Processindustriell maskininlärning

Syfte och mål

Syftet med denna genomförbarhetsstudie var att studera processindustriella tillämpningar av maskininlärning och ”Big Data analytics”. Projektet studerade dataanalys av stora mängder försöksdata och driftdata, för att utvärdera val av verktyg och utveckling av metodik. Projektet arbetade med två processindustriella exempel, ett från petrokemisk processindustri och Haldor Topsøe, och ett från livsmedelsindustri och Skånemejerier. Syftet var att tillämpa metoder för maskininlärning och detta har gjorts, framför allt med paketen Scikit-learn och Keras, med goda resultat.

Resultat och förväntade effekter

Ett stort antal studier har gjorts med flera olika verktyg och metoder för maskininlärning. Huvudresultatet är de modeller baserat på WaveNet som ger god prediktering men de viktigaste effekterna är den uppbyggda kompetens och insikt i hur tekniken kan användas för de olika typerna av tillämpningar som har studerats. En annan oväntad effekt av projektet var att en av fallstudierna gav djupa insikter i problemets karaktär vilket resulterade i att problemet löstes genom att göra om processens styrsystem.

Upplägg och genomförande

Genomförbarhetsstudien var baserad på två fallstudier med helt olika problem och företag. Fallstudiebaserade projekt har fördelen att företagen kan relativt lätt generera in-kind i projektet samt att resultaten är direkt applicerbara. Men det visade sig vara för långt avstånd både i företagskultur och i problemställning för att synergier kunde uppstå mellan de olika fallstudierna i detta projekt.