AI förutsäger behovet av tapphålsbyte på konvertrarna

Maskininlärning är en uppsättning algoritmer som hjälper oss att förutsäga kommande utfall genom att analysera historiska data. Jakob Johansson är underhållsingenjör och berättar att Luleå var en av fyra orter i SSAB-koncernen som fick i uppdrag att utveckla en egen modell för maskininlärning i samarbete med en extern leverantör.

– Förutom konkreta förbättringar i det projekt vi valde så var målet också att vi skulle lära oss av utvecklingsprocessen för att kunna göra liknande utveckling på egen hand. Vi valde därför ett förbättringsområde som är förhållandevis enkelt baserat på att vi har tillgång till mycket indata där, säger Jakob Johansson från Underhållsutveckling, som ledde projektet.

Att bättre kunna förutsäga och planera tapphålsbyten på stålverket blev den uppgift som maskininlärningsmodellen utvecklades för.

– Genom att skapa en mer exakt förutsägelse av tapphålets livslängd så kan planeringen av produktionen anpassas. Till exempel med råstålsbuffring så att produktionen kan fortgå under tapphålsbytet, säger Jakob.

Rätt parametrar ger säkrare förutsägelser

Projektgruppen på SSAB Luleå analyserade vilka befintliga data som skulle ge bästa underlaget och som var möjligt att överföra mellan systemen.

– Vi har lärt oss mycket genom att analysera data och att delta i programmeringen och utvecklingen. Tack vare att vi valde rätt projekt så lyckades vi komma i mål inom utsatt tid och nu är den uppgraderade modellen implementerad i vårt produktionsstyrningssystem, säger Jakob.

Maskininlärningsmodellen tar hänsyn till flera parametrar när den gör sina förutsägelser, som bland annat temperatur, vikt, legeringar, mängd syre och vilket specifikt stål det gäller. Den använder även en modern maskininlärningsmetodik för att minimera den övergripande andelen prediktionsfel genom att generera ett glidande medelvärde av tapptiden. Projektgruppen har dessutom skapat aktiva analysrapporter för att kontinuerligt följa och utvärdera modellens beräkningar mot det verkliga utfallet, och tillförlitligheten har varit hög hittills.

AI är här för att stanna

SSAB Luleå kommer att fortsätta skapa liknande maskininlärningsmodeller på andra områden men vilka projekt som kan bli aktuella är inte klart ännu.

– Vi gör kritikalitetsanalyser för att prioritera vilka projekt vi ska driva och maskininlärning passar för vissa men för andra kanske det finns enklare lösningar som passar bättre, avslutar Jakob.