AffaldVarme Aarhus vil gerne blive bedre til at forudsige varmebehovet i hele sit forsyningsområde – ikke mindst i de dele af fjernvarmenettet som ligger længst fra varmeproduktionen. Med afstande op til 40 km fra produktionsstederne i nord til Odder i den sydlige del af forsyningsområdet er der op til otte timers opholdstid i fjernvarmenettet. Derfor kører man altid med en lidt højere temperatur i nettet, end det meget af tiden er nødvendigt – bare for en sikkerheds skyld.
»Vi kan ikke afkorte opholdstiden for vandet i vores net, men i stedet vil vi gerne blive bedre til at forudse varmebehovet, så vi ikke behøver have en højere temperatur end højst nødvendigt. Det vil give os nogle gode gevinster at kunne sænke temperaturerne. Vejrudsigterne er vigtige for os og desværre ikke altid helt præcise. Om det er overskyet eller ej om natten kan betyde stor forskel i varmeforbruget om morgenen. Men vi vil også gerne blive endnu klogere på vores net, herunder på tryk, temperaturer og flow, og det kan vi kun blive ved hjælp af bedre data,« siger maskinmester Jens Rishøj Skov, AffaldVarme Aarhus.
For at blive bedre til at forudsige det reelle varmebehov endnu tidligere og dermed kunne køre med lavere temperaturer i nettet, har AffaldVarme Aarhus indledt et samarbejde med Neurospace, som er eksperter i Machine Learning, neurale netværk og dataanalyse.
»I samarbejde med Neurospace har vi foreløbig udviklet en prototype, hvor vi har identificeret 14 målepunkter i vores net, som er vigtige for at kunne optimere driften og temperaturerne. Næste skridt er at lave en model, som kan anvendes i daglig drift,« siger Jens Rishøj Skov videre.
Bedre forudsigelse af forbrug
Hidtil har man overvejende planlagt sin varmeproduktion på baggrund af prognoser og erfaringer, men efterhånden er det med flere varmeproducenter blevet en mere kompliceret opgave.
»Vi vil gerne kunne forudsige, hvis der kommer til at mangle varme i yderpunkterne, hvor der er lang opholdstid i nettet. Sammen med Neurospace skal vi have fundet alle de relevante målepunkter og data, som er nødvendige for at få lavet et brugbart værktøj. Det kræver, at vi får identificeret de relevante korrelationer mellem data og den korrekte vægtning af data. Med andre ord – hvilke data er nødvendige for, at vi kan blive bedre til at forudsige forbruget 12 timer frem,« siger Jens Rishøj Skov.
Øvelsen omhandler også at få standardiseret data og dermed gjort dem anvendelige med de rigtige ”opløsninger” og tidsstempler, så de er sammenlignelige og kan indgå i samme modeller.
»Vi har rigtig mange data fra tusindvis af målepunkter, men vi har indtil nu ikke fået den fulde værdi ud af vores data. Jeg tror, at mange andre forsyningsselskaber er i samme situation: At de gerne vil bruge deres data mere fornuftigt og måske også blive bedre til at dele data med eksterne kunder og rådgivere,« siger Jens Rishøj Skov, som håber, at AffaldVarme Aarhus har et brugbart Machine Learning-værktøj klar til varmesæsonen 2020-2021.
Start i det små
Neurospace hjælper virksomheder med at optimere processer, produktion og vedligehold gennem Machine Learning og ved at udnytte data til at forbedre oppetider og reducere omkostninger. Det sker i tæt samarbejde med virksomhederne – i en trinvis proces, hvor man starter ”småt” og derfra kan opskalere.
»Vi kan hjælpe med at optimere produktionsprocesser og med at etablere et prædiktivt vedligehold ved hjælp af de rette data,« siger Rasmus Steiniche, softwareingeniør og CEO hos Neurospace.
Machine Learning og neurale netværk kan hjælpe virksomheder til at forudsige fejl og nedbrud tidligere, så man kan planlægge sit vedligehold bedre.
»Meget vedligehold er brandslukning, og det er ikke en optimal udnyttelse af ressourcer. Optimalt er vedligehold en strategisk disciplin – eller burde være det – men det kræver, at man udnytter sine data til forecasting – ved hjælp af blandt andet mønstergenkendelse. For eksempel til at identificere anlæg eller komponenter som snart vil bryde ned,« siger Rasmus Steiniche.
Neurospace er delvist skabt på en frustration over, at mange virksomheder allerede har adgang til data, som de ikke udnytter optimalt i dag.
»Som landmandssøn ved jeg, hvor vigtigt det er, at mejetærskeren ikke bryder ned, når høsten skal til at gå i gang, lige som det er vigtigt for Nordic Sugar, at deres anlæg står klar, når sukkerkampagnen begynder. Ellers kan det blive kostbart. Heldigvis kan vi hjælpe mange virksomheder med at udnytte deres data bedre og få dem omsat konkret til mere oppetid, tilgængelighed og færre uplanlagte produktionsstop,« siger Rasmus Steiniche.
Kausalitet og korrelationer
Den grundlæggende udfordring for mange virksomheder, når det handler om bedre dataudnyttelse er, at de ikke ved, hvordan man gør. Det er her, Neurospace tilbyder at træde til.
»Mange virksomheder har berøringsangst, fordi de ikke ved, hvordan de skal komme i gang. Hvilke værktøjer skal man anvende? Hvad er kunstig intelligens – AI – egentlig for noget? For virksomhederne er det lidt som en Black Box, hvor man ikke rigtig ved, hvad der sker med data. Vi prøver sammen med virksomhederne at skabe en White Box – en transparent proces – hvor vi hjælper dem med at finde de rigtige og relevante data og får dem behandlet på den rigtige måde, så de skaber ny værdi, der kan omsættes konkret i virksomhedens kerneopgaver,« siger Rasmus Steiniche.
Første trin i et samarbejde med Neurospace er en såkaldt AI Camp, hvor man deler viden og taler datastrategi. Den proces bruger Neurospace til at lave en parathedsvurdering af virksomheden.
»Vi vil gerne lære fra os: Hvad AI og statistik, og hvad har det med Machine Learning at gøre? Hvad er kausalitet og korrelationer? Omvendt skal vi lære virksomhedens strategiske mål at kende. Det kan for eksempel være at digitalisere deres vedligehold. Så skal vi finde ud af, hvad skal der til for at virkeliggøre strategien. Vi kigger på deres nuværende data og kommer måske med forslag til nye datakilder, for eksempel fra nye typer af målinger,« siger Rasmus Steiniche.
Speed of Data
En typisk opgave for Neurospace kan være at optimere en produktionslinje. Her skal man først skabe sig et overblik over alle led i processen, og hvilke ydre forhold der kan være med til at påvirke produktionen.
»Der kan være både tekniske forhold i selve produktionen, men også ydre påvirkninger, som er med til at bestemme, hvor stort eller lille output man får fra sin produktion,« siger Rasmus Steiniche.
Her bliver begrebet ”Right Data over Big Data” vigtigt.
»Mange data er ikke andet end mange data. At data kan tælles i terabytes, er ikke vigtigt i sig selv. Heller ikke hvor mange datakilder der er til rådighed. 100 datakilder er ikke nødvendigvis bedre end 10 kilder. Det som er vigtigt, er høj korrelation med det, vi skal forudsige. Så hellere 10 kilder med høj korrelation fremfor 40 kilder med lav korrelation,« siger han videre.
”Speed of data” er også vigtigt. Med hvilke intervaller har man brug for data. Hvert sekund, hvert minut, hver time eller hvert døgn?
»Teknisk kan man samle data op 1.000 gange i sekundet. Men har man brug for det? Vi hjælper med at finde det rette niveau for at få de data, som er nødvendige, så man ikke samler flere data end nødvendigt. Man kan selvfølgelig godt samle mange data for en sikkerheds skyld, men måske ender det med, at man ikke kan se skoven for bare træer. Man skal vælge de rigtige data med den rigtige frekvens til det ønskede formål. Hvis man ikke passer på, er det meget nemt at samle en masse data op, man ikke har brug for, og det er jo spild af tid og ressourcer,« siger Rasmus Steiniche.
Bedre forudsigelseskraft
Rå, ubearbejdede data har ikke i sig selv værdi. Data skal gøres til information og ”oversættes” til en forretningskontekst for at give værdi. Her spiller psykologi også en vigtig rolle – i form af medarbejdere som bevidst eller ubevidst fortolker begivenheder og forhold i produktionen.
»Hvis man skal lave gode modeller for prædiktivt vedligehold, så man kan forudsige nedbrud, skal man helst bygge modellen på data fra 5-10 nedbrud. Samtidig prøver vi at sikre, at data ikke er biased. Den menneskelige hjerne har det med at indlejre betydning i begivenheder og hændelser, som ikke nødvendigvis er rigtige eller vigtige. Vi er tilbøjelige til at finde mønstre og forklaringer og placere tingene i ”kasser”. Men der er stor risiko for, at vi kommer ting i forkerte kasser og dermed ikke identificerer den primære årsag til et problem. Vi er også tilbøjelige til at forklare ting ud fra vores seneste observationer – alene fordi vi husker dem bedst. Her er fordelen ved at have de rigtige data til rådighed, at disse data ikke har bias eller er afhængig af en korttidshukommelse, som mennesker er,« siger Rasmus Steiniche.
En del af øvelsen er også at finde ud af, hvor få eksempler på nedbrud, der er nødvendige for at lave modeller, som kan forudsige fremtidige nedbrud.
»Hvis vi tager vandpumper som eksempel, har vi lavet modeller for prædiktivt vedligehold, hvor der indgår syv nedbrud over 5-6 måneder som datagrundlag for at lave en model, der har god forudsigelseskraft om Remaning Useful Life. Modellen tager også hensyn til, at risikoen for nedbrud faktisk er større, lige efter en komponent er skiftet på grund af fejlmontage, lige som modellen tager hensyn til, hvor lang forventet levetid komponenten har på en tidsakse. Selv om mange maskinmestre kender deres anlæg godt, kan de ikke fange alle nedbrud på forkant. Det er her, at vores modeller kan hjælpe, og man skal huske, at modellen hele tiden bliver bedre til at forudsige nedbrud, fordi den hele tiden får nye data,« siger han.
Neurospace ønsker ikke at blive evighedskonsulenter hos sine kunder.
»Jeg mødte en gang en konsulent i en stor virksomhed. Han havde været der i 10 år. Det er ikke konsulentens rolle efter vores mening. Vi hjælper virksomhederne i gang med at benytte deres data og machine learning, og så skal de selv benytte løsningerne i hverdagen. Vi plejer at sige til kunderne, at de skal være ambitiøse, men starte så småt som muligt med pilotprojekter, så de får skabt værdi hurtigst muligt. Man kan få gode, brugbare resultater på et halvt år – og så skalere op derfra,« siger Rasmus Steiniche.
