Oliefiltre

Et forskningsprojekt med kunstig intelligens i MADE FAST har bidraget til, at SMV’en C.C. Jensen har reduceret energiforbruget til tørring af oliefiltre med faktor 10 og reduceret deres produktionstid markant. Aarhus Universitet kalder resultaterne for ’fabelagtige’.

Hvornår kan vi slukke for ovnen?

Det spørgsmål har optaget virksomheden C.C. Jensen, der producerer oliefiltre som sikrer, at systemer – f.eks. en skibsmotor – kører upåklageligt og giver besked, når vedligehold er påkrævet. 

Deres oliefiltre må nemlig ikke blive for tørre eller for våde, de skal have den helt nøjagtige tørhedsgrad, og opnås dette, så bliver kvaliteten og ensartetheden højere og produktionstiden kortere.

Det her betyder voldsomt øget produktionskapacitet for os.

Jens Fich, teknisk direktør i C.C. Jensen.

I et MADE FAST-forskningsprojekt med Aarhus Universitet fandt de svaret ved at koble sensorer på deres systemer og lade AI forudsige, hvornår tørhedsgraden er helt rigtig, så ikke der skal bruges unødvendig energi på at opvarme ovne:

”Vi har foretaget en lang række tørreforsøg med Machine Learning, hvor vi lærer en computermodel at vurdere, hvornår det er tørt. Det er simpelthen et neuralt netværk,” forklarer Jens Fich, teknisk direktør i C.C. Jensen.

Da filtrene består af naturfibre, så tørrer de ikke lige hurtigt, og derfor var der altså behov for en ny løsning. Der var mulighed for at anvende meget komplicerede sensorpakker, der måler luftfugtighed, men C.C. Jensen gik i en anden retning.

Styrket konkurrenceevne

”MADE-projektet hjalp os med at udvikle den her AI-model, og den er en vigtig brik i et stort puslespil: Den har bidraget til, at vi har reduceret vores energiforbrug til tørringsprocessen med en faktor 10 ift. tidligere. Samtidig har vi opnået en øget produktionshastighed. 37 procent reduceret gns. tørretid pr. filterindsats. Det her betyder voldsomt øget produktionskapacitet for os,” siger Jens Fich.

Aarhus Universitet, som MADE-ph.d.en har fået vejledning af, er overrasket over de store gevinster:

”Det er fabelagtigt. Jeg havde aldrig forestillet mig, at man kunne reducere med en faktor 10 i forhold til energi. C.C. Jensen har jo nok tidligere gået med livrem og seler: De har villet sikre, at deres filtre altid lever op til en høj standard. Det er jo kvalitet, vi lever af i Danmark. Det er klart nok, at de også sparer tid, når der kun er behov for at have ovnene tændt i en tiendedel af tiden,” siger Peter Gorm Larsen, professor på Aarhus Univeristet og medvejleder på ph.d.-projektet.

En del af forklaringen er, at C.C. Jensens tørreproces på fabrikken i Hesselager var den mest energitunge proces for virksomheden. Samtidig med ibrugtagning af AI-modellen, så har filterproducenten konverteret fra at bruge træpiller til elektricitet med varmepumper, der nu er varmekilden til at tørre filtrene.

”Resultaterne er imponerende – og det glæder mig, når vi gennem forskning kan styrke konkurrenceevnen. Teknikkerne her kan inspirere andre produktionsvirksomheder til, hvordan de også kan optimere deres energiforbrug,” pointerer Nigel Edmondson, MADE’s direktør.

Det uperfekte er brugbart

I arbejdet med Machine Learning er det vigtigt at være opmærksom på, at der vil opstå fejl, lyder det fra professoren:

”Potentialet for maskinlæring er enormt, hvis det ikke er livsafgørende, at modellen svarer rigtigt i 100 procent af tilfældene. En AI-model vil aldrig være perfekt, men den er brugbar, når den er bedre til at udføre arbejdet end mennesker – altså simpelthen laver færre fejl, og i eksemplet her er computeren bedre til at forudsige det end det menneskelige øje. I en tørreproces er 95 – 99 procent nok til at forbedre processen, men det samme er ikke tilfældet, hvis AI skal kontrollere selvkørende biler midt inde i byen,” forklarer Peter Gorm Larsen.

Der er altså ingen garantier for, at maskinlæring vil virke, men der er god sandsynlighed for det, hvis man som produktionsvirksomhed har regulære data.

”Det virker, fordi vi har analyseret, hvilke værktøjer der passer her. Det svarer lidt til at prøve forskellige redskaber i værktøjskassen: Skruetrækkeren er ikke så god til at banke søm i væggen med, men det er hammeren. På den måde får man opbygget viden.”

Netop den forskningsviden har C.C. Jensen været optaget af at få ud i hele organisationen, og det arbejde blev lettere ved, at Aarhus Universitet ansatte MADE-ph.d. Christian Remi Wever fra C.C. Jensen.

”Det har været en kæmpe fordel at have en af vores egne tilknyttet som ph.d. Det har betydet, at vi nemt har kunne integrere ny viden fra projektet ind i vores organisation. Vi har nu implementeret AI-løsningen på forsøgsbasis – endnu ikke fuldt implementeret, men vi kan se, det virker,” siger Jens Fich, teknisk direktør i C.C. Jensen.

”Der er penge at tjene”

Forskningsprojektet nærmer sig sin afslutning nu – tilbage er bl.a. at sikre bred formidling af resultaterne, så den nye viden kan komme andre produktionsvirksomheder til gavn. Machine Learning kan komme i spil i mange andre processer, hvor der er behov for forudsigelser:

”Der er penge at tjene på de områder i produktionen, hvor man stadig gerne vil sikre, at kvaliteten er i orden i 99 procent af tilfældene. Kan virksomheder få data ud og få hjælp fra vidensinstitutioner, der ved, hvilket værktøj der nu skal bruges, så kan det give stærke resultater, hvor man sparer energi. Det er godt for den grønne omstilling,” siger Peter Gorm Larsen.

AI vinder indpas i flere produktionsvirksomher – se her, hvordan BKI Foods via et MADE-projekt fik sparring til at sætte kaffe på formel.