På trods af udfordringer og barrierer kan industrivirksomheder med et højt energiforbrug omdanne data til værdi med Machine Learning-løsninger.
Artiklen har været bragt i Dansk Kemi nr. 1, 2025 og kan læses uden illustrationer, strukturer eller ligninger herunder
(læs originalartiklen her)
Af Jakob Kjøbsted Huusom, DTU Kemiteknik, Nicklas Høgh Iversen, Viegand Maagøe A/S og Jesper Bryde Jacobsen, BioLean ApS
De fleste danske industrivirksomheder har de seneste år fået god adgang til procesdata af høj kvalitet. Værdien af de indsamlede data bliver dog sjældent udnyttet til fulde, fordi det ofte er dyrt, tidskrævende og komplekst at integrere det i produktionsprocesserne.
Vores erfaringer med praktisk implementering af Machine Learning viser, at det er muligt at bruge data til at skabe merværdi. Men erfaringerne viser også, at der er nogle praktiske og tekniske barrierer, der gør det vanskeligt at udnytte teknologiens fulde potentiale.
Machine Learning til Energi- og Procesoptimering (MLEEP)
Erfaringerne er høstet i MLEEP-projektet, som Energistyrelsen gennem programmet ELFORSK gav støtte til i 2022. Projektets målsætning er at integrere Machine Learning-algoritmer direkte i danske industrivirksomheder for på den måde at belyse potentialer, muligheder og barrierer, når man anvender Machine Learning til at optimere energiforbrug og processer i produktionsanlæg.
Det er gjort ved at integrere Machine Learning-modeller hos virksomheder i forskellige brancher, der alle er kendetegnet ved et højt energiforbrug. De fem virksomheder, der deltager, har derudover individuelle problemstillinger i forhold til implementeringen, der har skullet tages højde for.
Med MLEEP er det hensigten at kvantificere potentialerne for Machine Learning som et redskab, der er til at implementere, og som kan skabe værdi for virksomheder og samfund ved at bruge data, der allerede er tilgængeligt. Virksomhederne skal altså ikke ud at investere i omfattende dataindsamlingssystemer og måleudstyr for at kunne implementere Machine Learning-løsningerne.
Projektet skal også generalisere og videreformidle erfaringerne, så der forhåbentlig kan komme fart på udbredelsen af datadrevne analysemetoder hos mange flere brancher og industrivirksomheder i Danmark og resten af verden.
Organisering af industricases
De fem virksomhedscases er blevet organiseret i tæt samarbejde mellem udviklingsteamet og en partner i virksomheden for at udpege et afgrænset procesafsnit med potentiale for optimering.
Med det udgangspunkt blev der delt viden om processen og relevant historisk data mellem udviklingsteamet og virksomhedspartneren, ligesom der blev identificeret optimeringskriterier, procesbegrænsninger og arbejdsgange.
Når en opgave var defineret i en virksomhed, blev data forbehandlet og analyseret, så der kunne udvikles test af prædiktive modeller, der kunne indgå i et værktøj, som støtter operatørerne ved at foreslå optimerede procesindgreb. I samme fase blev basis for energiforbruget evalueret og brugt som benchmark-værdi.
Med valget af en given model og et koncept for beslutningsstøtteværktøj, som virksomheden så et potentiale i, blev der udviklet og implementeret en ny digital brugergrænseflade (dashboard) i kontrolrummet. De implementerede løsninger benytter realtidsmålinger for processerne, og modellerne optimerer potentielle styreindgreb. De visualiserer også nøglevariabler i processernes fremtidige forløb for operatørerne.
Afslutningsvis bliver løsningerne evalueret. Det sker ved at indhente feedback fra operatørerne og at se på den dokumenterede effekt på energiforbruget og optimeringskriterierne i en periode over et par måneder.
Det har været afgørende udelukkende at tage udgangspunkt i de processer og den instrumentering, der var på plads hos de medvirkende virksomheder, ved projektets begyndelse.
Status og resultater for projektet
I skrivende stund har vi afsluttet og evalueret implementeringen hos to virksomheder, vi er i implementerings- og testfasen hos to andre, og i udviklingsfasen hos den sidste. Alle cases skal være fuldt implementeret og evalueret med udgangen af 2025.
Hos alle fem virksomheder har det været muligt at identificere et konkret procesafsnit/problem, hvor den daglige drift er meget afhængig af indgreb fra procesoperatører, og hvor den naturlige variation i processen vanskeliggør optimal drift og energioptimering.
I alle tilfælde har der, udover energioptimering, været specifikke kvalitets- eller driftsmæssige procesvariabler, som indgår i optimeringen.
For alle virksomhederne har det været gældende, at der enten var driftsmæssige forstyrrelser eller råmaterialer til processen, der ikke har været fuldt karakteriseret, og derfor var det op til procesoperatørerne at sikre optimal drift i processen ud fra egen erfaring. Dermed afhænger driften i høj grad af, hvor erfaren operatøren er, eller hvor mange andre opgaver operatøren derudover skal løse.
I alle tilfælde har det været muligt at få tilstrækkeligt med procesdata til at kunne træne de modeller, som vi har udviklet med henblik på implementering.
Status er, at vi for alle cases har kunnet udvikle en model og dashboard-løsning med potentiale til implementering, som virksomhederne vurderer, kan hjælpe deres operatører til mere konsistent at styre processerne mod optimum.
Der har imidlertid også været udfordringer. I ét projekt var vi nødsaget til at lukke helt ned, da virksomheden besluttede at gennemføre en større ændring af processen, som betød, at datagrundlaget til at udvikle en løsning ikke længere var til stede.
I et andet projekt er evalueringen afsluttet, og virksomheden er meget tilfreds og ønsker at fortsætte med Machine Learning. Dog har det endnu ikke været muligt at dokumentere en energibesparelse. Det skyldes sandsynligvis, at virksomheden i løbet af testperioden har modtaget råmateriale fra andre leverandører end i den periode, som dannede datagrundlaget for udviklingen af modellen.
Det er dog forventningen, at energibesparelsen kommer, når modellen over tid bliver tilpasset til data fra de nye leverandører. Virksomheden rapporterer derudover, at en sidegevinst ved projektet er, at beslutninger om procesdrift, som tidligere blev varetaget af funktionærer, nu kan håndteres af procesoperatørerne ved hjælp af dashboardet.
Hvad har vi lært?
Projektet har belyst, at der er et væsentligt potentiale for at optimere produktionsprocesser og at opnå energibesparelser, hvis styringen bliver gjort mere konsistent og mindre afhængig af personer. Mange produktionsprocesser er vanskelige at styre til optimal drift på grund af betydelige variationer i procesbetingelserne, som ikke altid kan karakteriseres eller måles. I disse situationer kan prædiktive Machine Learning-modeller, som benytter både historiske og realtidsmålinger fra processen, trænes til at forudsige udviklingen for processen på baggrund af realtids driftsdata og benyttes til at optimere styreindgreb mod en ønsket fremtidig driftsform.
I udviklingen af MLEEP-projektet har vi set, at hybride modeller er hensigtsmæssige, når de er baseret på mekanistisk viden og procesindsigt i kombination med en ren datadreven del, der er modelleret med neurale netværk.
Den hybride struktur gør det muligt at bruge ekspertviden og universelle balanceligninger, som gør det muligt at fortolke modelforudsigelser og tvinge dem til for eksempel at opfylde masse- og energibalancer.
Samtidig bliver den datadrevne del benyttet til at korrelere for eksempel reaktions- eller transportmekanismer, som kan være påvirket af procesbetingelser eller forstyrrelser. Den datadrevne del er også god til at korrelere informationer, der er specifikke for råmaterialer til processen.
Den hybride struktur gør også, at det er lettere at træne gode modeller med mindre data, samt at modellens evne til at ekstrapolere er stærkere.
Projektet har også illustreret, at der er betydelige organisatoriske udfordringer, når man skal implementere denne type Machine Learning-værktøjer i praksis. For eksempel er det vigtigt at få et godt overblik over operatørernes arbejdsgange og ansvarsområder for at kunne udvikle et værktøj, som er til gavn for deres opgaveløsning.
Det er vigtigt, at den relevante information er tydelig og let tilgængelig for operatøren, der i forvejen har rigeligt med andre informationer og skærme at skulle forholde sig til.
Det har også vist sig, at en god planlægningsproces fra begyndelsen er afgørende for det videre projektforløb, da den minimerer risikoen for, at der bliver spildt ressourcer senere i forløbet. Dette omfatter blandt andet at sikre sig, at modellen ender med at give værdi for virksomheden og at fundamentet for udviklingsprocessen er til stede. Dvs. at informationer, data, it-systemer og organisationen muliggør udvikling og implementering af en god Machine Learning-model i den daglige drift.
Projektet illustrerede også, at denne type af beslutningsstøtteværktøjer baseret på Machine Learning-modeller er meget sensitive over for væsentlige ændringer i processen og dens råmaterialer.
Samtidig gælder også, at driften skal være konsistent over en længere periode i forhold til det optimeringspotentiale, som løsningen er udviklet for at skabe. Ellers står investeringen næppe mål med effekten. Denne problemstilling kan i nogen grad afhjælpes ved at lade Machine Learning-modellen lære af nye data, som opsamles, men det vil kun gøre projektet dyrere og mere kompliceret at implementere.
Uanset at der er udfordringer og barrierer ved implementeringen af den ovennævnte type af Machine Learning-løsninger, er fordelene så mange og store, at der utvivlsomt er mange brancher og virksomheder, der kan have gavn af at benytte teknologien.
E-mail:
Jakob Kjøbsted Huusom: jkh@kt.dtu.dk
Nicklas Høgh Iversen: niv@viegandmaagoe.dk
Jesper Bryde Jacobsen: jbjc@biopro.nu
FAKTABOKS:
Projektorganisation i MLEEP
Udviklingsteam
• Viegand Maagøe (projektleder)
• BioLean
• DTU Kemiteknik.
Partnervirksomheder:
• Viking Malt
• Avista Green
• Arla
• Ringsted Forsyning
• Koppers.
FAKTABOKS:
De fem cases i MLEEP
• Optimer drift for at reducere vandindhold før et tørringstrin.
• Optimer udbytte ved hurtig opstart af procesenhed.
• Optimer brug af lavtryksdamp for at reducere brug af højtryksdamp.
• Optimer udbytte af værdifulde fraktioner i en separationsproces.
• Forudsig og modvirk fænomener som reducerer ydeevnen af en procesenhed.
