Machine Learning til Energi- og Procesoptimering (MLEEP)

De fleste danske industrivirksomheder har de sidste par år generelt fået god adgang til procesdata i høj opløsning. Værdien af data bliver dog sjældent udnyttet til fulde, da værdiskabelse på baggrund af data ofte er dyrt, tidskrævende og kompleks at integrere i produktionsprocesser.

Machine learning er en underart af ”kunstig intelligens” som dynamisk kan lærer at prædiktere udfaldet af en given proces på baggrund af historisk procesdata, og som i real-time kan overvåge og optimere på baggrund af et næsten uendeligt mange antal variable og parametre.

Det er en teknologi som succesfuldt anvendes i en lang række af brancher, men som historisk set kun har haft begrænset udbredelse i industriprocesser, og her kun sjældent med fokus på energioptimeringer. Dette bl.a. pga. kompleksitet, omkostninger og mangel på succeshistorier.

Projektet ”Machine Learning til Energi- og Procesoptimering (MLEEP)” vil integrere Machine Learnings algoritmer direkte i danske industrivirksomheder og forsøge at belyse potentialer, muligheder og barrierer ved anvendelsen af kunstig intelligens til energi- og procesoptimeringer af produktionsanlæg.

Projektet vil forsøge at integrere Machine Learning modeller hos 5 forskellige virksomheder, alle med forskellige problemstillinger og udfordringer, og alle i forskellige brancher kendetegnet ved at have høje energiforbrug.

Målet er at kvantificere potentialerne for Machine Learning som redskab, og at generalisere og videreformidle de konkrete erfaringer opnået i projektet til hele industrien, og på den måde accelerere udbredelse af atadrevne analysemetoder hos industrivirksomheder og få skabt samfundsmæssig værdi ud af den nuværende tilgængelige data.

Det forventelige besparelsespotentiale er mellem 0 – 20% af det totale energiforbrug for en given proces. Lykkedes det med at få udbredt lignende systemer til andre virksomheder – både danske og udenlandske – kan det samlede potentiale for projektet være enormt.

En grundforudsætning for projektet er, at Machine Learnings-modellerne skal integreres på baggrund af det eksisterende datagrundlag. Der skal derfor ikke investeres i omfattende dataindsamlingssystemer og målere, men i stedet udnytte det nuværende grundlag bedst muligt. Målet er derfor ikke at lave den bedst mulige model, men nærmere at udnytte det eksisterende system på den bedst mulige måde.

Projektet skal derfor belyse hvad det nuværende besparelsespotentiale er nu, og ikke hvad det teoretisk kan blive i fremtiden.

Dette danner også grundlaget for det forskningsmæssige aspekt i projektet, som vil belyse potentialet ved at kombinere eksisterende procesviden og energiteknisk forståelse med datadrevne analysemetoder. Dette kan potentielt danne en hybrid model, som kan tage styrkerne ved traditionelle analytiske optimeringsmetoder og kombinere dette med fuld datadrevne modeller, som potentielt set kan give en god og nøjagtig model hvis et højkvalitets datagrundlag ikke er tilgængeligt.