Kunstig intelligens optimerer sukkerproduktionen

Nordic Sugar trækker på kunstig intelligens og maskinlæring i et projekt om bæredygtighedsoptimering og har gjort sig gode erfaringer om kompleksiteten i arbejdet, hvornår det kan betale sig og hvilken indsats, det kræver at komme i gang. Hør mere i ny podcast.

Optimering
Både Anders Jørgensen-Juul og Maria Hvid har FN’s Verdensmål med sig i arbejdet med at energieffektivisere og optimere gennem brugen af AI og maskinlæring.

Grøn omstilling er et stort fokuspunkt i en lang række industrier, og i den forbindelse er rigtig mange aktører på tværs af produktions-Danmark begyndt at inddrage Machine Learning til procesoptimering, monitorering af anlæg og drift, dataanvendelse og meget andet.

Det gælder blandt andet den store sukkerproducent Nordic Sugar, der i samarbejde med virksomheden Neurospace har sat gang i et projekt omkring bæredygtighedsoptimering, hvor man ved at skifte mellem høj- og lavtryksdamptrin vil spare store mængder energi.

Som maskinlæringsingeniør hos Neurospace er Maria Hvid ekspert på at få potentialet i kunstig intelligens forløst til fordel for produktionsvirksomhedernes output.

»Det er ikke noget, der kan løses analytisk, det har vi forsøgt, og det kan bringe os 90 procent af vejen, men lige på det her område, hvor der er så meget energi, vil vi gerne have de sidste 10 procent med, og der mener vi, at maskinlæring kan bringe os det stykke,« siger Anders Jørgensen-Juul, der er projektchef i Nordic Sugar.

Sammen med Maria Hvid, der er maskinlæringsingeniør hos Neurospace, gæster han denne udgave af DDV’s podcast Vedligeholdsklubben, hvor de to fortæller meget mere om perspektiverne i kunstig intelligens og potentialet i at bruge Machine Learning til at finde mønstre i store datasæt.

Som produktionsvirksomhed med 150 år på bagen har Nordic Sugar arbejdet med drift og vedligehold på en lang række forskellige fronter gennem beregninger og manuelt arbejde, som i stigende grad er blevet digitaliseret. Med de nye teknologiske redskaber kan man tage næste skridt.

»Hvis man bare vil have at vide, hvor vi er lige nu, kan det gøres med meget simple modeller i et SCADA-system. Men hvis man vil se lidt frem i tiden i forhold til, hvornår en temperatur rammer et toppunkt på en kurve, så kan man det med maskinlæring,« siger Anders Jørgensen-Juul.

Nærmere bestemt kan Machine Learning trække komplicerede mønstre ud af tusindvis af datapunkter, se trends og tendenser i udviklingen og bruge den historik til at forudse, hvad der vil ske i fremtiden, forklarer Maria Hvid.

»Hvis man vil se lidt frem i tiden i forhold til, hvornår en temperatur rammer et toppunkt på en kurve, så kan man det med maskinlæring.«

Anders Jørgensen-Juul, projektchef, Nordic Sugar

Særdeles krævende – men besværet værd

Ligesom maskinlæring kan se komplicerede mønstre er det også en kompleks størrelse at arbejde med, og en vigtig læring er, at man skal vide, hvad det er, man leder efter, pointerer Anders Jørgensen-Juul.

Anders Jørgensen-Juul ser frem til at kunne trække på de nye teknologiske muligheder for optimeret vedligehold gennem Machine Learning.

»Man er nødt til at definere sit optimale driftspunkt eller sin fejl eller det billede, man gerne vil se. Hvis man ikke er 100 procent skarp på, hvad det er, man vil lede efter, hvad dit succeskriterie er, så er maskinlæring super svært,« siger han.

Finder man først sin fejl er næste skridt så at gå tilbage i sin data – fem, syv, måske 10 år – og markere den fejl. Det er særdeles krævende, understreger Anders Jørgensen-Juul, der vurderer, at 80 procent af den tid, Nordic Sugar har brugt på Machine Learning, er gået med databehandling. Men det er besværet værd, fastslår han.

I podcasten fortæller Maria Hvid meget mere om de forskellige modeller for maskinlæring knyttet til vedligehold, alle med deres respektive fordele og udfordringer afhængig af, hvor man står som virksomhed, og hvad man gerne vil opnå.

 »Min klare anbefaling er altid, at man starter med at finde ud af, hvad det er, man vil. Og når man har funder ud af, hvad man gerne vil, så skal man til at finde ud af, hvad det er for noget data, man skal samle op til det formål. Ellers kan man ende i en situation, hvor man har købt nogle sensorer, eller har samlet data i 10 år og så finder ud af, at man ikke kan bruge det til noget, eller i hvert fald ikke det, man gerne vil,« siger hun.

En anden læring fra en case på Nordic Sugar knytter sig til økonomien i anvendelsen af Machine Learning. Ifølge Anders Jørgensen-Juul skal konsekvensen ved et uforudset nedbrud på udstyr eller procestab ved upræcis styring have en vis størrelse, da business casen ellers ikke hænger sammen.

Derudover er der også nødt til at være en vis frekvens af nedbrud før maskinlæringsalgoritmen kan finde et mønster. Det kan godt variere fra for eksempel fire, seks eller otte uger mellem hvert nedbrud, og så vil man kunne forudse næste stop med måske et par dages varsel.

Annonce

Optimering

Annonce

Optimering

Annonce

Optimering