Per Norhammar. Foto: SAS Institute

När kraven ökar på att minska energiförbrukningen blir dataanalys och AI allt viktigare. Det handlar om att hantera allt från hur energi produceras till processerna för själva tillverkning. Lyckligtvis finns goda exempel som alla kan lära sig av, men vi behöver visa fler sådana från Sverige, skriver Per Norhammar, Marketing Manager Manufacturing på SAS Institute.

Det finns två centrala skäl till att sänka sin energiförbrukning. Dels att minska kostnaden, dels att minska klimatavtrycket. Dessa gäller såväl för privatpersoner som för företag, men är kanske allra tydligast för riktigt stora industriföretag, vars processer står för huvuddelen av energianvändningen, exempelvis ståltillverkning.

Avgörande för satsningar på hållbar energianvändning är följande tre aspekter. För det första, vilken typ av energi som används och hur den produceras. För det andra, hur produkterna produceras, vilket bland annat inbegriper de råvaror och maskiner som används och hur processerna utformas. För det tredje, hur man kan minimera driftsproblem som bidrar till att öka energiförbrukningen i produktionen.

Gemensamt för arbetet med att effektivisera samtliga tre aspekter är behovet av data som kan analyseras. För ett av de mest spännande områdena där AI och dataanalys har potential är förutsägelser om energiförbrukning. Dessa framtidsprognoser tar hänsyn till faktorer som klimatförändringar, möjliggör förutseende planering och en effektivare energianvändning. Genom att prognostisera energiförbrukning och optimera produktionen kan företag inte bara spara pengar utan också bidra aktivt till en mer hållbar framtid. Detta innebär en revolutionerande förändring – industriproduktionen kan gå från reaktiv till proaktiv energihantering.

För detta finns gott om data och mängden ökar snabbt. Men det har hittills varit svårt att analysera all denna data, eftersom det saknats ändamålsenliga analysverktyg och programvaror som uppfyller de hårda prestandakrav som krävs för realtidsanalys. Framför allt har det varit svårt att sammanföra alla olika datamängder som behövs för att genomföra värdeskapande analyser.

Dessa utmaningar är dock på väg att till stor del övervinnas. Ett exempel är det österrikiska företaget Wienerberger, världens största tillverkare av tegelsten. Tegelstenarna torkas i ugnar som håller en temperatur på 800 grader. Svårkontrollerade variationer i produktionsprocessen kan leda till att energiförbrukningen skjuter i höjden. Det finns ett stort värde i att etablera processer som är möjliga att återupprepa och förutsägbara, vilket minimerar variationerna i förbrukningen. Detta leder inte bara till lägre energiförbrukning utan också till minskad miljöpåverkan – mål som går hand i hand.

Företaget har analyserat orsakerna till variationer i torkningsprocessen med hjälp av en molnbaserad dataanalyslösning. En digital tvilling som beskriver processen för att tillverka tegelstenar och takpannor ger insikter om vad som orsakar de oönskade variationerna, vilket ger möjligheter att minska dem. Detta leder till minskad energiförbrukning och miljöpåverkan samt till högre kvalitet på de produkter som tillverkas.

Lösningen har implementerats med stor framgång i en av Wienerbergers fabriker i Polen. Denna implementering tjänar nu som en mall för införandet i flera av företagets 200 anläggningar i 18 länder, vilket gör en stor skillnad vad gäller energiförbrukning och hållbarhet.

Genom att använda en molnbaserad lösning för AI och dataanalys kan denna tegeltillverkare analysera orsakerna till variationer i torkningsprocessen. Företagets digitala tvilling beskriver processen för att tillverka tegelstenar och takpannor, och ger insikter om vad som orsakar de oönskade variationerna, vilket ger möjligheter att minska dem. Resultatet blir en minskad energiförbrukning och miljöpåverkan samt också till högre kvalitet på de tegelstenar som tillverkas. Företaget kan sedan införa samma slags förbättringar på alla sina 200 anläggningar i 18 länder.

För de flesta tillverkningsföretag finns det ett stort värde i att skapa processer som är möjliga att återupprepa och som är förutsägbara, eftersom detta minimerar variationerna i förbrukningen. Detta leder inte bara till lägre energiförbrukning utan också till en minskad miljöpåverkan – mål som allt mer går hand i hand.

Det finns redan många framgångsberättelser att dela när det gäller användningen av AI och dataanalys för tillverkningsindustrin. Jag ser fram emot ännu fler goda exempel, gärna svenska, på hur industriproduktion kan använda dataanalys för att minska energiförbrukningen och klimatavtrycket. För om Sverige ska fortsätta vara en ledande nation inom hållbarhet så måste de svenska tillverkningsföretagen också visa upp hur de använder AI och dataanalys för upp bidra till de globala hållbarhetsmålen.

Skriven av: Per Norhammar, Marketing Manager Manufacturing, SAS Institute