KEEPER – kunskapsskapande för effektiv och förutsägbar industriell verksamhet

Bakgrund

I en tid av tekniska framsteg har fokus flyttats mot mer effektiv och miljömässigt ansvarsfull övervakning av industriella system. Integrationen av realtidsanalys är avgörande för att snabbt kunna identifiera ineffektiva och suboptimala verksamheter, särskilt med tanke på den ständigt ökande komplexiteten hos moderna system och de ökande kraven på miljömässigt hållbar verksamhet. Det senare skapar betydande utmaningar för branschen eftersom det ofta innebär teknikskiften (t.ex. elfordon eller nya bränsleblandningar) där lärande måste göras från alldeles för få exempel. Tidigare beroende av arbetsintensiv mänsklig insats, skiftar paradigmet mot automatiserade, självreglerande system som kräver minimal mänsklig tillsyn. Dessa system kännetecknas av behovet av att förstå och fånga sammanhang samtidigt som de lär sig av tillgängliga operativa data, vanligtvis med endast en handfull mänskliga expertetiketter bifogade, för att identifiera och hantera problem självständigt.

Med hjälp av Internet of Things (IoT) producerar samtida industriella installationer massiva och allestädes närvarande dataströmmar. Dessa dataströmmar är för komplexa för mänskliga operatörer, eller till och med kompletta organisationer, att lätt förstå. För tillverkare av originalutrustning (OEM) blir det allt viktigare att få en djupgående förståelse för hur de tillgångar de producerar används av deras kunder, vilka utmaningar de står inför och hur man bäst kommunicerar med dem. Det nödvändiga nästa steget är AI-/ML-metoder som kan bearbeta tillgänglig data, som till stor del är omärkt och endast ytligt förstådd.

Men övergången till fullständig autonomi är varken praktisk eller önskvärd för industrin. Den ovärderliga input från domänexperter är fortfarande avgörande för att forma, finjustera och kontextualisera kunskapsskapande system. Symbiosen mellan AI/ML och expertinsikter säkerställer att automatiserade lösningar inte bara är tekniskt sunda utan också anpassade till bredare affärs- och samhällshänsyn. KEEPER kommer att utveckla grundläggande lösningar för innovativa tjänster med hjälp av självövervakad, semi-övervakad och meta-lärande, högfientlig syntetisk data, effektivitetsoptimering av kunddrift och förbättrad förståelse för utrustningsanvändningsmönster.

Projektets mål

KEEPER-projektets huvudmål är att utveckla avancerade analystekniker baserade på AI/ML för att skapa kunskap och industriellt värde från verklig industriell data. Dessa data är till stor del omärkta med betydande osäkerheter, t.ex. är andelen frisk och ohälsosam utrustning okända, fel är overifierade, aktiviteter identifieras endast delvis, det finns variationer i utrustningens konfigurationer och data är bullriga. Genom att identifiera informativa mönster och känna igen liknande händelser i dataströmmar, strävar vi efter att ge insikter för att förbättra befintliga tjänsters effektivitet och leda till att nya skapas. Projektet kombinerar forskningskapaciteten och AI/ML-expertisen hos CAISR-forskare vid Högskolan i Halmstad med teknologisk kapacitet, verklig data och affärsinsikter från sex industriella partners inom sjöfart (Alfa Laval), industriella nätverk (HMS Networks), gaffeltruckar (Toyota Material Handling Europe) , och tunga fordonssektorer (Volvo Buses, Volvo Group Connected Solutions, Volvo Group Trucks Technology och Volvo Trucks).

Kärnfrågan för KEEPER Synergy är hur man bäst gör AI-/ML-baserat kunskapsskapande från i stort sett omärkt industriell data som leder till effektivare industriverksamhet. Benämningen ”i stort sett omärkt” betyder inte bara förhållandet, det vill säga den stora mängden tillgänglig data som är omärkt. Det betyder också att många intressebegrepp saknar etiketter. Medan den stora majoriteten av de senaste framstegen inom AI/ML fokuserar på paradigmet för övervakat lärande, arbetar vi främst med vad man skulle kunna kalla ”semi-omärkt data”. Det mesta av datainsamlingen i branschen görs för andra ändamål än analys, och därför använder AI/ML data endast tangentiellt relevant för uppgiften. Den beskriver vanligtvis driften av utrustningen, eller finansiella transaktioner och andra affärsprocesser, men etiketter på målet är praktiskt taget obefintliga. Viss information kan användas som etiketter, men även de är sällsynta och opålitliga. Oftast kommer dessa etiketter från externa källor, och man kan betrakta dem som ”proxy”-information – deras betydelse motsvarar inte de saker vi verkligen är ute efter utan är förknippade (i olika grad) med dem.

Nästa steg, att gå från felförutsägelse till effektivitetsoptimering, är ännu mer utmanande. Även om historisk reparationsinformation är långt ifrån perfekt, är den fortfarande mycket fördelaktig; ett helt oövervakat tillvägagångssätt skulle vara helt omöjligt. Ännu större utmaningar finns för energieffektivitet, eftersom det inte finns några tillförlitliga märkningar om vilka de bästa förarna/operatörerna är. Även om energiförbrukning kan användas som en indikation, måste man ta hänsyn till störande faktorer, vilka är många men ofta okända och först måste upptäckas och kvantifieras därefter. Den viktigaste utmaningen som ska lösas i KEEPER är alltså hur man bäst använder omärkta data kompletterade med extra information. Realistiskt sett innebär det att vi behöver utveckla nya metoder och algoritmer som kan identifiera strukturer, hitta mönster och skapa kunskap från data som bara är delvis förstådd och endast delvis relevant för den givna uppgiften.

En underutnyttjad resurs är högfrekvent dataströmning ombord på fordon, sjöfartyg och inom industriella installationer. Även med begränsade etiketter kan man lära sig mycket om komplex utrustning som kontinuerligt genererar denna data. Med ett system-of-system-perspektiv, även utan perfekta etiketter, kan man förstå mycket av den typiska operationen, att bygga övervaknings-AI-/ML-system som kan detektera anomalier. Med hjälp av Explainable Artificial Intelligence (XAI)-tekniker kan den kunskap som systemet förvärvar sedan förmedlas till mänskliga experter (operatörer, chefer, tekniker, designer), som stödjer deras beslutsfattande. På så sätt kommer KEEPER att skapa verktyg som går längre än att bara automatisera ”status quo” och istället möjliggöra en effektivare industri.