Förutsäga driftstörningar i industriella processer

Implemented owned by Tenfifty and part of Predictive Maintenance (PdM) Swedish
3y ago update
I all produktion förekommer det oförutsägbara störningar och många bakomliggande faktorer har stor betydelse för att industriella processer ska arbeta utan avbrott. För Holsby Metall som varmpressar gods var detta en utmanande omständighet. Är det då möjligt att med hjälp av AI förutsäga problem som dessa?
Holsby Metall som verkar i tillverkningsindustrin är en av Sveriges ledande tillverkare av varmpressat gods. Ett projekt inleddes för att se över om det var möjligt att minska kvalitetsbrister och förutsäga störningar i produktionen, där Tenfifty identifierade möjligheterna med AI.

Den vanligaste störningen som identifierats var i Holsby Metalls aluminiumpress, där kutsar, eller små cylindrar i olika storlekar, värms upp och matas in i en uppvärmd press som släpps ner på kutsen. Kutsen pressas då till önskad form. I bland fastnar kutsarna i pressverktyget, vilket leder till att produktionen måste upphöra och medför att kutsar som börjat sin resa på det löpande bandet antingen svalnar eller värms upp för mycket i ugnen.

Holsby initierade ett AI och maskininlärnings- projekt för att minska kvalitetsbrister och förutsäga produktionsstörningar, tillsammans med oss på Tenfifty.

Datakällor

Olika sensordata (utomhustemperatur, luftfuktighet, temperaturzoner i ugnen, smörjtid och batchdata). Manuellt angivna fel. Etc.

Tekniker

Recurrent Neural Networks, Probabilistic programming.

Tenfifty lyckades förutsäga lägre kvalitet och driftstörningar upp till 15 minuter i förväg.

Attributes

Manufacturing
Production
Better Quality, More Efficient
Prediction
Recurrent Neural Networks
Sensor Data