Hitta mönster i nya dataflöden (DataFlow)

Syfte och mål

De enorma datamängderna hos Svensk metallindustri utnyttjas inte fullt ut. Med nya analysmetoder är det möjligt att utvinna ny kunskap ur dessa. Det har dock saknats exempel på nyttan med nya användningsområden för data. Kostsam dataintegration har prioriterats ner när inte värdet varit uppenbart. Detta projekt bryter cirkeln genom att visa på konkreta värden av att investera i dataintegration och analys. Vi visar att maskininlärning kan användas för att lokalisera orsaker till kvalitetsbrister.

Resultat och förväntade effekter

Den totala produktionsdatamängden från varmbandsvalsning på Outokumpu har med maskininlärningsalgoritmer visats kunna prediktera teleskopering av varmbandrullar, samt var i produktionen riskerna för detta tycks uppstå. Tillsammans med produktionsanalytiker har denna kunskap omsatts till konkreta förslag på åtgärder. En demonstrator som utvecklats i projektet visar på hur den nya kunskapen kan användas av operatörer och analytiker för att bättre förstå tillverkningsprocessen.

Upplägg och genomförande

För runt 2600 produktionsparametrar från hela produktionslinjen, med alla detaljer från 3 månaders produktion, tränades och utvärderades ett tiotal maskininlärningsalgoritmer för sin förmåga att prediktera teleskopering. Eftersom det redan tidigt i linjen finns hög prediktionsgrad är det lönsamt att investera där för mer kontrollerad produktion. Med Deep Learning tränades en datormodell att kunna prediktera teleskopering, baserat endast på bandets sidoavvikelseform.