Min Drift & Vedlikehold 2/2022 | Page 59

NR . 2 - 2022
ARROW-CI Unger AS har tatt i bruk maskinlæring og kunstig intelligens for å optimalisere produksjonsprosessene . Prosjektleder Per Olav Hansen ( t . v .) og teamleder automasjon Magnus Gulbrandsen jobber med å utvikle modeller som skal styre dette autonomt .
til mørk og tilbake til lys , klar syre . Jo høyere NT verdi , jo mørkere farge og mindre « u-sulf » – og bedre kvalitet på produktet , sier Gulbrandsen . – NIR-instrumentet er nyttig siden vi ofte har flere produktoverganger i løpet av en uke . Det hjelper operatørene til å justere korrekt og presist .
Lager egne algoritmer Når nye produktserier settes i gang kommer det inn andre råstoffer og det må settes andre parametere . I bestrebelsene på optimalisere overgangene , vekslingssekvensene , satte Unger i gang prosjektet ” Fingerprint ”. I dag har de en modell som gir meget god prediksjon på hvordan vekslingene vil forløpe .
– Vi må bruke ny teknologi , ellers henger vi ikke med . Operatørene må justere hvor mye råvare vi skal kjøre , mens modellen estimerer eksakte parametere , sier Gulbrandsen . Hver vekslingssekvens har sitt eget parametersett . Estimerte og målte verdier holdes opp mot lab-verdier , basert på dette vil operatøren finjustere prosessen . – Sekvensene er en forutsetning for maskinlæring . Operatørens rutiner er konverterte til koder , som sekvensprogram i kjernesystemet . Overgangen vil være nøyaktig den samme hver gang og datainnsamlingen vil være mer konsistent . Dette gir oss muligheten til å finjustere overgangene , sier Hansen .
59