Machine learning i kritisk produktionssystem
VELUX Gruppen træder ind i fremtiden med machine learning for at optimere kapaciteten af produktionen
Med et veldefineret mål om at øge kapaciteten og kvaliteten på en kritisk produktionslinje har VELUX Gruppen og kaastrup|andersen samarbejdet om et første bud på en analyse af sensor- og produktionsdata, der har udmøntet sig i en prototype på en machine learning model. Modellen leverer erfaringsbaserede forudsigelser af de optimale justeringer i produktionsudstyret, når omstændighederne (for eksempel skift af materiale i produktionen) kræver det.
Vil du vide mere?
Tak for din henvendelse
Vi vender tilbage til dig hurtigst muligt.
"kaastrup|andersen hjælper os med at få øje på gevinsterne ved at benytte machine learning i produktionen – et værktøj, der kan gøre vores produktion mere effektiv og let at styre."
Udfordring
| Læs mere om ’machine learning’ og ’artificial intelligence’ lige her. |
VELUX Gruppen har altid fokus på, hvordan produktionen kan foregå mest effektivt, blandt andet ved at benytte nye metoder til at behandle data fra produktionsmaskiner. En af VELUX Gruppens nøgle- produktionslinjer havde potentiale til at blive mere effektiv. Især i forbindelse med skift af ruller med aluminiumsmateriale opstod en del spild af både materialer og tid. Målet var at skabe mere kapacitet og undgå flaskehalse i den kritiske produktionsproces ved at udnytte tilgængelige data.
VELUX Gruppen arbejdede sammen med kaastrup|andersen for at afsøge mulighederne for brug af machine learning for at optimere produktionslinjen og samtidig afprøve nye måder at analysere ydelse, effektivitet og potentiale.
Løsning
Data fra forskellige steder i produktionsprocessen blev samlet op via en række sensorer i produktionsmaskinerne. Samtidig blev mere overordnede produktionsdata samlet ind og den store mængde forskelligartet data dannede udgangspunkt for en grundig analyse. Selve analysearbejdet blev udført ved hjælp af en række værktøjer, der afdækker korrelationer, spidsbelastninger, sammenhænge og mønstre, som kan danne grundlag for machine learning-modeller. I denne sammenhæng vil velfunderet og vellykket machine learning betyde, at produktionssystemet hele tiden ’bliver klogere’ på, hvordan processerne skal tilpasses for at yde optimalt.
Resultat
Analysen af de opsamlede data viste klare korrelationer mellem forskellige dele af produktionsprocessen. Resultaterne dannede grundlag for en simpel machine learning model, der leverer forudsigelser af, hvilke parametre, der skal justeres, når elementerne i produktionen ændrer sig, baseret på de erfaringer, der er gjort tidligere. Modellen kan udvides til at give operatøren på produktionslinjen helt tydelige anvisninger på, hvad der skal justeres i en given situation. Figuren viser nogle af korrelationerne (rød farve) mellem de forskellige processer i produktionen.
Denne første analyse viser tydeligt, at der er gevinster at hente ved brug af machine learning på produktionslinjen og VELUX Gruppen og kaastrup|andersen træder nu ind i næste fase af projektet, hvor der arbejdes med dynamisk udtræk af realtime data fra sensorerne i udstyret. Målet er at opnå en proces, der selv regulerer afvigelser (eksempelvis forårsaget af temperaturudsving, svingende fyldning i profiler etc.), så man på sigt får mulighed for at mindske de høje krav til operatørkompetencer. For at opnå målet udvikles en mere omfattende machine learning model, som medtager endnu flere parametre og er i stand til at give mere detaljeret, aktuelt og konkret feedback.
Vil du vide mere?
Tak for din henvendelse
Vi vender tilbage til dig hurtigst muligt.