AI-software hjælper C.C. Jensen med at styre tørreprocessen i deres produktion af oliefiltre

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, som fx bliver brugt i en skibsmotor og sikrer, at den kører upåklageligt.

For at blive klogere på det har de i samarbejde med Aarhus Universitet og os udviklet nogle AI-metoder, som kan estimere restfugten i deres oliefilter. Det er et digitalt stegetermometer, som kan sikre, at de opnår den ønskede kvalitet, når de tørrer deres produkter, forklarer Christian Remi Wewer fra C.C. Jensen.

“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. Men med den nye metode så kan vi spare energi og dermed penge på processen,” forklarer han, der har arbejdet med maskinlæring i deres 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, forklarer Christian Remi Wewer:

“De har bygget et stykke værktøj, som du 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.”

FactoryML kan også reducere de kompetencer, der skal til for at køre tørreprocessen.

“I stedet for at du skal have et større team med mange forskellige kompetencer, så kan du 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.”

Det betyder ifølge Christian Remi Wewer tre ting. 

For det første får de en mere ensartet produktion, og for det andet reducerer det tørretiden, hvilket medfører reduceret energiforbrug. Og 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
De kunne godt selv have udviklet og implementeret de her ML-modeller i deres fabriksmiljø, forklarer Christian Remi Wewer. Men samarbejdet med os 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.”

Nemmere adgang til ML for SMV’er
Systemet FactoryML er ifølge vores 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, at 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.”