INSITE-X - AI-baserad analys av maskindynamik
Diarienummer | |
Koordinator | Högskolan i Skövde - Institutionen för informationsteknologi |
Bidrag från Vinnova | 3 248 407 kronor |
Projektets löptid | mars 2021 - mars 2024 |
Status | Pågående |
Utlysning | Strategiska innovationsprogrammet för processindustriell IT och automation - PiiA |
Syfte och mål
Effektiv produktionsdataanalys för bättre processförståelse är en nyckelfaktor för konkurrensförmåga och resurseffektivitet inom tillverkning. Sådan data är ofta stor och komplicerad, vilket gör manuell analys näst intill omöjlig. AI-algoritmer har en påvisad förmåga kunna fånga beroenden i data med hög komplexitet. Därtill kan dessa dra nytta av storskalig data. Detta projekt utvecklar AI-baserade modeller för att bättre förstå och styra detaljerad dynamik hos maskiner i värdekedjan. Sådana förbättringar har stor effekt och kan spara stora mängder produktionsresurser.
Förväntade effekter och resultat
Produktionsutbytet ökar med mindre skrot. Produktionen blir snabbare och mer tillförlitlig, produktkvaliten förbättras och leveranstiderna blir mer förutsägbara. För Outokumpu förväntas processförbättringarna kunna minska upprepat arbete värt 1.7 MSEK/år. Outokumpu använder 80-90% återvunnet stål som material men använder fossil gas som primär värmekälla så därför minskar det totala CO2-utsläppet. För Ovako förväntas minskad skrotmängd och upprepat arbete vara värt 2.0 MSEK/år i denna första produktionslinje, en effekt som förväntas kunna nås också för andra linjer.
Planerat upplägg och genomförande
Högdetaljerad produktionsdata från två stålproducenter används för att utveckla en AI-baserad modell som kan fånga produktionsdynamik hos maskiner som är i produktion. En prototyp baserad på denna modell utvärderas i samarbete för att kunna utveckla en djupare förståelse för dynamiskt maskinbeteende. Prototypen används till att 1) få situationsberoende förutsägelse av maskininställningsvärden 2) få maskintillståndsberoende inställningsvärden samt en förutsägelse av omställningstider i maskin och produktionslinje.