Hva har brygging av øl, gjenbruk av motorsykkeldeler og maskinering til felles?

– Mange små og mellomstore industribedrifter ønsker å ta i bruk KI. Men er usikre på hvilke data som er relevante, hvordan løsningene skal settes sammen, og hvor mye tid og kompetanse det vil kreve, sier Zachari Thiry i SINTEF.

Han er forsker og har deltatt i prosjektet AIRISE.

Bedriftene som deltok hadde svært forskjellige behov men forskerne fulgte den samme framgangsmåten: De definerte problemet, vurderte datagrunnlaget og de tekniske forutsetningene. Deretter valgte de teknologi sammen med bedriften, testet en avgrenset prototype under realistiske forhold og ga opplæring til dem som skulle bruke, vedlikeholde og videreutvikle løsningene.

– De beste KI-prosjektene fokuserer ikke bare på teknologien. De har et tydelig definert problem og opplæring av menneskene som skal bruke løsningene. KI er et verktøy, ikke en løsning i seg selv, legger forskningsleder Giuseppe Fragapane i SINTEF til.

Første steg: Å finne det riktige problemet og målet

Løsningen må passe til arbeidsprosessen, datagrunnlaget og miljøet der den skal brukes. Derfor startet samarbeidet med en kartlegging og vurdering, ikke med valg av algoritme.

Hos de tre bedriftene kombinerte forskerne helt ulike teknologier:

• Hos det greske bryggeriet Touls’ Brew ble sensordata koblet med en prognosemodell for å varsle når ølet var ferdig gjæret.
• Hos Motonius, som leverer brukte motorsykkeldeler i Hellas, ble kamera og maskinsyn brukt til å finne skader.
• Hos iMOLD, som utvikler og produserer sprøytestøpeverktøy og plastkomponenter i Italia, ble KI-basert bildeanalyse kombinert med tradisjonelle geometriske beregninger. Det ga store tidsbesparelser.

Case en: Forutsa når ølet var ferdig gjæret

På mikrobryggeriet Touls’ Brew i Hellas var utfordringen å vite mer presist når gjæringen nærmet seg slutten. Prosessen kunne variere fra produksjonsrunde til produksjonsrunde. De ansatte måtte derfor følge flere parametere manuelt, fra én til flere ganger om dagen. Det gjorde planleggingen krevende og arbeidsom.

I løpet av to måneder satte SINTEF opp et system med sensorer som målte fire parametere i gjæringstankene: spesifikk vekt, sukkerinnhold, temperatur og klarhet. En server samlet inn målingene og gjorde dem om til datasett som kunne brukes til modellutvikling.

Data fra tre produksjonsrunder, tilsvarende omtrent to måneder, ble så brukt til å utvikle en tidsseriemodell. Modellen brukte tidligere målinger til å anslå hvordan gjæringen ville utvikle seg, når den ville være ferdig og hvor stor usikkerhet prognosen hadde. Et dashbord viste historiske målinger, aktuelle data og modellens beregninger.

Prognosen fikk en oppgitt feilmargin på 4,1 prosent. Bryggeriet rapporterte ti prosent mindre variasjon i egenskapene som ble målt i det ferdige produktet. Brukertilfredsheten ble målt til 85 prosent på tvers av åtte indikatorer, blant annet tillit til systemet, brukervennlighet og påvirkning på det daglige arbeidet.

Nå brukes løsningen brukes daglig. Neste steg er å ferdigstille programvaren og sensoren, pakke løsningen og lansere den som et produkt for mikrobryggerier.

Case to: Fant rust, sprekker og riper på brukte kjøretøydeler

Greske Motonius arbeider med metoder som kan forlenge levetiden til kjøretøydeler. Når en brukt motorsykkeldel kommer inn, må teknikere vurdere om den kan brukes om igjen, repareres eller om materialet skal gjenvinnes.

SINTEF hjalp bedriften med å finne ut hvordan maskinsyn og KI kunne gi størst nytte. Forskerne bidro med valg av kamera og infrastruktur, utforming av systemet, samt valg av KI-metode og validering.

KI-basert bildegjenkjenning gir raskere og mer presis kvalitetskontroll. På bildet: Nikolaos Sarantinoudis ved Motonious. Foto: Polychronis Spanoudakis/Motonious

Prototypen de lagde kombinerte et spesialisert kamera med maskinsyn og KI. Dette systemet kunne måle komponentene og lete etter rust, sprekker og riper.

Deretter videreutviklet forskerne en forhåndstrent ResNet-modell (Residual Network, en type nevralt nettverk utviklet for bildeanalyse) ved hjelp av bilder som Motonius selv hadde samlet inn. Dette gjorde modellen bedre tilpasset de aktuelle delene og skadetypene. Som resultat tillater systemet å redusere inspeksjonstiden med hele 70 prosent.

– Det gjør at vi kan vurdere brukte motorsykkeldeler raskere og gi flere deler et nytt liv. SINTEFs kompetanse på KI har vært avgjørende for å få løsningen til å fungere i praksis, sier Nikolaos Sarantinoudis, CTO og medgründer i Motonius.

Løsningen gikk fra teknologisk modenhetsnivå 5 til 7 på TRL-skalaen (Technology Readiness Level, en skala for teknologisk modenhet). Det betyr at arbeidet beveget seg fra validering i relevante omgivelser til demonstrasjon av en prototype i operative omgivelser.

Men, målet var ikke å erstatte teknikernes vurderinger: Systemet skulle støtte gjentakende bildeanalyser og sørge for et bedre beslutningsgrunnlag, mens fagfolkene brukte sin erfaring og skjønn i vanskelige tilfeller. 

Case tre: Sparte en stilling

Den italienske bedriften IMold produserer sprøytestøpeverktøy og plastkomponenter. Her startet vanligvis produksjonen med at operatørene plassere arbeidsstykket nøyaktig i maskinen. Oppgaven ble utført manuelt og krevde både tid og presisjon.

Maskinsyn brukes til å identifisere referansepunkter og automatisere oppsettet av maskinen hos Imold Srl. Foto: Med tillatelse fra Flavio Bocchi, R&D Director, Imold Srl.

Kunne den manuelle oppgaven automatiseres? SINTEF-forskerne analyserte arbeidsflyten sammen med bedriften og undersøkte hvilke geometriske trekk som kunne brukes som referanser i en slik løsning.

De fant ut at hull i komponentene viste seg å være en god referanse. Forskerne utviklet deretter en komplett kjede for klargjøring og merking av bilder, trening av en modell, gjenkjenning av hull og geometrisk matching.

Løsningen for ny innretting ble slik: Den KI-basert bildeanalysemodellen fant først mulige hull i kamerabildet. Deretter brukte systemet geometriske beregninger til å sammenligne observasjonene med komponentens digitale CAD-modell (en digital beskrivelse av hvordan komponenten er konstruert). Produksjonsbildene var nødvendige for å tilpasse løsningen til lys, refleksjoner, vibrasjoner og andre variasjoner i fabrikken.

Prototypen viste at den manuelle oppgaven kunne automatiseres. Bedriften anslo en besparelse på omtrent 15 minutter per innretting, eller rundt én time per dag. Dessuten: Oppgaven som tidligere krevde to personer, kunne utføres av én, slik at kapasitet ble frigjort til andre oppgaver.

Nok med enn liten KI-modell 

Forsøkene har vist at industribedrifter ikke nødvendigvis trenger store språkmodeller eller omfattende KI-systemer. Små, spesialiserte modeller kan være tilstrekkelige når problemet er tydelig avgrenset og datagrunnlaget er relevant.

Bedriftenes fagkompetanse var derimot avgjørende: Nye produkter, materialer, sensorer eller lysforhold kan gjøre at modellene må oppdateres. Målet var derfor ikke bare å utvikle en prototype, men også å bygge kompetanse, slik at bedriften kunne forstå, bruke og videreutvikle løsningen selv.

Forskernes konklusjon er at nye løsninger kan prøves ut i liten skala før det tas større investeringsbeslutninger. Dette gjør terskelen lavere for særlig små og mellomstore bedrifter som ønsker å utforske mulighetene kunstig intelligens gir.