Operational AI for process industry

Syfte och mål

Projektet har tagit fram en processindustriell pilotinstallation med ett AI-baserat beslutstöd som kan ge kontinuerlig guidning till operatörer i realtid. Beslutstödet och dess AI-algoritmer är implementerade i en molnlösning och ger användare i anläggningen en bild av hur processen bör styras och vilket det kommande dygnets förväntade utfall är. För att förstå systemkonsekvenserna av de AI-baserade optimeringarna och för ytterligare energioptimering, har modeller utvecklats för förutsägelse av genomsnittlig inomhustemperatur och energiförbrukning i byggnader.

Resultat och förväntade effekter

Projektet har med machine learning lyckats ta fram prediktioner av detaljerad energianvändning, för distributionsfördröjningar, och temperaturförluster i fjärrvärmenätet. Vad gäller processoptimering och ML så föreligger risk att algoritmerna fångar andra mönster från träningsdata än det man vill och att det kan finnas få datapunkter på de delar där man vill att processen ska befinna sig efter optimering. Här ser vi behov inom industriella tillämpningar av delvis andra AI-metoder.

Upplägg och genomförande

En uttalad målsättning var att hantera hur AI-lösningar skulle göras mer transparenta. AI-algoritmen för framledningstemperatur föreslår vilken temperatur som ska produceras, men den svarar inte på varför det är så. Genom återkoppling från operatörer så utvecklades en separat AI-algoritm med uppgift att göra en explicit prediktion av processfördröjningen. Detta behövs inte för processtyrningen, men ökar förståelsen om varför den föreslagna temperaturen är rätt val just vid detta tillfälle. Ett ännu större deltagande från operatörer hade inneburit ytterligare fördelar.