This website uses cookies to improve your browsing experience and the continued use of the webpage indicates your consent to ÅF’s use of these cookies. Find out more about how ÅF uses cookies and how you can manage them here: Read more

Nyhet

Med hjälp av AI effektiviserar ÅF åt stor energikund

Avancerad AI-teknik hjälper en stor energikund att förutse och optimera underhållet av sina vattenkraftverk. ÅF har utvecklat en innovativ Predictive Maintenance-lösning, som effektiviserar produktionskedjan och minskar risken för dyra driftstopp.                              - Det här är framtiden inom industrin, säger Azad Noorani, Lead Data Scientist, på ÅF Digital Solutions.

Den snabba digitaliseringen och det uppkopplade samhällets möjligheter att samla in, lagra och bearbeta stora mängder data har revolutionerat industrin. Med rätt modeller och kraftfulla analysverktyg kan man idag upptäcka svaga punkter i en produktion eller process och därmed åtgärda dem i god tid – innan kostsamma fel hinner uppstå. 

Ett sådant verktyg är ÅF:s innovativa produkt Predictive Maintenance. 

- Det gör det möjligt att undvika oförutsedda driftsstopp, säger Azad Noorani på ÅF Digital Solutions.  

Predictive Maintenance bygger på så kallad ”machine learning” och är en tillämpning av avancerad AI-teknik, som bland annat ger användaren information om sårbarheter i driftskedjan och talar om när underhåll behöver göras. 

- Det handlar om att få rätt information vid rätt tidpunkt, säger Azad Noorani 

Ett stort energiföretag, Sveriges ledande producent av förnybar el, såg tidigt fördelarna med att kunna planera och schemalägga underhållet av sina vattenkraftverk. Ett konkret exempel är de stora generatorerna som kyls av vattenpumpar. Om en pump går sönder riskerar generatorn att överhettas och slås ut.

Fram till början av 2018 behövde de inspekteras manuellt fyra gånger per år eller ännu oftare. Med ÅF:s Predictive Maintenance-lösning har behovet av dessa periodiska inspektioner kunnat reduceras väsentligt.  

- Produktionen blir jämnare samtidigt som det går att spara mycket pengar. När systemet är uppe sker ingen mänsklig interaktion. Allt görs automatiskt tills dess att något behöver åtgärdas, säger Azad Noorani. 

En förutsättning för att kunna använda Predictive Maintenance på ett optimalt sätt är att det finns tillgång till stora mängder data. Ju större datamängd som finns att tillgå, desto bättre blir kvaliteten och precisionen på förutsägelserna. 

- I det här fallet använde vi oss av historiska data för till exempel vattenflöden och energiåtgång och byggde unika och skräddarsydda modeller för varje kylsystem, med hjälp av machine learning. Det gör att man får en helt annan kontroll på vad som håller på att händer i vattenkraftverken, säger Azad Noorani. 

Resultatet visualiseras i realtid på en kontrollpanel som indikerar om exempelvis en generator riskerar att överhettas.  

- Underhållet effektiviseras och eventuella avbrott kan planeras in till den bästa tidpunkten, säger Azad Noorani.

Antalet generatorer som går sönder minskar väsentligt. Driftsstoppen minskar med 10 till 15 procent. Något som har gjort att energiföretagets investering har betalat sig.

- De är mycket nöjda med lösningen, säger Azad Noorani.

Han ser stora möjligheter att utnyttja tekniken, som bygger på en ursprungsidé från amerikanska Nasa. 

- Den kan användas överallt där maskiner är involverade, från bilar till processer inom hela industrin.