Maskininlärning i praktiken hos SCA
Av 
På Underhållsdagarna, som arrangeras av vår systertidning U&D och Svenskt Underhåll, höll Adam Lundström som är industridoktorand hos SCA ett föredrag om artificiell intelligens, AI, och maskininlärning i praktiken. I sin forskning tittar han på en rökgasfläkt hos SCA och har börjat med analys av 13 signaler.
– Vi kan plocka ut till exempel data på vibrationer hos ett lager för olika typer av fel och för normaltillstånd och analysera. Det är vi väldigt bra på idag, men inom forskningen tycker vi inte det är tillräckligt bra utan vill gå från komponentnivå till system till exempel från ett lager till en hel fläkt.
Men AI och maskininlärning är det inte väldigt komplicerat?
Adam Lundström förenklar och visar bilder på en modell som ska lära sig skilja på en hund och en katt. Man matar då modellen med så kallad märkt data det vill säga bilder som man för systemet talar om är katt eller hund. Modellen får sedan träna på mängder med sådana tydligt definierade bilder och ska på det viset själv sedan kunna peka ut om en helt ny bild är katt eller hund. Detta kallas supervised learning där man använder märkta data för att leda algoritmen rätt. Samma sak kan man göra med en maskin, en process eller ett fläktlager. Man matar modellen med data från ett korrekt lager och från lager med olika typer av fel.
– Modellerna presterar inte bättre än de data som vi ger dem. Därför är det viktigt ha med personer som förstår hur processen fungerar i upplärningsfasen.
Men om man inte har märkta data, är det kört då? Inte helt, då använder man så kallad unsupervised learning där systemet själv försöker hitta mönster i den data som presenteras för ett normaltillstånd och sedan ser om det dyker upp avvikelser.
Han menar att maskininlärning är framtiden.
– Algoritmerna som behövs finns och det finns bra med data så Sverige har goda förutsättningar.
Ibland får han frågan om man inte kan bygga en jättebra modell som fungerar för allt?
– Det vore helt fantastiskt men det är tyvärr mycket mer komplicerat.
Han tar exemplet med rökgasfläkten. Om man istället tittar på en annan fläkt på en annan plats kan det finnas nya omständigheter eller nya typer av fel som påverkar resultatet och gör att modellen inte fungerar utan måste anpassas.
En del kanske tycker att om det nu ändå krävs så mycket handpåläggning för varje modell som ska göras varför gör vi inte allt själva istället?
– Vissa saker är bättre att göra själva. Men fördelarna är att vi kan övervaka flera objekt samtidigt och dygnet runt.
Han menar också att man kan få bättre beslutsunderlag och konkreta förslag på vad som ska göras. Istället för att underhållspersonal ska använda mycket tid för att leta fel kan de fokusera på att åtgärda felen.
Det märks att Adam Lundström brinner för att använda den här tekniken. Men även han kan se utmaningar som måste hanteras. Till exempel om modellen säger att det kommer att bli ett haveri om två månader kanske många ställer sig frågan hur vet modellen det och hur säker är förutsägelsen. Det är idag svårt att svara på dessa frågor och här pågår mycket arbete för att skapa modeller där den som fattar slutliga besluten ska känna sig tryggare. Adam Lundström nämner även andra utmaningar.
– Har vi tillräckligt med data och har vi rätt datakvalitet?
Ett problem kan lösas på många olika sätt där AI och maskininlärning är en variant men det är inte alltid den är rätt.
– Man ska inte välja det som är coolast utan titta på vilka behov man har och vilken lösning som är bäst för att uppfylla behoven.