Anomaly detection in sensory data and Automatic tuning of CIP time parameter

Abstract

Denne oppgaven presenterer gjeldende spesifikasjoner for Cleaning-in-place-stasjonen (heretter kalt CIP) som ligger i Tine Tunga-anlegget i Norge. Anlegget har en rikelig mengde av data generert gjennom den daglige driften. Hovedmålet med denne oppgaven er å bruke disse dataene til å integrere ny teknologi som dyplæringsmodeller, for å opprettholde tilstrekkelig faseskifting i trinn 14 og 15 i rensesekvensen i CIP-enheten. I tillegg, vil den oppdage unormale data fra konduktivitetssensoren.

Autoencoder nevrale nettverk med skjulte LSTM-lag har blitt brukt for å oppdage anomalier i konduktivitetssensoren som er plassert ved CIP-stasjonen for kurs 1. LSTM-nevrale nettverk har blitt brukt for å forutsi konduktivitetsmåling på innløpet til tank 13. Forutsigelsene brukes til å beregne tiden vaskemiddelet fra CIP-stasjonen i trinn 14 bruker på å nå tankens innløp i trinn 15. Tiden mellom disse trinnene er definert som "Tur1". Oppsettet av OPC DA-UA gatewaykommunikasjon mellom modellapplikasjonene og den tidligere eksisterende OPC DA-serveren, muliggjorde overføring av sensoriske data og CIP-parametere.

Et sett med eksperimenter med ulike hyperparametre for nettverksstruktur og læringsalgoritmer er implementert for å forbedre ytelsen til de første modellene som brukes for avviksdeteksjon, og prediksjon av fremtidige konduktivitetsmålinger

Resultatene fra eksperimentene illustrerer en klar forbedring ved bruk av flere lag i nevrale nettverke. Disse flerlagsmodellene har blitt brukt til å oppfylle oppgaven med å oppdage avvik for sensoriske data og justere "Tur1"-tidsparameteren basert på prediksjonen for konduktivitetssensoren i forløpet i tank 13.

This thesis presents the current specifications of the Cleaning-in-place station (hereafter named CIP) located in the Tine Tunga plant, Norway. The plant has an abundance of data generated throughout its daily operations. The primary aim of this thesis is to use this data to integrate new technology such as deep learning models to maintain sufficient phase shifting in steps 14 and 15 of the cleaning sequence in the CIP unit and detect anomalous data from the conductivity sensor.

Autoencoder neural network with hidden LSTM models has been used for detecting anomalies in the conductivity sensor located at the CIP station for course 1. Moreover, LSTM neural networks have been applied to predict conductivity measurement on the inlet of the cleaning object tank 13. The predictions are used to calculate the time the detergent from the CIP station in step 14 takes to reach the tank's inlet in step 15. The time between these steps is defined as “Tur1”. The setup of OPC DA-UA gateway communication between the model applications and the previously existing OPC DA server enabled transferring of sensory data and CIP parameters.

A set of experiments with various hyperparameters for network structure and learning algorithms have been implemented to improve the performance of the initial models used for anomaly detection and prediction of future conductivity measurements

The results from the experiments illustrate a clear improvement when deploying multilayered neural networks. These multilayered models have been used to fulfill the task of anomaly detection for sensory data and created a solution for tuning the “Tur1” time parameter.