Du har inte javascript påslaget. Det innebär att många funktioner inte fungerar. För mer information om Vinnova, ta kontakt med oss.

Smart Forge - Hållbar produktion genom AI-styrd smidesugn

Diarienummer
Koordinator RISE Research Institutes of Sweden AB - RISE Research Institutes of Sweden
Bidrag från Vinnova 5 000 000 kronor
Projektets löptid oktober 2020 - mars 2023
Status Avslutat
Utlysning Strategiska innovationsprogrammet för processindustriell IT och automation - PiiA
Ansökningsomgång PiiA: Digitalisering av industriella värdekedjor, våren 2020

Viktiga resultat som projektet gav

Huvudmålet med Smart Forge var att skapa ett prototypsystem för automatisk styrning av Bharat Forge Kilstas smideslinje, i syfte att reducera kassationen. Angreppssättet var att först skapa en fysikbaserad simulator av smideslinjen, och sedan använda denna för utveckling och testning av styralgoritmer. Två algoritmer togs fram: en linjär optimerare, och en reinforcement learningalgoritm. Den senare har testats i skarp produktion och vistats kunna styra smideslinjen vid normal produktion. Nästa steg är att utöka testerna till att innefatta fler produktionslägen.

Långsiktiga effekter som förväntas

Projektet har visat på proof-of-concept -- AI som tränats helt och hållet i en simulator kan användas för att aktivt styra effekttillförseln till en induktionsugn för att på så sätt styra temperaturen hos ett metallobjekt som rör sig genom ugnen. Projektet har också lett till en open sourcebaserad kommunikationsplattform för fjärruppkoppling till OPC-UA-servrar. Ytterligare arbete behövs dock innan lösningen nått hela vägen till en färdig produkt, och fortsatt samarbete mellan RISE, Viking Analytics och Bharat Forge Kilsta planeras därför.

Upplägg och genomförande

Projektets resultat visar att angreppssättet är rätt, men under projektets gång stöttes flera utmaningar på. Framförallt handlade det om hur kommunikationen mellan algoritmerna och produktionslinjen skulle gå till, men också om hur realistisk fysiken i simulatorn måste vara och hur träningen av reinforcement learning-AI skall göras. Reinforcement learning kräver en väldesignad s.k. målfunktion, och det visade sig vara svårt att designa en för styrning vid varmhållning. Därför bestämde vi oss för att först försöka klara normal produktion och återställning efter varmhållning.

Externa länkar

Texten på den här sidan har projektgruppen själv formulerat. Innehållet är inte granskat av våra redaktörer.

Senast uppdaterad 30 maj 2023

Diarienummer 2020-02835