Kunstig intelligens hjælper C.C. Jensen med at estimere restfugten i deres oliefiltre, som fx bliver brugt i en skibsmotor. De nye metoder hjælper Svendborg-virksomheden med at reducere energiforbruget samtidig med, at de kan bevare den ensartede kvalitet, som de har i deres produkter.
Hvor længe skal et oliefilter tørre, for at man opnår en ensartet kvalitet?
Netop det spørgsmål er afgørende for Svendborg-virksomheden C.C. Jensen, som har specialiseret sig i at producere oliefiltre til fx i skibsmotorer, for at sikre, at de kører upåklageligt.
For at blive klogere har C.C. Jensen i samarbejde med Aarhus Universitet og Alexandra Instituttet udviklet nogle AI-metoder, som kan estimere restfugten i oliefiltrene. Det er et digitalt stegetermometer, som kan sikre, at C.C. Jensen opnår den ønskede kvalitet, når de tørrer deres produkter.
-Vi er interesseret i at finde ud af, hvor meget fugt der er tilbage, og hvornår vi skal stoppe tørreprocessen. Det er både afgørende for, at vi kan reducere energiforbruget og samtidig bevare den ensartede kvalitet, som vi har i vores produkter. Med den nye metode kan vi spare energi og dermed penge på processen, fortæller Christian Remi Wewer fra C.C. Jensen.
Christian Remi Wewer har arbejdet med maskinlæring i C.C. Jensens produktion i regi af et MADE FAST-forskningsprojekt og som en del af sin ph.d. på Aarhus Universitet.
Simpel integration med fabriksmiljøet
Det stiller helt særlige krav, når man skal implementere og operationalisere maskinlæring ude i produktionen og et industrielt miljø, hvor der er begrænset internetadgang for at undgå, at man har adgang til OT-udstyr udefra.
Det er her, at Alexandra Instituttet kommer ind i billedet, fordi de har bygget en kode, kaldet FactoryML, som er i stand til at integrere med fabriksmiljøet.
-De har bygget et stykke værktøj, som man kan installere på en industriel pc, og som forvandler din maskinlæring til en sensor, og som gør os i stand til at måle ting, som enten er meget svært, for dyrt eller direkte umuligt at måle med fysiske sensorer, forklarer Christian Remi Wewer.
FactoryML kan også reducere de kompetencer, der skal til for at køre tørreprocessen.
-I stedet for, at man skal have et større team med mange forskellige kompetencer, så kan man outsource det til FactoryML og nøjes med at have en data scientist til at køre softwaren. Det gør det nemt at have styr på det hele vejen igennem, siger han videre.
Det betyder ifølge Christian Remi Wewer tre ting. For det første får C.C. Jensen en mere ensartet produktion, og for det andet reducerer det tørretiden, hvilket medfører reduceret energiforbrug. For det tredje giver det øget traceability, hvilket betyder, at de kan gå ind og spore de enkelte filterindsatser og se, hvilke kvalitetsparametre, de er produceret under.
Indgående kendskab til ML
Virksomheden kunne godt selv have udviklet og implementeret de her ML-modeller i deres fabriksmiljø. Men samarbejdet gjorde, at de kunne implementere modellerne hurtigere, uden at de skulle køre et større softwareprojekt.
-Det var et tæt samarbejde, hvor vi var en del af udviklingsteamet hele vejen, og hvor vi fik tilgodeset de specifikke behov, som vi havde. Vi kunne godt have gjort det selv, men Alexandra Instituttets udvikler er en meget dygtig programmør, der kiggede på, hvilke features, der er relevante at lave, og så fik vi en løsning, der virker til lige præcis den problematik, vi har, forklarer Christian Remi Wewer.
Nemmere adgang til ML for SMV’er
Systemet FactoryML er ifølge Alexandra Instituttets softwareingeniør Harshit Mahapatra udviklet til at sænke barrieren og gøre det muligt for mindre virksomheder at få adgang til maskinlæring, da det typisk kun er større virksomheder, der har råd til et helt udviklerteam.
-Udfordringen er, at når man bygger en prototype, som C.C. Jensen har gjort, så skal modellen flyttes ud i produktionen og pakkes ud. Det i sig selv er en kompleks proces, der kræver mange forskellige kompetencer, som typisk besiddes af flere roller, der ikke altid er til stede i SMV’erne, da deres ekspertise typisk ligger inden for deres produkt og fremstilling af dette, og ikke nødvendigvis på softwareudvikling, forklarer han.
Når man har startet modellen op i produktionen, så skal man se, at den agerer, som den skal. Hvordan håndterer den dårlige input? Hvor mange anmodninger får den? Er der brug for mere RAM? Og er det de rigtige data, den er trænet på?
Her har man forsøgt at minimere det arbejde, der normalt er, forklarer Harshit Mahapatra:
-FactoryML fungerer som en selvstændig enhed og har ikke brug for andet input end de data, som man fra virksomhedens side gerne vil måle på. Vi har forsøgt at bygge et værktøj, som gør det mere simpelt at pakke og flytte den over i fabrikken og samtidig åbne den op på en mere pålidelig måde.
FactoryML er et softwareværktøj, der gør det lettere at anvende maskinlæringsmodellerne i fabriksmiljøet.
Projektet med C.C. Jensen er en del af forskningsplatformen MADE FAST under indsatsen ”Digitalisering af produktionsprocesser”, som er en del af produktionsklyngen MADE. Alexandra Instituttet er partnere i projektet sammen med C.C. Jensen, Universal Robots, Aarhus Universitet, DTU og Teknologisk Institut. Innovationsfonden er største investor med 79,8 mio. kr., og det samlede budget er 265 mio. kr.
