Kan maskinlæring lønne seg? Her er erfaringene fra dansk fabrikk

De fleste danske og norske prosessbedrifter har for lengst installert et hav av sensorer, strømningsmålere, temperaturfølere og annet utstyr som samler inn store mengder data fra produksjonen.

Disse dataene egner seg godt til å analyseres av den underkategorien av kunstig intelligens vi kaller maskinlæring. Likevel skjer det sjelden, fordi det tar tid, er temmelig komplekst og ofte krever relativt store investeringer.

Gjennom det treårige prosjektet MLEEP (Machine Learning til Energi- og Procesoptimering) har fire industribedrifter forsøkt å finne ut hvor mye som faktisk kan spares ved å ta i bruk maskinlæring. Hva er potensialet, mulighetene og barrierene ved å bruke kunstig intelligens til energi- og prosessoptimalisering av produksjonsanlegg?

Prosjektet ble avsluttet i år, og en av de fem bedriftene som deltok, var et malteri på Sydsjælland, som er en del av den internasjonale konsernen Viking Malt. Her sto de overfor en konkret utfordring:

– Vi ønsket å bruke mindre vann i prosessen der kornet spirer, slik at vi trenger mindre energi til å tørke det igjen, forteller Karen Mette Krieger Lassen, som er danmarkssjef.

Det har imidlertid vist seg at optimalisering av maltprosessen med maskinlæring ikke er helt enkelt. Det kommer vi tilbake til.

Ikke plug and play

I tillegg til Viking Malt har tre andre bedrifter fullført prosjektet. Det gjelder:

• Arla Foods Ingredients, som på fabrikken i Videbæk omdanner myse fra osteproduksjon til spesialprodukter i pulverform.
• Koppers i Nyborg, som leverer kreosotolje, særlig brukt til impregnering av jernbanesviller.
• Ringsted Forsyning, som leverer fjernvarme og har fokus på en 8 MW luft-til-vann-varmepumpe.

Det har gitt gode erfaringer, forteller Nicklas Høgh Iversen fra Viegand Maagøe, som har ledet prosjektet, støttet av Elforsk – en del av EUDP.

– Formålet med prosjektet har vært å samle erfaringer med maskinlæringsmodeller. Vi visste fra starten at det ikke ville bli plug and play-løsninger, men noe som måtte tilpasses den enkelte bedrift, sier han.

Derfor har det også vært viktig å få med det menneskelige aspektet når erfaringene nå oppsummeres tre år etter. Mange av prosessene som kan forbedres med maskinlæring, bygger i dag på operatører med mange års erfaring.

– Det er helt avgjørende å få operatørene med fra starten. Hvis de ikke tror på løsningene vi finner, vil ledelsen møte sterk motstand, sier Nicklas Høgh Iversen.

Hold det enkelt

Et maskinlæringsprosjekt bør heller ikke gjøres for komplisert, understreker Iversen. Selv om en modell kan simulere hele prosessen, kan det være som å skyte spurv med kanon.

– Poenget er: Hold fast ved de tradisjonelle deterministiske modellene der de fungerer, og bruk ressursene på å utvikle maskinlæringsmodeller for de mer komplekse prosessene, sier han.

På malteriet i Vordingborg vurderer de nå neste steg etter at prosjektet er avsluttet – hvordan og om maskinlæringsmodellen i det hele tatt skal brukes videre.

Som hos de andre bedriftene i prosjektet består malteriets samlede prosess av flere delområder som hver for seg kan optimaliseres. Spørsmålet er bare om maskinlæring er riktig verktøy.

Selve prosessen med å gjøre bygget klart til ølproduksjon består i hovedsak av tre deler:

• Bløtlegging, der kornet legges i vann
• Spiring, der det tilføres vann og temperert luft slik at kornet danner enzymer
• Tørking, der de spirede bygkornene langsomt tørkes for å redusere fuktigheten

Tradisjonelt har hele prosessen vært styrt etter faste skjemaer, supplert med en stødig hånd fra erfarne medarbeidere.

Planen med å bruke maskinlæring var, som nevnt, å redusere vannforbruket slik at det trengs mindre energi til tørking av de spirede bygkornene – og dermed overlate noe av styringen til algoritmene.

– Utfordringen med korn er at det er et «levende» materiale, noe som påvirker hele prosessen. Det handler for eksempel om hvor godt bygget spirer, og hvor mye protein det inneholder, sier Karen Mette Krieger Lassen.

Tørking krever energi

Derfor er det viktig raskt å finne ut hvilke egenskaper hvert enkelt parti bygg har. Hos Viking Malt vet de at det kan være store forskjeller avhengig av hvor bygget kommer fra geografisk.

– I tillegg kan kundene ha ulike krav til malten, som modellen ikke nødvendigvis tar høyde for, sier hun.

Noen bryggerier foretrekker at malten inneholder mer såkalt FAN (Free Amino Nitrogen), og da kan det være behov for mer vann i spiringen.

De første erfaringene med maskinlæringsmodellen viser at vannprosenten kan reduseres fra 44 til 43,5 prosent. I tilfeller der operatørene konsekvent fulgte modellens anbefalinger, var det mulig å komme ned i 43,2.

– Det høres kanskje lite ut, men fordi tørking utgjør en så stor del av energiforbruket vårt, vil selv 0,5 prosent mindre vann i de spirede bygkornene bety mye for den samlede energiregningen, sier Karen Mette Krieger Lassen.

Neste steg kan være å bruke maskinlæring til å optimalisere bløtleggingsprosessen, slik at det brukes enda mindre vann i spiringen.

Men det er ikke sikkert Viking Malt går så langt. De har to mulige veier videre:

– Nå vurderer vi om vi skal fortsette med maskinlæringsmodellen i selve prosessen. Alternativet kan være å gå videre med en ren digital tvilling, som mates med data fra sensorer i prosessen, sier Karen Mette Krieger Lassen. Hun samarbeider også med malteriets søsterfabrikker i Sverige og Litauen om den beste veien videre.

For den komplekse produksjonen

Det er en utfordring de kjenner igjen hos Viegand Maagøe. Mange bedrifter må finne neste steg i arbeidet med å nå klimamålene – uten at det går ut over produktivitet og lønnsomhet.

En større elektrifisering kan for eksempel kreve utskifting av store deler av produksjonsutstyret, samtidig som fremtidens uforutsigbare strømpriser sjelden er noe som vekker begeistring i styrerommene.

– Mange bedrifter er allerede godt i gang med å høste de lavthengende fruktene, som å innføre varmepumper og mer generell elektrifisering. Nå må de ta fatt på de mer komplekse delene av produksjonen, og her kan maskinlæring kanskje være en løsning, sier Nicklas Høgh Iversen.

Artikkelen ble først publisert på Version 2 for deres abonnenter. Den er tilgjengelig for TUs abonnenter gjennom vår samarbeidsavtale.