Der er ugler i sukkeret i Nakskov, men heldigvis på den intelligente måde. En af byens helt store industrivirksomheder, sukkerproducenten Nordic Sugar, har således søsat projektet OWLS, der skal reducere energiforbruget og dermed også aftrykket på miljøet.
OWLS er en forkortelse for det knap så mundrette Optimal Vacuum Vapour Level Setpoint, der kort fortalt dækker over en indsats for at optimere forbruget af damp i produktionen. Den løbende justering er traditionelt blevet håndteret af erfarne operatører, men det vil OWLS løfte en tand.
Sammen med virksomheden Neurospace, der også er en del af projektet, vil Nordic Sugar anvende kunstig intelligens, data og maskinlæring til at assistere de ansatte med at skifte mellem høj- og lavtryksdamp, så dette kan gøres endnu mere præcist.
»Vi har tidligere lavet en maskinlæringsmodel på predictive maintenance, og med OWLS har vi bevist, at maskinlæring i forhold til procesoptimering har lige så stor eller måske større gevinst for os,« fortæller projektchef hos Nordic Sugar, Anders Jørgensen-Juul.
På den baggrund har man så fundet et område, hvor man allerede er forholdsvis tæt på det optimale, og hvor man derfor med god sandsynlighed kan lave en succeshistorie med AI. På sigt kan den case så danne grundlag for nogle endnu mere komplekse projekter.
Fokus er derfor blevet lagt på Nordic Sugars krystallisationsapparater, som er stedet, hvor selve sukkerroerne bliver kogt. Netop det led er samtidig en stor energiforbruger, da processen udføres i batches, og det er svært at genanvende restvarmen.
»I dag sidder der en operatør og styrer skiftet mellem damptrin, og de mest erfarne kan gøre det meget præcist. Så vi snakkede med operatører og teknikere, der gav den nødvendige data til Neurospace, som så kan bygge en maskinlæringsmodel på det fundament,« forklarer Anders Jørgensen-Juul.
Med modellen i hånden er tanken, at operatørerne vil kunne opnå de sidste 10 procent optimering, som ellers normalt ikke er muligt fordi den menneskelige hjerne ikke kan se de avancerede mønstre i processen. Og operatørerne har taget modellen til sig og brugt den til at indstille ikke bare de oprindelige to, men alle Nordic Sugars 20 krystallisationsapparater.
»Der, hvor dine operatører i forvejen er gode, der får du lige de sidste procenter med, fordi maskinlæringsmodellen er så præcis.«
Anders Jørgensen-Juul, projektchef, Nordic Sugar
kogeapparat
Fra Neurospace har tilgangen fra start været at bruge allerede tilgængelige data for at lade en maskinlæringsmodel finde mønstre i dataene. Men fordi Nordic Sugars operatører er så vidende om deres opgaver, har Neurospaces ingeniør været i stand til at stille de helt rigtige spørgsmål, hvilket er helt afgørende.
»Når man laver machine learning handler det om at stille skarpe spørgsmål og afgrænse frihedsgraderne så meget som muligt, for desto bedre bliver maskinlæringsmodellen. Så den meget unikke viden fra Nordic Sugar har vi fået ført over i vores dataverden, og nu sidder vi faktisk med en af de skarpeste algoritmer, vi nogensinde har produceret,« siger CCO Bo Stig fra Neurospace.
Anders Jørgensen-Juul er ligeledes imponeret af projektet, ikke mindst tempoet taget i betragtning. Det er gået stærkt med at få samlet data sammen, drøftet sagerne på nogle korte, men effektive møder, og en hurtig opstart. Efter den første snak i juni 2023 var projektet således i gang 14 dage senere.
»Vi kan se allerede nu på vores tal, at vi har haft en ret stor energireduktion, og meget større end vi forudså, inden vi tog fat på projektet. Vi har så fået en ny fordamperstation undervejs med en bedre trykprofil, men det har modellen accepteret 100 procent, og det er ret imponerende,« siger han.
I den forbindelse bemærker Anders Jørgensen-Juul også, hvordan selve begrebet maskinlæring udløser en vis ærefrygt blandt de implicerede fagfolk. Men de er i høj grad blevet overbevist, efterhånden som tallene er rullet ind, og de tilmed også har fået mere tid til andre opgaver.
»Business casen her var jo rigtig god fra start af, men min erfaring er faktisk, at selvom den kan se nok så fantastisk ud, er det ikke nogen garanti for, at det bliver til noget. Det handler om mennesker og at have tillid til at teknologien kan løse opgaven,« siger Bo Stig.
Det springende punkt er i særdeleshed, at operatørerne er med på vognen, understreger han, og også at forståelsen for værdien og anvendelsen af data er høj i en organisation og hos projektledere som Anders Jørgensen-Juul. Begge dele er tilfældet i Nordic Sugar, påpeger Bo Stig.
»Projektet er jo ikke sat i søen for på nogen måde at erstatte folk med computere eller på anden vis tage deres job. Vi er her for at hjælpe dem og gøre operatørernes arbejde endnu bedre,« siger han.
»Der, hvor dine operatører i forvejen er gode, der får du lige de sidste procenter med, fordi maskinlæringsmodellen er så præcis.«
Anders Jørgensen-Juul, projektchef, Nordic Sugar
Giver de sidste procenter
Hos Nordic Sugar er Anders Jørgensen-Juul ikke i tvivl om potentialet i maskinlæring som helhed og også projekt OWLS specifikt. Maskinlæringsmodellen har allerede sænket det termiske energiforbrug i produktionen markant, og udsigten til yderligere optimering er god.
»Hvis man kan bruge maskinlæring til at forudsige sine procesparametre, så får operatørerne jo et værktøj, som gør, at de ikke skal gætte sig frem til det optimale punkt med en margen på 10-15 procent. Så der, hvor dine operatører i forvejen er gode, der får du lige de sidste procenter med, fordi maskinlæringsmodellen er så præcis,« siger han.
En vigtig pointe er, at maskinlæringsmodellen ikke er en redningsbåd, hvis man ikke har styr på sine processer fra start af. Modellen kan give de sidste procenter, fordi de store datamængder giver en meget høj præcision, og dermed nogle endnu bedre estimater end en menneskelig operatør alene kan levere.
»Vores beregninger er meget plausible, og der er også en god sandsynlighed for, at det bliver endnu bedre, når vi måler pr. krystallisationsapparat. Og det håber vi da også kan give noget inspiration til andre dele af industrien,« siger Bo Stig.
Potentialet skal ses som en dynamisk løsning, forklarer han videre, da det afhænger af en række faktorer såsom apparaternes størrelse, type, rørføring og operatørens valgte tidspunkt at skifte. Dette var også grunden til at OWLS-projektet blev valgt, da det skulle være muligt at skalere modellen ud på alle krystallisationsapparater uanset type og lokation.
OWLS-projektet fik derfor prioritet over andre maskinlæringsprojekter, da det ville kunne laves på et basisgrundlag, så modellen blot skal finjusteres, før den kan implementeres på uafprøvede krystallisationsapparater på resten af fabrikken og i koncernen.
Her var der også fokus på, at det fortsat være muligt at benytte sig af modellen uden at skulle starte forfra, selv hvis Nordic Sugar vil opgradere de nuværende krystallisationsapparater til mere energieffektive modeller.
