Artikel Jyllands-Posten 2018
Flere produktionsvirksomheder er begyndt at eksperimentere med prædiktiv analyse og machine learning til at optimere produktionen og skabe nye tjenester. Men de fleste mangler stadig fundamentet: at indsamle sensordata systematisk.
Hvordan opdager man et stort og dyrt problem, før det opstår?
I mange industrier er det et gyldent spørgsmål, som der de seneste år er kommet et nyt svar på: Prædiktiv analyse baseret på machine learning — bedre kendt som kunstig intelligens. Ved at lære af store datasæt kan machine learning-algoritmer nemlig finde mønstre og sammenhænge, der er usynlige for det menneskelige øje, og forudsige problemer, før de sker.
Metoden har blandt andet hjulpet Uddeholm, en af verdens førende producenter af stål til industrielle værktøjer, med at opdage fejl i produktionen og øge kvaliteten af produkterne.
Virksomheden indsamler først sensordata fra produktionen af de forskellige ståltyper. Data bliver herefter analyseret ved hjælp af machine learning-modeller, som kan forudsige problemer med kvaliteten af stålet og mindske mængden af overskydende stål. På udvalgte områder er det således lykkedes for modellerne at forudsige over 70 pct. af kvalitetsproblemerne i produktionen.
"Når virksomheder kan reagere tidligere på fejl i produktionen, får de en konkurrencemæssig fordel," siger Jens Christian Volhøj, direktør for konsulentydelser hos it-virksomheden CGI, og tilføjer, at Uddeholm er frontløbere for nogle teknologier, som så småt er ved at sprede sig til resten af produktionsvirksomhederne.
"Teknologierne er blevet billigere og mere tilgængelige og kan derfor nu i praksis bruges til at optimere processer og identificere fejl, før de sker," siger han.
Prædiktiv analyse på eksperimentelt stadie
Data og prædiktiv analyse står i dag øverst på produktionsvirksomhedernes dagsorden. I en undersøgelse foretaget af CGI blandt 128 ledere fra produktionsvirksomheder over hele verden, svarer 68 pct., at de investerer på området i dag. Om tre år forventer 86 pct. at gøre det.
Det er dog de færreste, som er nået så langt som Uddeholm med at bruge prædiktiv analyse. 69 pct. af virksomhederne fra undersøgelsen er enten i gang med at undersøge brugen af machine learning i produktionen eller har lavet tidlige proof of concepts. Kun 1 pct. har fuldendt en transformation med machine learning.
Dette skyldes ifølge Jens Christian Volhøj blandt andet, at virksomhederne ikke får opsamlet data fra sensorerne i produktionen systematisk — en afgørende forudsætning for at få succes med machine learning og prædiktiv analyse.
"Der er masser af internetforbundne sensorer ude i produktionsvirksomhederne, som kan trække data til MES-systemet. Udfordringen er, at man ikke samler data op over lang tid, får analyseret dem og skabt værdi ud af resultatet," siger han.
Nye sensorer, nye datakilder
For nogle virksomheder handler det ifølge Jens Christian Volhøj om at udvide datakilderne ved at installere flere sensorer i produktionen. Har man kun de fornødne sensorer til at stoppe og starte produktionen, kan der være behov for at måle andre parametre som fx temperatur eller vibrationer. Og her hersker der en forældet opfattelse af, hvor besværligt det behøver at være, forklarer han.
"Mange tror, at de skal lave komplicerede og dyre indgreb i maskinerne. Men det behøver man slet ikke med trådløse retrofit-sensorer, som man hurtigt kan koble på," siger han og tilføjer:
"Det handler om at starte med små eksperimenter og så gradvist udvide."
Virksomhederne får et overblik over data ved at samle dem i skyen. Det kan eksempelvis foregå med et setup som CGI’s IoT Explorer, hvor hele processen — fra dataindsamling til avanceret analyse — leveres som en pakkeløsning.
"Industrien er stadig ikke nået så langt i forhold til at opsamle og analysere data, men nu er det blevet ret let at komme i gang," afslutter Jens Christian Volhøj.
