Högskolan i Skövde

his.sePublications
EnglishSvenskaNorsk
Change search
ExportLink to record
Permanent link

Direct link
BETA

Project

Project type/Form of grant
Project grant
Title [sv]
INSITE-X - AI-baserad analys av maskindynamik
Title [en]
INSITE-X - AI-based analysis of machine dynamics
Abstract [sv]
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.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.
Abstract [en]
Purpose and goal:Effective production data analysis for improved process knowledge is a key factor for competitiveness and resource efficiency in manufacturing. Such data is typically large and complex, so manual analysis is virtually infeasible. AI algorithms have proven to capture dependencies in high-complexity data. Also, it benefit from large data. This project will develop AI-based machine models to better understand and control detailed dynamics of critical machines in the value chain. Such improvements has a large effect, and can save large amounts of production resources.Expected results and effects:Production yield raises with less scrap. Production becomes faster and more reliable, the product quality improves, while delivery times becomes more consistent. For Outokumpu, the estimated process improvement will reduce rework worth 1.7 MSEK/yr. Outokumpu today uses 80-90% of recycled steel as input, but uses fossil gas (LPG) as the primary source of heating so CO2 emissions are reduced. For Ovako, the process improvement reduces scrap and rework worth about 2.0 MSEK/yr for this first line, which is blueprint for other lines so the effects will multiple.Approach and implementation:Highly detailed production data from two steel producers is used for developing an AI-based model that can capture in-production dynamics of critical machines. A prototype based on this data-driven AI model is jointly examined to develop a deeper understanding of detailed dynamic machine behaviour. This prototype is applied in two settings: 1) context-aware prediction of machine preset values for a single critical machine and 2) machine-condition-based presets and prediction of machine and production line setup time.
Principal InvestigatorMathiason, Gunnar
Coordinating organisation
University of Skövde
Funder
Period
2021-03-01 － 2024-03-31
National Category
Computer Science
Identifiers
DiVA, id: project:2455Project, id: 2020-04624_Vinnova

Search in DiVA

Computer Science

Search outside of DiVA

GoogleGoogle Scholar
v. 2.45.0
|
WCAG
|
Skövde University Library
|
Contact