AI/ML Raslastning

Syfte och mål

Projektets primära mål var att Agio skulle lära sig mer om AI/ML och hur man kan applicera kunskapen i en produktionsmiljö. Detta mål har Agio uppfyllt då man idag vet mycket mer om AI/ML än när resan startades i slutet av 2019. Agio har fått insikt i vikten av att lära känna den data man har till förfogande, man behöver förstå och undersöka vilken data som är relevant för frågeställningen. Agio har kommit fram till att maskininlärning kan vara till nytta för att förbättra uppskattad utlastningshastighet för planerad raslastningsproduktion genom att träna på historisk data.

Resultat och förväntade effekter

Agio har genom detta projekt startat sin AI/ML-resa mot att bli experter inom området. Man har testat olika ML-metoder för att utvärdera hur bra maskininlärning klarar av att förutsäga utlastningshastighet av planerad produktion samt byggt upp ett kontaktnätverk med experter inom området. Resultatet kommer att presenteras för LKAB för att visa på möjligheterna med AI och visa nya konkreta tillämpningar för deras produktion. Resultatet som ML-modellen beräknade är 1,5 - 2 gånger bättre än befintlig modell.

Upplägg och genomförande

Steg 1 var att lära känna befintlig data, förstå och undersöka vilken data som är relevant för frågeställningen. Man analyserade databasen samt hade möten med LKAB för att utreda parametrar som påverkar utlastningshastigheten. Steg 2 var dataextraktion för att minska mängden samt exkludera utstickande data. Data som saknades fick man efterkonstruera. Man studerade och läste olika forum och diskuterade med LTU vilken typ av data som behövs för AI/ML. Man testade ML.NET och ML-modellerna för regressionsproblem och jämförde dessa med en referensmodell.