Första AI-satsningen inom smidestillverkning – så gick det
Av Elin Nittmar
Projektet är avslutat när vi når Andreas Thore. Vi ber honom att kortfattat berätta om AI-projektet.
– Det handlade om att försöka styra en produktionslinje med algoritmer hos ett företag som hette Bharat Forge Kilsta som tillverkar komponenter för tung transport.
Komponenterna smids hos Bharat Forge Kilsta som får in råämnen i form av cylindriska långa stänger i stål, som värms upp till en temperatur så hög att det går att pressas till en specifik form. Dessa åker fram på ett rullband genom induktionsspolar som värmer upp dem.
Denna typ av uppvärmning måste göras på rätt sätt, annars riskerar stängerna att få fel temperatur.
– Man har ett så kallat temperaturfönster i slutet på produktionslinjen där det gäller att styra uppvärmningen så att man prickar in rätt temperatur. Det är en intervall som stängerna måste hålla sig inom rent temperaturmässigt.
Om det inte görs på rätt sätt, får komponenterna fel egenskaper och stålet blir dåligt.
– Man får helt enkelt slänga komponenten och smälta om stången till en ny stång. Något som givetvis kostar pengar.
Han förklarar att det handlar om stora belopp per år, även om kassationen inte är jättestor.
Idag görs denna process på recept genom en lista med effekter som ska skickas ut till induktionsspolarna, eller ugnarna, som värmer upp stången. Däremot är det inte alltid som recepten stämmer.
– Då och då måste en operatör kliva in och göra vissa justeringar och det är där det lätt blir fel. Därför vill man ha en smart algoritm som kan titta på stångens temperatur medan den rör sig i ugnen och styra effekttillförseln på ett sätt som gör att det blir rätt temperatur i slutet.
Det är där projektets fokus legat, förklarar Thore. Under projektets gång arbetade de med två olika styralgoritmer. Båda var AI-algoritmer men en av dem var mer avancerad.
En stor del av projektet handlade om att ta fram en digital tvilling, en så kallad simulator, av produktionslinjen som man kan testa sina algoritmer i.
– En sådan snickrade vi ihop, så att vi fick en digital testbädd för våra algoritmer. Här simulerade vi stången och kunde se vad den fick för temperatur i slutet på produktionslinjen. Sedan kunde vi koppla våra algoritmer till simulatorn och se om de gick att styra mot en bra sluttemperatur.
Thore beskriver att det var projektets två stora grunder – att dels jobba med simulatorn och algoritmerna. Något han menar krävde en hel del arbete.
– Simulatorn skulle givetvis vara verklighetstrogen, vilket inte var helt enkelt. Men där finns ytterligare jobb att göra.
Vad gäller algoritmerna togs två fram, där den mer avancerade har testats i produktion. ”Deeper Reinforcement learning” kallas det, berättar han, och är väldigt populärt för att styra maskiner och robotar. Algoritmen är testad under enklare produktionsscenarier, men inte under de scenarier som är svårast att hantera.
– Vi har egentligen bara börjat så smått att utveckla det problem som Bharat Forge faktiskt har. Därför har vi börjat med de enklaste fallen först, för att se att det klaras av. Det var så långt vi kom i projektet.
Och hur kan det sammanfattas hittills? Andreas Thore menar att det, i princip, fungerar med ”Deeper Reinforcement learning”.
– Vi kan styra enklare produktionsscenarier och det återstår att ta lösningen hela vägen i mål, så att den kan hantera alla produktionsscenarier.
Han berättar att det var där de stannade i projektet. En lärdom de tar med sig är att det är mycket arbete som krävs för att testa algoritmerna praktiskt.
– Vi kom inte så långt att vi kunde implementera det skarpt hos Bharat Forge Kilsta. Däremot kan vi se potentialen, men det behöver vidareutvecklas innan det kan sjösättas helt, avslutar han.
