelijke regelstrategie met een doelfunctie, wat het mogelijk maakt ook kosten (bv: gebruik van chemicaliën, beluchting, slibverwerking…) mee te nemen bij het nemen van regelbeslissingen. Op die manier kan multicriteria beslissing worden meegenomen in de regeling zelf. Dit vergt uiteraard wel het includeren van een OPEX berekening in de digital twin, wat vrij eenvoudig als een extra laag kan worden geïncorporeerd en getoetst met reële kosten data.

Met dit project krijgt digitalisatie meer een gezicht daar waar het vaak een vaag begrip blijkt. Geavanceerde proceskennis wordt opgebouwd en via een wiskundig model ingezet om automatische en kosten-efficiënte regeling te bewerkstelligen waar zowel de klant als de plant-operator wel bij vaart.