Omron höll heldag om AI
6
Bilder
Thomas Therney fick deltagarna att fundera kring vad AI egentligen är. Foto: Martin Wänerholm.
– Vi vet inte hur vi ska definiera AI men vi känner igen det när vi ser det.
Orden kommer från Thomas Therney, författare till boken Kriget om framtiden. Han menar att definitionen av AI inte är alldeles enkel och den kan också förändras över tiden. Smarta spamfilter i våra datorer kan bygga på AI-teknik men det tänker vi inte längre på som AI då det blivit en naturlig del i vår vardag.
Thomas Therney var en av föreläsarna under dagen “AI in manufacturing” som anordnades av automationsföretaget Omron. Cirka 140 deltagare hade samlats till en heldag om både teknik som används idag men också vad som kommer i framtiden.
Kasper Malthe Larsen från Novo Nordisk var en av talarna och han berättade bland annat om en förpackningslinje som inte fungerade optimalt. För att lösa problemet skapade företaget ett team som såg till att samla in så mycket data som möjligt från linjen. Det var allt från vilka material som kördes och storlek på batcher till hur maskinerna fungerade.
De använde sedan AI för att analysera data, hitta samband och visualisera vad som var viktigt. I just det här fallet visade det sig att batchens storlek hade betydelse, men också vilken dag på året det var och vilken tid på dygnet. Det senare kan tänkas koppla ihop med till exempel varierande luftfuktighet som påverkar de kartongförpackningar som används.
De tittade även på de absolut bästa batcherna och drog slutsatser kring vilka förutsättningar som då var på plats. Utredningen har lett till en rad förbättringar men även om de optimerat mycket finns det fortfarande kvar skillnader mellan olika produktionstillfällen. De har därför infört en AI-modell för operatören.
– Det är en enkel modell som talar om för operatören att med de förutsättningar som gäller för tillfället bör följande produktionshastighet kunna hållas, förklarade Kasper Malthe Larsen.
Ett annat företag som också fokuserade på förpackningsindustrin var värden själv, Omron, som visade sin nyligen lanserade robot för att fylla förpackningar. Den har AI-stöd inbyggt i maskinen och maskinen är därmed självjusterande om det till exempel uppstår problem i produktionen där flaskorna inte kommer med den förutbestämda hastigheten eller om andra problem uppstår.
Många av besökarna funderade över vad AI och även Industri 4.0 är för något.
– Förhoppningsvis får du inte svaret från en leverantör att de har Industri 4.0 på hyllan och att det är bara att installera i morgon. För det är inte en produkt utan ett koncept som bygger på att alla produkter i en tillverkningskedja har info om varifrån de kommer och vart de är på väg, menade Daniel Wigren, vd för Virtual Manufacturing Sweden.
De delar som han menar ingår i konceptet är: avancerade kollaborativa (samarbetande) robotar, additiv tillverkning, horisontell och vertikal integrering av data mellan olika system, AR, molnbaserade data och tjänster, simulering, blockkedjor, industriellt internet inklusive uppkopplade maskiner samt big data analys.
Att installera någon eller flera av ovanstående tekniker kan av vissa ses som lösningen på allt men det behöver inte vara smärtfritt vilket belystes av Finn Hunneche vd vid datainsamlingsföretaget Blackbird.
Utmaningar som många ställs inför är att de maskiner de har idag inte kan hantera och samla in den underlagsdata som krävs. Och lyckas man samla in data så måste den sparas på ett bra sätt med bra tillgång. Det sista problemet är kunskapen ute i organisationerna där medarbetarna inte alltid förstår vad det innebär och hur AI kan användas.
– Vi kan låta som idioter om vi går ut i vår tillverkningsindustri och talar om AI.
Finn Hunneche menade också att det finns många olika sätt som AI kan användas på. Från enklare övervakning av standardparametrar för att avgöra vad som är normalt eller inte i en process till att analysera bilder av produktionslinjer för att hitta problem.
Mer avancerat är att med AI bygga upp modeller som låter användaren förutspå vad som kommer bli det största produktionsproblemet de kommande dygnen eller om produktionen kommer ligga i fas med planeringen de kommande timmarna.
Ett företag som kommit långt i att implementera den teknik som faktiskt finns ute på marknaden är SKF och deras arbete beskrevs av Henrik Wikberg. De planerar nu att samla in data från alla sina maskiner i världen för att kunna optimera sina processer men det tar sin tid.
– Vi har använt de senaste sex månaderna till att skapa en datamodell som hanterar alla de olika maskiner vi har över världen. Det är mycket arbete bara för att definiera systemet så att vi samlar in samma typ av data från alla maskiner, datan måste också döpas på ett standardiserat sätt från alla maskiner, sade Henrik Wikberg.
All data de samlar in måste lagras någonstans, många tänker spontant på molnet men det kan enligt Henrik Wikberg bli ganska dyrt. Därför har SKF valt att spara en del data på respektive fabrik och där filtrera materialet så att rätt data skickas vidare till molnet för analys.
– Idag kan data vi samlar in vara värdelös men det kan bli värdefullt i framtiden.
SKF använder också bildigenkänning kombinerat med maskininlärning för att till exempel ta bilder på produkterna och direkt kunna säga om det finns synliga defekter. De har också teknik för att avgöra till exempel små förskjutningar i slutproduktens färdiga mått så de kan vidta åtgärder innan problemet blir för stort.
En annan sak som SKF använder allt mer är att använda data från maskinerna för att förutse när förebyggande underhåll krävs för att förhindra haverier. Även maskiner som inte går sönder får ibland korta små driftstopp, ofta kanske bara någon minut så många låter det bara passera men SKF vill också framöver använda all insamlad data för få fram rotorsakerna till stoppen.
Även om föreläsarna var många under dagen var de alla överens om att vi bara sett början på allt AI kan användas till. Så nu är det bara att sätta igång.
Goda råd
Flera av föreläsarna gav goda råd till åhörarna och några råd återkom hela tiden.
– Identifiera vilka som är dina problem där du behöver en lösning och vilken data du behöver för att lösa problemet.
– Våga testa och våga misslyckas.
Inför ny teknik stegvis, kanske inte hela produktionen på en gång utan börja med en maskin.
– Samarbeta.
– När du köper en ny maskin se över vilka data du kan få ut från den och på vilket sätt.
– Skapa förståelse bland personalen.
– Var medvetna om risken för att suboptimera processer om du inte har helheten klar för dig.
