Automatic Bearing Fault Detection

GWOC uses the WABI-WABI to perform automated tests and measurements on rolls that aim at finding bearing defects. The analysis of the measurements is still done by GWOC personnel. This analysis is time consuming, and GWOC is not able to detect any other defects than outer ring defects. The main question in this report was whether it would be possible to automate the analysis of measurements (by a computer algorithm), and under what conditions this algorithm would perform better than the current GWOC method. An Automatic Bearing Fault Detection Algorithm, based on the HFRES technique has been developed. The performance was evaluated using 100 measurements of bearings. Evaluation on these measurements indicate that it will perform slightly better than the current GWOC method: in 43% of the cases it was conservative (against 46% with the current GWOC method). Not unimportantly, the work as described in this report has made it more clear how to improve the detection performance.


In the realm of machinery reliability and performance, the timely detection of bearing faults stands as a pivotal factor in averting catastrophic failures and minimizing operational downtime. However, the effectiveness of fault detection algorithms is often contingent upon the intricacies of the testing environment. This paper delves into the development and evaluation of an Automatic Bearing Fault Detection Algorithm, specifically tailored to grapple with the challenges posed by the GWOC test setup.

The GWOC test configuration introduces unique complexities, notably a broad frequency range and variations in vibration patterns across distinct bearings. Addressing these challenges becomes imperative for accurate and reliable fault detection. The overarching objective of our study is to introduce an algorithm capable of not only replicating but also augmenting the bearing fault detection performance observed in the GWOC test conditions.

Therefore our research question is: Can the bearing fault detection be automated, such that the above requirements are satisfied, and if so, can it improve over the current GWOC method?

To answer this question, we have the following subquestions:

  • What are the necessary conditions for a successful implementation of the HFRES technique?
  • What is a suitable Automatic Bearing Fault Detection Algorithm, and are there possibilities to improve it (better performance, and ability to detect inner ring faults and ball bearing faults)?

The HFRES detection method

The High Frequency Resonance Envelope Spectrum (HFRES) technique stands out as a robust approach for monitoring vibration measurements, particularly in the context of detecting bearing defects. Its effectiveness lies in its ability to distinguish vibrations originating from a faulty bearing amidst the broader spectrum of mechanical elements. This success has established HFRES as a reliable method in various industries.

Understanding Bearing Defects

Before delving into the HFRES technique, it’s crucial to comprehend the common types of defects found in bearings. Defects can arise from fatigue, wear, poor installation, improper lubrication, and various other factors affecting components like the outer race, inner race, cage, and rolling element, see figure 1. Each of these defects manifests differently in vibration measurements, influencing the overall mechanical system.

Figure 1: Bearing components.

The HFRES approach relies on the concept of Defect Frequencies, derived from parameters like the Pitch Diameter and Rotating Frequency. These frequencies help identify defects in bearing components by analyzing the Envelope Spectrum.

Defect Frequencies

When a bearing rotates, it generates periodic frequencies known as Fundamental Defect Frequencies. The associated Defect Multipliers, such as Ball Pass Frequency of the Outer race (BPFO) and Inner race (BPFI), provide critical information for defect identification. The Envelope Spectrum, derived through AM demodulation, becomes instrumental in detecting defects by highlighting resonances within the frequency range of 10 Hz to 50 KHz.

However, practical considerations, such as mechanical misalignment or poor speed control, may lead to discrepancies between calculated and observed frequencies. Mechanical Looseness and its harmonics, often identified as harmonics of 1x the Rotating Frequency, further add complexity to the Envelope Spectrum.

HFRES Technique Steps

The HFRES technique involves two main blocks: AM Demodulation and Signal Analysis. The former processes vibration measurements to create the Envelope Spectrum, while the latter analyzes this spectrum for occurrences of Fundamental Defect Frequencies.

AM Demodulation encompasses band-pass filtering, envelope detection, and Fast Fourier Transform (FFT). Following this, Signal Analysis utilizes various techniques like narrow-band filtering and crest factor analysis to identify defects.

Implementation Conditions

Successful HFRES implementation requires specific conditions, including the absence of Mechanical Looseness, constant Rotating Frequency, known Resonance Frequencies, and well-mounted accelerometers. A pre-analysis of GWOC measurements confirms the presence of Mechanical Looseness and uncertainty in Rotating Frequency, highlighting the challenges in implementing the HFRES technique.


A set of 100 vibration measurements, specifically provided by GWOC to DotX, forms the basis for designing the Automatic Bearing Fault Detection Algorithm. Each of these measurements corresponds to bearings that underwent Visual Inspection, providing crucial feedback on the actual status of the bearings—whether they are faulty or in good condition. This integration of real-world feedback adds a layer of authenticity to the analysis, allowing for a more robust evaluation of the HFRES technique’s performance on bearings with known conditions.

The Envelope spectrum of two bearings were computed in order to determine whethere detect frequencies could be spotted in the low frequency spectrum. First, a bearing that is known to be good is analysed, see figure 2. Second, a bearing that is known as bad is analysed, see figure 3. We can see that the difference between a good and a faulty bearing is more obvious in the envelope spectrum.

Figure 2: Bearing with no defect.

Figure 3: Bearing with defect.

Conclusion of HFRES Detection Method

The analysis of GWOC measurements using the HFRES technique underscores the potential of this method in detecting bearing defects. The Envelope Spectrum proves to be a valuable tool, surpassing the limitations of the Original Spectrum in distinguishing between good and faulty bearings. However, challenges such as Mechanical Looseness and uncertainty in Rotating Frequency necessitate careful consideration for a reliable implementation.

The Automatic Bearing Fault Detection Algorithm

In this chapter, we delve into the intricate design of the Automatic Bearing Fault Detection Algorithm utilizing the High-Frequency Resonance Envelope Spectrum (HFRES) technique. The prerequisites for the successful implementation of the HFRES technique are established. The analysis presented in Chapter 2 highlights that the GWOC test setup fails to comply with these conditions. Nevertheless, the development of an algorithm capable of either replicating or surpassing the GWOC Bearing Fault Detection performance in the existing test setup conditions is deemed feasible. To achieve this, several steps are proposed in the algorithm design to accommodate the limitations of the test setup, see a overview of the algorithm in figure 4.

Figure 4: Automatic Bearing Fault Detection.

AM Demodulation

The AM Demodulation block contains a bandpass filter from 100 Hz to 8000 Hz, outputs the absolute value of the band pass filtered signal, a low pass filter at 5.5 timer the largest defect frequency to include at least 5 harmonics and a FFT of the low pass filtered signal.

Envelope Spectrum Processing

Prior to Signal Analysis, enhancements in the Envelope Spectrum are proposed through preprocessing. A band-pass filter is applied directly to the spectrum to eliminate bias and noise. Standard filters, though effective, tend to distort phase, which is unacceptable for this application. Therefore, a non-causal filter is employed to maintain the integrity of the Envelope Spectrum, ensuring accurate defect peak detection. See in figure 5 the original Envelope Spectrum and the processed Envelope Spectrum.

Figure 5: Original and processed Envelope Spectrum.

Peak Detection and Defect Search

The algorithm incorporates a two-step process for peak detection and defect search. The first step identifies high-amplitude peaks in the processed Envelope Spectrum. Relevant peaks are selected using the ‘peakdet’ algorithm, distinguishing between high-amplitude peaks and low-amplitude noise. An initial selection of bearings as good, faulty, or undecided is made based on the amplitude differences between positive and negative peaks.

The second step involves the Defect Search algorithm, which utilizes defect multipliers and Rotating Frequency to identify potential defects in the bearing. The algorithm outputs the peaks found for each Defect Frequency harmonic, facilitating further analysis.

Decision Making

The Decision Making block refines the results from the Defect Search algorithm. It deletes occurrences of Rotating Frequency peaks that could be attributed to Mechanical Looseness. If any of the vectors related to specific defect frequencies (BSF, BPFO, or BPFI) contains more than one element, the bearing is diagnosed as faulty; otherwise, it is deemed good. This step ensures accurate diagnosis, considering the harmonics inherent in defects.

Tuning Parameters

Tuning parameters play a crucial role in optimizing the algorithm’s performance. The ’threshold’ factor in the Peak Detection step can be adjusted to include more or fewer peaks in the analysis, impacting Conservativeness. If Mechanical Looseness is expected, a decrease in the threshold may be beneficial.

The maxdev value in the Defect Search step accounts for the uncertainty in Rotating Frequency. Adjusting maxdev based on the expected uncertainty helps fine-tune Conservativeness. During the algorithm’s design, these tuning parameters were meticulously set to achieve optimal performance.

The overall solution block diagram is illustrated in Figure 3.1, showcasing the intricate interplay of components in the Automatic Bearing Fault Detection Algorithm. This algorithm, designed to navigate the complexities of the GWOC test setup, stands poised to deliver robust and accurate results in the realm of bearing fault detection.


The Automatic Bearing Fault Detection Algorithm’s performance is assessed against the identical measurement set used for GWOC Bearing Fault Detection. The obtained performance indexes, with the specified tuning parameter values, are displayed in Table 4.1.

GWOCAutomatic Bearing Fault Detection Algorithm
Table 4.1: Automatic Bearing Fault Detection Algorithm Performance.


In summary, the Automatic Bearing Fault Detection Algorithm, designed based on the HFRES technique, demonstrates competitive performance in comparison to the GWOC standard. The careful consideration of tuning parameters allows for customization, balancing conservativeness and failure rates, but highlights the algorithm’s sensitivity to uncertainties in Rotating Frequency and Mechanical Looseness.

Wat kan AI voor mijn bedrijf betekenen?

In de snel evoluerende wereld van technologie staat Kunstmatige Intelligentie (AI) centraal in innovatie en transformatie. We horen en lezen er veel over. Maar wat betekenen al die termen die gebruikt worden? En nog veel belangrijker: wat betekent het voor mijn bedrijf; waar kan of moet ik gebruik maken van AI om mijn bedrijf vooruit te helpen? Dit artikel biedt een beknopt overzicht van wat AI inhoudt en belicht de potentie ervan voor onze klanten. AI, een tak van informatica die machines in staat stelt te leren en intelligent gedrag te vertonen, heeft het vermogen om onze dagelijkse interacties en bedrijfsprocessen te veranderen.

De termen

Binnen het uitgestrekte domein van kunstmatige intelligentie (AI) en geavanceerde technologieën worden we vaak geconfronteerd met een complex netwerk van termen. Met het doel helderheid te verschaffen en een dieper inzicht te bieden, focust dit hoofdstuk op vier fundamentele begrippen die de kern vormen van de AI-revolutie. We zullen gedetailleerd ingaan op de definities en onderlinge relaties van AI, generative AI, machine learning en neurale netwerken.

Artificial Intelligence

AI staat voor Artificial Intelligence of Kunstmatige Intelligentie, dat verwijst naar het brede veld van computerwetenschap dat zich richt op het ontwikkelen van computersystemen die taken kunnen uitvoeren die normaal gesproken menselijke intelligentie vereisen. Dit omvat verschillende technieken zoals machine learning, neurale netwerken, natuurlijke taalverwerking, computer vision en meer.

Generative AI

Generative AI is een subset van AI die specifiek gericht is op het genereren van nieuwe inhoud, zoals afbeeldingen, tekst, geluiden, enzovoort. Het verschil tussen algemene AI en generatieve AI ligt in het doel van de systemen: terwijl algemene AI vaak wordt ingezet om een breed scala aan taken uit te voeren, richt generatieve AI zich op het genereren van nieuwe, originele inhoud op basis van de gegevens die het heeft geleerd tijdens het trainingsproces.

Generatieve AI maakt vaak gebruik van technieken zoals generative adversarial networks (GANs), variational autoencoders (VAEs), reinforcement learning, en andere methoden om nieuwe inhoud te produceren die lijkt op de gegevens waarop het is getraind, maar die toch uniek en creatief is.

Machine learning

Machine learning (ML), of machinaal leren, is een tak van kunstmatige intelligentie (AI) die zich richt op het ontwikkelen van algoritmen en technieken waarmee computers kunnen leren van gegevens en patronen kunnen identificeren zonder expliciet geprogrammeerd te worden voor specifieke taken.

Het kernidee achter machine learning is dat computersystemen patronen in gegevens kunnen ontdekken en leren om voorspellingen te doen of taken uit te voeren op basis van die patronen.

In plaats van expliciete instructies te krijgen over hoe ze een specifieke taak moeten uitvoeren, krijgen machine learning-algoritmen datasets met voorbeelden waarvan ze kunnen leren. Deze voorbeelden worden gebruikt om een model te trainen dat vervolgens patronen in de gegevens kan identificeren en voorspellingen kan doen over nieuwe, nog niet eerder geziene gegevens.

Er zijn verschillende soorten machine learning-technieken, waaronder:

  • Supervised Learning: Hierbij worden algoritmen getraind op gelabelde gegevens, waarbij het algoritme wordt voorzien van invoer en de bijbehorende uitvoer. Het doel is om een voorspellend model te maken dat correcte uitvoer kan genereren voor nieuwe, ongeziene invoer.
  • Unsupervised Learning: Bij deze techniek worden algoritmen getraind op ongelabelde gegevens, waarbij het doel is om verborgen structuur of patronen in de gegevens te ontdekken zonder expliciete labels.
  • Reinforcement Learning: Hierbij leert een algoritme door interactie met zijn omgeving en het ontvangen van feedback in de vorm van beloningen of straffen. Het doel is om een beleid te ontwikkelen dat het totale beloningsrendement maximaliseert.

Machine learning wordt toegepast in verschillende domeinen, waaronder natuurlijke taalverwerking, beeldherkenning, medische diagnose, financiële voorspellingen, aanbevelingssystemen en nog veel meer. Het heeft een breed scala aan toepassingen en wordt steeds meer gebruikt in verschillende industrieën en disciplines.

Neurale netwerken

Neurale netwerken zijn een reeks algoritmen, geïnspireerd door de manier waarop het menselijk brein werkt, met als doel complexe patronen te identificeren in gegevens. Ze zijn een essentieel onderdeel van veel machine learning- en kunstmatige intelligentiesystemen vanwege hun vermogen om te leren en zichzelf aan te passen aan nieuwe gegevens.

Een neuraal netwerk bestaat uit een netwerk van verbonden “neuronen” of “knooppunten” die informatie doorgeven en verwerken. Elk neuron ontvangt input, voert een berekening uit op die input, en geeft vervolgens output door aan andere neuronen. De verbindingen tussen neuronen hebben gewichten die bepalen hoe sterk de input van een neuron wordt meegewogen in de berekening van een volgend neuron.

Neurale netwerken worden vaak georganiseerd in lagen:

  • Invoerlaag (Input Layer): Deze laag ontvangt de invoer van het systeem, zoals afbeeldingen, tekst of numerieke gegevens
  • Verborgen lagen (Hidden Layers): Dit zijn lagen tussen de invoer- en uitvoerlagen waarin berekeningen worden uitgevoerd. Elke laag kan meerdere neuronen bevatten, en de verbindingen tussen de neuronen worden gewogen op basis van trainingsgegevens.
  • Uitvoerlaag (Output Layer): Deze laag produceert de uiteindelijke uitvoer van het neurale netwerk, zoals een classificatie, voorspelling of beslissing.

Neurale netwerken worden getraind met behulp van een algoritme dat de gewichten van de verbindingen aanpast om de gewenste uitvoer te produceren voor een gegeven invoer. Dit trainingsproces omvat het presenteren van het netwerk met een set voorbeeldgegevens, het berekenen van de uitvoer van het netwerk, het vergelijken van de voorspelde uitvoer met de gewenste uitvoer, en het aanpassen van de gewichten dienovereenkomstig om de fout te minimaliseren.

Er zijn verschillende soorten neurale netwerken, waaronder feedforward neurale netwerken, recurrente neurale netwerken en convolutionele neurale netwerken, elk met hun eigen architectuur en toepassingen. Deze netwerken worden gebruikt in verschillende taken, zoals patroonherkenning, natuurlijke taalverwerking, beeldclassificatie, spraakherkenning en nog veel meer.

Wat kan AI betekenen voor mij en mijn bedrijf?

Als u een dynamisch proces heeft of beheert dan kan AI u zeker helpen om uw bedrijfsvoering efficiënter en effectiever te maken. Wij onderscheiden dan een aantal categorieën:

  • Industriële processen: voedingsmiddelen/chemie/staal/papier/energieopwekking OEM bv windturbines, gasturbines
  • Diensten voor industrie: industriële automatisering en installatie en onderhoud
  • Waterbeheer
  • Rioolwater
  • Drinkwater
  • Oppervlaktewater en rivieren
  • Infra
  • Bruggen, viaducten, waterkeringen en sluizen
  • Kademuren
  • Controle door beeldherkenning
  • Kwaliteitsbewaking


  • Ontwerpprocessen optimaliseren: Generatieve AI kan worden gebruikt om nieuwe ontwerpen te genereren voor producten, machines of componenten. Deze ontwerpen kunnen voldoen aan bepaalde specificaties en tegelijkertijd efficiënter zijn in termen van materiaalgebruik, energieverbruik, of productiekosten.
  • Procesverbetering: Generatieve AI kan helpen bij het verbeteren van processen door het genereren van optimalisatievoorstellen. Dit kan bijvoorbeeld betrekking hebben op optimalisatie van productieparameters, het verminderen van afval, het minimaliseren van uitvaltijd van machines, of het optimaliseren van logistieke routes.
  • Predictive Maintenance: Generatieve AI kan worden ingezet voor het voorspellen van het falen van apparatuur. Door gegevens van sensoren te analyseren, kan het systeem mogelijke storingen voorspellen voordat ze optreden, waardoor tijdig onderhoud mogelijk is en ongeplande stilstand wordt voorkomen.
  • Automatisering van processen: Generatieve AI kan worden gebruikt om automatiseringsoplossingen te genereren die processen efficiënter maken. Dit kan bijvoorbeeld bestaan uit het genereren van optimalisatie-algoritmen voor het regelen van machines of het automatiseren van complexe taken zoals beeldherkenning maar ook in productielijnen.
  • Ontdekken van verborgen patronen: Generatieve AI kan verborgen patronen en inzichten ontdekken in grote hoeveelheden gegevens. Door deze inzichten te gebruiken, kunnen bedrijven processen verder optimaliseren, bijvoorbeeld door het identificeren van inefficiënties, het verbeteren van kwaliteitscontroles of het optimaliseren van voorraadbeheer.

Veiligheid en beveiliging

Het implementeren van AI in een bedrijf kan veel voordelen bieden, maar het brengt ook uitdagingen met zich mee op het gebied van beveiliging van systemen en gegevens. Hier zijn enkele belangrijke stappen die moeten worden afgewogen en geïmplementeerd: 

  • Gegevensversleuteling: Zorg ervoor dat alle gevoelige gegevens die worden gebruikt voor het trainen van AI-modellen of voor het maken van voorspellingen, worden versleuteld tijdens zowel de opslag als de overdracht. Dit helpt voorkomen dat onbevoegden toegang krijgen tot de gegevens, zelfs als ze worden onderschept.
  • Toegangscontrole: Implementeer strenge toegangscontroles voor systemen en gegevens die worden gebruikt voor AI. Beperk de toegang tot alleen geautoriseerde gebruikers en zorg ervoor dat elke gebruiker alleen toegang heeft tot de gegevens en functionaliteiten die strikt noodzakelijk zijn voor hun taken.
  • Netwerkbeveiliging: Zorg ervoor dat je netwerkinfrastructuur robuust is beveiligd met firewalls, intrusion detection/prevention systems (IDS/IPS), en encryptie van netwerkverkeer. Beperk ook de blootstelling van AI-systemen aan het internet door ze achter firewalls te plaatsen en alleen toegang te verlenen via veilige kanalen zoals VPN’s.
  • Patches en updates: Zorg ervoor dat alle software en systemen die worden gebruikt voor AI regelmatig worden bijgewerkt met de nieuwste patches en updates om bekende kwetsbaarheden te verhelpen. Dit geldt ook voor de AI-frameworks en bibliotheken die worden gebruikt voor het ontwikkelen van de modellen.
  • Monitoring en logging: Implementeer uitgebreide monitoring- en logging-oplossingen om verdachte activiteiten te detecteren en te loggen. Dit kan helpen bij het identificeren van potentiële beveiligingsincidenten en het bijhouden van wie toegang heeft gehad tot welke gegevens.
  • Security Awareness Training: Zorg ervoor dat alle medewerkers die betrokken zijn bij het gebruik en beheer van AI-systemen en gegevens op de hoogte zijn van de best practices voor informatiebeveiliging. Dit omvat training over het herkennen van phishing-aanvallen, het gebruik van sterke wachtwoorden en het vermijden van het delen van gevoelige informatie. De training kan door DOTX medewerkers worden gegeven.
  • Beleid voor gegevensbeheer: Stel duidelijke beleidsregels op voor het beheer en de bescherming van gegevens die worden gebruikt voor AI, inclusief richtlijnen voor gegevensopslag, -toegang en -verwijdering. Zorg ervoor dat deze beleidsregels regelmatig worden gecontroleerd en bijgewerkt om te voldoen aan veranderende beveiligingsvereisten en wettelijke voorschriften.

Door deze maatregelen af te wegen en te implementeren, kun je de systemen en gegevens van je productiebedrijf goed beschermen tegen potentiële beveiligingsrisico’s bij het gebruik van AI.

Hoe nu verder?

Wij willen met deze informatie bijdragen aan het begrip over AI. Wilt u weten wat AI kan betekenen voor uw bedrijf dan kunt u contact opnemen met Leo den Brok.


M: 06-52007300

Wij zullen u graag en natuurlijk geheel vrijblijvend adviseren.

Temperatuur beheersing van een lamineermachine

Dit artikel behandelt uitdagingen rond de temperatuurbeheersing van een Single-Sheet Lamineer (SSL) machine en presenteert een innovatieve aanpak om deze kwesties aan te pakken. De temperatuurregeling van de SSL was niet optimaal. Als gevolg daarvan wijkt de temperatuur af van de setpoint.  De PID Tuner van DotX met de optie ‘Simple Internal Model Control Tuning’ (SIMC) in combinatie met een Mean Squared Error (MSE) optimalisatie methode is gebruikt om de temperatuurregeling te verbeteren. Het onderzoek toont aan dat de temperatuur niet alleen sneller op setpoint komt, maar ook aanzienlijk minder afwijkt. Daarbij is het beoogde resultaat behaald.


De Single-Sheet Lamineer (SSL) machine is een machine voor de productie van ID documenten zoals paspoorten. Figuur 1 toont een schematische weergave van de SSL die cassettes verwerkt in een semi-automatisch proces. Het is vereist om een  nauwkeurige beheersing van temperaturen, drukken en verblijftijden te verkrijgen tijdens het proces. Helaas ondervond het huidige systeem problemen met de temperatuurbeheersing, wat resulteerde in aanzienlijke afwijkingen van het gewenste setpoint.

Figure 1: Een schematisch overzicht van de Single-Sheet Lamineer machine en een zijaanzicht van de cassette.

De hoofdvraag luidde aldus: Kan de temperatuurbeheersing zodanig worden verbeterd dat de gemeten en geregelde temperaturen niet meer afwijken dan enkele graden?

Om bovenstaande hoofdvraag te kunnen beantwoorden moeten de volgende deelvragen worden beantwoord:

  • Op welke wijze kan het verhittingsproces worden gemodelleerd?
  • Welke regeltechnische verbeteringen kunnen worden verwacht met optimaal ingestelde PID regelaars?
  • Zijn er, behalve het optimaal instellen van PID regelaars, verdere verbeteringen mogelijk, zodat de machine gaat voldoen aan de temperatuur beheersing eisen?


Om deze problemen met de temperatuur regeling in de SSL aan te pakken, worden er identificatie-experimenten uitgevoerd, waaruit data werd verzameld. Deze data leidde tot een gefit model, een 1ste-orde met een vertraagde tijdsrespons. De resulterende formule, met daaronder de specifieke constantes voor de fit, illustreert het integrerende gedrag van het systeem.

 PV = \frac{K}{T_p s + 1} e^{-T_{DT}s} MV + Y_0


 PV = temperatuur
 K = process gain = 56.5
 T_p = process time constant = 11871 s
 T_{DT} = process delay = 16.7 s
 Y_0 = process offset = 125.7
 s = Laplace variable

Analyse van PID-regelingen

In dit onderzoek nemen we de volgende standaard vorm aan voor de PID regeling.

 MV = K_p \left( \frac{T_i s + 1}{T_i s} \right) \left( \frac{T_d s + 1}{a T_d s + 1} \right) ( Setpoint - PV )


 MV = Manipulad Variable, d.w.z. output van de PID regeling
 PV = Process Variable, d.w.z. de gemeten temperatuur hier
 K_p = proportional gain
 T_i = integral time (sec)
 T_d = derivative time (sec)
 a = constant = 0.1
 s = Laplace variable

Een grondige analyse van de huidige PID-regeling, waarbij test zijn uitgevoerd op de SSL-machine met de huidige PID instellingen, onthulde dat de huidige regeling onvoldoende was. Deze test noemen we de 0-meting. De huidige PID blijkt geen integrerende actie te hebben. De optimalere PID-regeling met behulp van SIMC-techniek en daaropvolgende PI-optimalisatie is ook getest om de SSL, dit is de 1-meting. In figuur 2 zijn beide metingen te zien. Het is duidelijk dat de 1-meting een overshoot heeft.

Figure 2: Vergelijking tussen 0-meting en 1-meting.

Effect op Productie

Het onderzoek toonde aan dat de verbeterde PID-regeling een direct positief effect had op de productie. Ondanks de temperatuur verstoringen in het semi-automatische proces, corrigeerde de nieuwe regeling de temperaturen sneller naar het gewenste setpoint. Verdere verbetering werd bereikt door het model beter aan te passen op deze verstoringen. Dit is gerealiseerd door een stapvorming signaal aan de gemeten waarde toe te voegen. Echter was er daardoor nog een probleem, de settling tijd was meer dan 250 seconden. Door de PID tuner te tunen met behulp van een Mean Squared Error (MSE) optimalisatie kon de settling tijd worden verlaagd naar 60 seconden. Dit wordt gedemonstreerd in figuur 3.

Figure 3: Vergelijking tussen optimaal ingestelde PID regeling (PV actual), zoals gebruikt bij 1-meting, en met MSE geoptimaliseerde ingestelde PID (PV new).


Het onderzoek bevestigt dat de implementatie van een nieuwe PID-regeling, ondersteund door SIMC-techniek en optimalisatie met MSE, resulteerde in aanzienlijke verbeteringen in de temperatuurbeheersing van de SSL-machine. De temperatuur komt sneller op setpoint en vertoont minimale afwijkingen, wat directe voordelen oplevert voor de productie-efficiëntie en productkwaliteit.

Optimalisatie van de besturing voor ontzuring


Bij de productie van cokes voor ijzerproductie ontsnappen er ovengassen die gereinigd moeten worden. Een van de installaties om de gasvormige bijproducten te reinigen, is een ontzurings- en strippingsproces met meerdere destillatiekolommen, gevoed door cokesgas en stoom. De procesingenieurs van deze specifieke fabriek ontdekten dat het verminderen van de drukvariaties in de stoomtoevoer zou leiden tot verbeterde processtabiliteit, wat op zijn beurt zou leiden tot aanzienlijke kostenbesparingen. DotX kreeg de opdracht om de stabiliteit van de drukregellus(sen) te verbeteren. Eerst werd het bestaande besturingssysteem geanalyseerd en het stoomproces werd zorgvuldig gemodelleerd. De stoomdruk werd voornamelijk geregeld door twee afzonderlijke besturingssystemen, elk werkend op één klep. De ene voor het afvoeren van stoom en de andere voor het toevoeren van stoom. Elke klep vertoonde een niet-lineaire karakteristiek (dat wil zeggen, een niet-lineaire relatie tussen klepopening en stroom). Vervolgens werd er een nieuw op model gebaseerd besturingssysteem ontworpen en geïmplementeerd over drie PLC’s die met elkaar communiceren. Het nieuwe besturingssysteem vertoonde een opmerkelijke verbetering in drukstabiliteit, zie de onderstaande figuur (die geschaalde metingen toont): zodra de DotX Control-oplossing wordt geactiveerd, is de druk bijna constant; zodra deze wordt gedeactiveerd, neemt het oude besturingssysteem het over en vertoont de druk meer variaties. Deze DotX-controller is geactiveerd in augustus 2012 en sindsdien verloopt het ontzurings- en strippingsproces veel stabieler.