Nexans bruker maskinlæring for nye innovasjoner
Nexans Rognan er en verdensledende produsent av strøm- og kommunikasjons-kabler hvor de største knytter hele kontinenter sammen. Kontinuerlig innovasjon og utvikling er en forutsetning for å forbli best. Nå vil industribedriften bruke maskinlæring i kvalitetsarbeid og for å avverge produksjonsstans.
Nexans Rognan har 250 medarbeidere og inngår i Nexans med totalt 1600 medarbeidere i Norge og 25.000 på verdensbasis.
75 prosent av industribedriftens produksjon av kommunikasjons- og energikabler går til eksportmarkedene. Anvendelse under vann er et spesialområde.
Bedriften spinner kabler med komponenter som gir ønsket funksjon og med armering som beskytter og gir styrke ved nedsenking mange hundre meter til havbunnen.
Elektroniske styringssystemer kan ikke måle seg med erfarne operatøres øyne, ører og føling med produksjonsmaskineriet. Men, kontinuerlig overvåking 24/7 krever kontinuerlig årvåkenhet. Maskinlæring kan bygge algoritmer (programvare) som alltid er på vakt, mens Nexans Rognan kan utnytte medarbeidernes menneskelige egenskaper på andre områder.
I et pilotprosjekt har Nexans lyttet med mikrofon, sett med kamera og følt vibrasjoner med sensorer. Gjennom registrering av store mengder data fra drift, inkludert faser med driftsforstyrrelser, har Orange Business Data Scientists kunnet utvikle algoritmer som er sendt tilbake til lokale datamaskiner (edge computing) som kan stoppe maskineriet forhåpentligvis før kostbare feil eller produksjonsstans oppstår.
Elektrisitet og kommunikasjon krever kabler. Som en naturlig følge av dette har det vært kabelproduksjon i energinasjonen Norge i mange år.
I en global økonomi er det likevel ingen selvfølge med opprettholdelse av industriproduksjon i et nordeuropeisk høykostland. Likevel har Nexans på Rognan med sine 250 medarbeidere lykkes. Det skyldes kontinuerlig kompetanseoppbygging, innovasjon og investeringer lokalt, samt støtte i verdikjeden til det internasjonale Nexans-konsernet med totalt 25.000 medarbeidere.
Oppgaver for mennesker og maskiner
– Produksjonslinjene våre har avanserte styringssystemer (PLC) som håndterer 90 prosent av situasjoner og avvik. Det er ikke nok. Operatørene våre har unik, årelang erfaring og står for de avgjørende, resterende 10 prosentene. Nå ønsker vi å splitte oppgavene deres i én gruppe som passer best for maskiner og i én som krever menneskelige egenskaper, sier fabrikksjef Karl Peter Johansen.
Tilbake i 1972 ble bedriften lagt til Rognan utenfor Bodø, for å produsere kabler til landets tele-infrastruktur. I dag produserer selskapet et bredt spekter kabelsystemer. Sentrale områder er fiberoptiske sjøkabler som knytter hele kontinenter og regioner sammen, spesialkabler for fjernstyrte mini-ubåter (ROV) og kraftkabler tilknyttet elektrifisering av offshoreinstallasjoner og fiskeoppdrett.
75 prosent går til eksportmarkeder.
I prosessene på en kabelfabrikk blir en rekke materialer sammenstilt enten med plast-ekstrudering eller mekaniske sammenføyninger. Kutter du over en kabel, vil tverrsnittet vise flere elementer som er snodd sammen.
Topp kvalitet kommer ikke av seg selv
– Kabelen er av jevn og fin kvalitet, uten bulker og brudd, fordi maskiner og operatører sørger for det. Går noe galt i produksjonen, kan stopp, skjøt og oppstart koste mange hundretusen kroner. Operatørenes øyne, ører og øvrige sanser er helt sentrale får å motvirke dette. Nå kommer maskinlæring inn som et element som overtar noe av dette og supplerer med enda litt til, forteller Johansen.
Tillit er en nøkkelfaktor i norsk kultur og arbeidsliv. Johansen mener faktoren er helt avgjørende for Industri 4.0. Derfor skjer maskinlæringsprosjektet i nært samarbeid med medarbeidere som langt i fra er ukjente med hvordan automasjon overtar oppgaver. Til gjengjeld blir verdifull, menneskelig kapasitet frigitt til verdiskapning på andre områder. Å være der bedriften er i dag har nettopp handlet om denne type kontinuerlig innovasjon og fornyelse.
Maskiner like oppmerksomme hele tiden
– Når produksjonen pågår sitter operatørene døgnkontinuerlig og følger med på skjerm og maskiner. De må ha oppmerksomhet på topp hele tiden. Det er krevende. Men, ikke for maskinene. De er like oppmerksomme til alle døgnets tider. Det er en fordel med maskinlæring, sier han.
Nexans på Rognan har flere titalls produksjonslinjer i 4-5 hovedvarianter. Bedriften inngår i innovasjonsclusteret Arctic Cluster Team, med hovedsete på Helgeland, hvor ulike virksomheter supplerer hverandre. Nexans samarbeider dessuten med Rognan videregående skole om opplæring inkludert fasiliteter for fjernundervisning.
For industribedriften var det derfor ingen fremmed tanke å fokusere på egne kjerneoppgaver og trekke inn partnere med spisskompetanse, i dette tilfellet Orange Business, inn på maskinlæring. Intensjonen er senere å dele maskinlæringskompetanse i innovasjonsclusteret.
Pilotresultater for bred implementering
Pilotprogrammet de to bedriftene samarbeider om berører én produksjonslinje som tvinner stål rundt kabelkjerne av for eksempel fiberoptiske kabler, og én linje som snor sammen elektriske kopperledninger. Når maskinlæringsløsningen er utprøvd vil den bli implementert på de øvrige linjene.
Hva er det så operatører kan som PLC-er ikke kan klare og maskinlæring er aktuelt for?
For å komme til bunns i dette, startet samarbeidet med Orange Business tradisjonelle workshop, hvor forslag om én MVP (Minimum Viable Product – faktisk fungerende, første-lille-steg-løsning) for to maskiner ble utfallet.
I industrisammenheng handler situasjonene om noe konkret og fysisk. De erfarne operatørene kan rett og slett høre, se og føle noe som utvikler seg i feil retning. Internet of things (IoT) som kameraer, vibrasjonssensorer og mikrofoner ble redskap for å etterligne operatørenes menneskelige sanser.
Se, føle og lytte digitalt
Kameraet ser etter avvik, vibrasjonssensoren kjenner etter, og mikrofonen lytter på hele lydbildet.
De store datastrømmene går til Google Cloud Platform (GCP) sin rimelige og skalerbare lagringsløsning Cloud Storage. Også andre skyleverandører har tilsvarende muligheter. Løsningene er basert på en kombinasjon av Googles Tensor Flow-baserte modeller til som Orange Business har trent med innsamlede treningsdata og maskinsyn-algoritmer. Google Notebooks-instanser blir brukt til analysen. Dataviterne til Orange Business betegner det som «nice» at instansen kan ha tilgang på så mye som 224 prosessorer (CPU) og 896 GB-minne akkurat den korte tiden du trenger en såpass voldsom regnekraft.
Data blir rask anvendbar kunnskap
– Den ene prosessen handler om å gjøre data raskt om til kunnskap, sier Johansen, som blir supplert av Jan Aril Sigvartsen i Orange Business: – Dataene blir analysert når de produseres for varsel i øyeblikket noe oppstår. Da kan håndteringen skje før situasjonen utvikler seg til et kostbart problem.
En kuriositet er at noe så enkelt som en Raspberry Pi til et par tusenlapper er blitt brukt som en analyse server, mens selve datafangsten skjer på en National Intruments controller. Ergo behøver komponenter til maskinlæring ikke nødvendigvis å være kostbare. Senere er maskinen utskiftet til en kraftigere edge-maskin (edge innbærer dedikerte applikasjoner og datakraft lokalt, i dette tilfellet fysisk i fabrikken.
Deler av det maskinlæringssystemet registrerer blir presentert på skjerm i operatør-rommet. Visualiseringen er utviklet av FDB (Flow Design Bureau).
«Alarm»-knapp for datafangst
En annen prosess dytter helt regelmessig data til skyen. Operatørene kan også manuelt utløse datafangsten dersom noe skjer.
– Å observere nåsituasjonen er grunnleggende for maskinlæring som har sporing av forskjeller som en grunnleggende mekanisme. Derfor er det viktig å samle treningsdata både ved forskjeller og når alt surrer harmonisk. Vi må samle regelmessig også fordi normalsituasjonen forandrer seg, noe som må inn i modellering av algoritmer, forklarer Jan Aril Sigvartsen.
I skyen skjer fortløpende analyser, ad-hoc-analyser og modellering. Resultatene bringes til edge-serveren hvor den kan bli brukt til sanntidsanalyse.
– Når data lynraskt kan gjøres om til kunnskap som kan stoppe produksjonsmaskinene, er bakgrunnen prosessen med datainnsamling, analyse av normalsituasjon og utvikling av algoritmer som pushes tilbake til industrianlegget.
– Dette er nybrottsarbeid og vi skulle gjerne vært covid-19 foruten med enda mer tilstedeværelse i produksjonslokalene. I det hele tatt er vår forståelse av industriprosesser viktig for maskinlærings-resultatene, sier Jan Aril Sigvartsen.
Prediktivt vedlikehold
Underveis fikk Nexans og Orange Business en smakebit på en verdifull side av maskinlæring.
Mens mye rutinemessig vedlikehold skjer i faste tidsintervaller, vil prediktivt vedlikehold ved hjelp av maskinlæring kunne føre til innsats når behovet oppstår. For eksempel blir kanskje fullt funksjonelle komponenter erstattet hvert tredje år, mens de kanskje først etter fem ville gi signaler om utslitthet. Verre er det om komponenter er planlagt byttet om et par år, men skjærer seg før neste vedlikeholdsintervall.
– Vi hadde en pause i arbeidet. Da vi kjørte i gang igjen ble det registrert forstyrrende ulyder. Observasjonen kom fra en komponent som var ved enden av sin livssyklus. Der fikk vi en ekstra bonus for innsatsen, sier Johansen.
Maskinlæring skaper annerledes prosesser
Virksomheter flest er vant med å kunne spesifisere, vurdere, bestille og implementere løsninger av alle slag. Anskaffelse av maskinlæringsbaserte løsninger fortoner seg annerledes enn dette. Her blir løsningen skapt ferdig med standard hardware, programvarebibliotek og lagring fra hyperscalere, og den svært spesifikke situasjonen lokalt.
Selve begrepet «maskinlæring» er beskrivende for dette. Løsningen lærer fra sensorene som blir brukt. Lærdommen blir brukt med hyperscalernes store krefter og applikasjoner for å bygge algoritmer. Algoritmene kan så utføre riktig handling i fra skyen eller legges dit handlinger skal skje.
Teknologi og oppgaver
- Bildeanalyse – maskinelt blikk/opptak, både overblikk og detaljblikk (zoom). Evaluering med maskinlæring
- Vibrasjonsanalyse hvor «ingen vibrasjon» er sentralt. Maskinlæring
- Lydopptak med maskinlæring
- Datasamling i 30-60 sekunder hvert halvtime
- Store datamengder sendes til hyperscaler (GCP) for videre analyse ved hjelp av tilpasset maskinlæringsbibliotek