Jern smeltes, hældes på form og støbes, mens gløderne springer, maskinerne larmer og gassen blusser.
Præcis som det er foregået i over 100 år på jernstøberiet Birn i Holstebro. Men nu har støberiet føjet intelligent teknologi til de århundreder gamle arbejdsmetoder.
Birn er det første jernstøberi i verden, som har installeret et AI-system, der ved hjælp af data og laserstråler justerer mængden af jern, som bliver hældt på form.
Automatiseringen medfører, at Birn bruger mindre jern, som skal varmes op til 1400 grader for at blive flydende til støbning. Besparelsen er så stor, at støberiet forventer at kunne skære 1,5 mio. kr. af den årlige elregning, når AI-systemet er fuldt implementeret.
“Hver gang vi støber, sparer vi, hvad der svarer til at opvarme et halvt kilo jern,” fortæller Lars Jørgensen, der er driftsdirektør i Birn og leder af AI-projektet.
“Markedet for maskinlæring er eksploderet inden for de seneste fem år, men mange danske virksomheder udnytter det slet ikke
Nicklas Høgh Iversen, der er ingeniør ogrådgiver i energieffektivisering og bæredygtighed,Viegand Maagøe
Birns nye teknologi fungerer ved, at en algoritme beregner den optimale mængde, hver gang rødglødende jernmasse hældes i støbeforme. Algoritmen overvåger konstant påfyldningen via et dobbelt lasersystem og justerer, hvornår der er nok i formene.
Før i tiden var det operatører, der vurderede, hvornår der var tilstrækkeligt jern i formene. Men det nye datastyrede system er i langt de fleste tilfælde mere præcist end de menneskelige skøn, viser støberiets test.
Mindre elregninger er derfor ikke den eneste fordel ved den nye digitale assistent ifølge Lars Jørgensen. Automatiseringen giver også en højere produktkvalitet.
“Vi øger produktionen, samtidig med at vi eliminerer variation i processen. Det er effektivisering på alle områder,” siger han.
Birn er en AI-pioner, som produktionsvirksomheder i andre brancher med fordel kan lade sig inspirere af, siger Nicklas Høgh Iversen, der er ingeniør i Viegand Maagøe, som rådgiver virksomheder i energieffektivisering og bæredygtighed.
Virksomheder i procesindustrien har et stort uforløst potentiale for at bruge maskinlæring til at optimere produktionen og sænke energiforbruget, vurderer han:
“Markedet for maskinlæring er eksploderet inden for de seneste fem år, men mange danske virksomheder udnytter det slet ikke,” siger Nicklas Høgh Iversen.
Maskinlæring fungerer ved, at en algoritme bliver fodret med en masse data, så den ’lærer’ at genkende mønstre, beregne sandsynligheder og lave forudsigelser. De fleste virksomheder indsamler en masse data, som de kan udnytte til formålet. Men det sker alt for sjældent, vurderer Nicklas Høgh Iversen.
“Der er et mismatch mellem mængden af data, og hvor meget de bliver brugt. På en fabrik kan man snildt have 500-1000 datapunkter, som kan udnyttes til kunstig intelligens, men ikke bliver det. Det er stort set kun de helt store danske virksomheder, som i øjeblikket udnytter potentialet,” siger han.
“Mange kender ikke potentialet, og de tror, at det er dyrt og besværligt. Men det tager altså ikke 8000 konsulenttimer og en ph.d. Hvis en virksomhed allerede har en masse data, kan man udnytte dem og træne et maskinlæringssystem på et par måneder.”
AI-projektet i Holstebro startede i 2020, hvor Birn i samarbejde med virksomheden Pour-tech begyndte at indsamle data: Hver gang jern blev hældt i en støbeform, samlede en computer data om, hvor meget den flydende masse sank og satte sig i formene.
Dataene brugte Pour-tech til at træne en algoritme i at beregne den optimale mængde jern til forskellige forme. Efter halvandet års træning og test var den intelligente regnemaskine klar til at komme i drift på støberiet.
“Systemet har stadig børnesygdomme. Hvis vi introducerer nye støbeforme, skal det tilpasses, fordi algoritmen først skal lære dem at kende. Det er teknologi, som kan fryse og gå ned, især i starten var der den slags problemer,” siger Lars Jørgensen og fortsætter:
“Algoritmerne kan også lave fejl, så der er brug for, at operatørerne overvåger det. En gang imellem må vi slå det fra og gå over til det gamle håndholdte system. Men det positive er, at algoritmen hele tiden lærer: Jo flere data, vi får indsamlet, desto bedre bliver den.”
Birn bruger maskinlæring til at optimere mængden af jern i støbeforme. Andre produktionsvirksomheder har f.eks. tørreprocesser, hvor der konstant bliver indsamlet data om temperaturer, blæseluft, fugtighed, kilowatt timer og opholdstid i tørreovne.
Den slags data kan bruges til at træne en algoritme, forklarer Nicklas Høgh Iversen:
“I dag styrer procesoperatører dele af sådan en tørreproces manuelt. Deres opgave er at sikre, at produktet er tørt nok til at kunne bruges i efterfølgende processer. Det optimale er måske, at det er på 20 pct. fugtighed, og så rammer operatøren i gennemsnit 17 pct. Hvis en virksomhed i stedet bruger kunstig intelligens til at forudsige slutfugtigheden, rammer den måske 19-20 pct. hver gang. Det giver en enorm besparelse hele vejen rundt,” siger han.
Ulempen for medarbejderne er, at nogle af dem uvilkårligt vil blive overflødige, forudser rådgiveren.
“Når man kommer med et redskab, der på nogle områder er bedre end procesoperatører, er den negative konsekvens, at operatørerne får mindre at lave, eller at de mister deres job. Det gælder i alle henseender, at noget af det mennesker tidligere har lavet, nu kan udføres bedre af kunstig intelligens med meget større regnekraft.”
Frygten for at blive fyret spredte sig også blandt operatørerne, da Birn gik i gang med AI-projektet. Men støberiet har ikke planer om at reducere antallet af medarbejdere, forsikrer projektleder og driftsdirektør Lars Jørgensen.
“I starten var operatørerne skeptiske. De frygtede, at AI ville komme ind og overtage kontrollen. Men målet har aldrig været at fyre medarbejdere, og selv om operatørerne stadig har en sund skepsis, har de lært at bruge AI-systemet som en slags assistent, der frigiver tid til at udføre andre opgaver. Det er en digital måde at effektivisere på,” siger han.
ProjektetMachine Learning til Energi- og Procesoptimering (MLEEP) integrerer maskinlæringsalgoritmer i fem danske industrivirksomheder. Formåleter at indsamle erfaringer og belyse de potentialer, muligheder og barrierer for at bruge AI til at energi- og procesoptimere produktionsanlæg. Projekteter støttet af Elforsk. Partnerne er Viegand Maagøe, Danmarks Tekniske Universitet, Biolean, Avista Green, Viking Malt A/S, Ringsted Forsyning A/S og Arla Foods Ingrediens og Koppers. Læs mere om dether
Operatørerne har efterhånden taget den nye teknologi til sig og lagt frygten for at blive erstattet på hylden. Men de har stadig en sund mistillid til deres nye digitale assistent, fortæller Lars Jørgensen.
“De råber op, hvis der er noget, som ikke fungerer. Nogle arbejder konstruktivt på at få systemet til at fejle for at se, hvor effektivt det er. Men det er kun sundt, at de ikke stoler blindt på det,” siger han.
Det nye AI-system er i øjeblikket installeret på to støbelinjer hos Birn, men planen er, at teknologien efterhånden skal implementeres på yderligere to.
Og algoritmens børnesygdomme afskrækker på ingen måde støberiet fra at kaste sig ud i nye projekter med kunstig intelligens. Virksomheden har planer om at automatisere flere dele af støberiprocessen og indsamler i øjeblikket data til at træne nye systemer.
“Vi vil gerne udvikle kunstig intelligens, der for eksempel kan styre, hvor meget sand, der bruges, og som kan tage højde for lufttemperatur og blæsestyrke i maskinerne,” fortæller Lars Jørgensen.
I 2020 var Birn det første jernstøberi i verden, der begyndte at eksperimentere med at bruge kunstig intelligens til at effektivere støbeprocessen. Siden er et par andre kommet med på bølgen.
Mens jernstøberiet brugte et par år på at indsamle data og træne algoritmen, kan andre procesvirksomheder gøre det hurtigere, fordi de allerede har de data, de skal bruge, vurderer Nicklas Høgh Iversen.
