Kan artificiell intelligens optimera våra processer?
Artificiell intelligens (AI) visar stor potential för en mängd olika tillämpningar och är ett hett ämne inom industrin idag. På Boliden har en studie undersökt om det idag finns teknik som skulle kunna göra våra anrikningsverk självlärande.
På systemteknik har en studie under hösten tittat närmare på hur AI skulle kunna utnyttjas av Boliden för att optimera våra processer för anrikning. Johannes Sikström, utvecklingsingenjör och projektledare förklarar.
– På systemteknik jobbar vi med utveckling av dynamiska simuleringar av våra processer. Dessa simuleringar kan utnyttjas på samma sätt som ett spel där man definierar vad som är en vinst och vad som är en förlust.
Utmaningen när det kommer till självlärande algoritmer, så kallad djupinlärning eller reinforcement learning, är den stora mängden data som krävs för att algoritmen ska lära sig tillräckligt mycket om systemet för att kunna fatta effektiva beslut.
– Det är därför spel är ett så stort område inom AI-forskning. Det är väl anpassat för algoritmer att träna sig själva och det är också väl definierat vad som är ett lyckat resultat, en vinst, förklarar Johannes.
Med hjälp av simuleringsmodeller blir det möjligt att återskapa data motsvarande flera årtionden – på bara några timmar. I tidigare projekt har Boliden framförallt utforskat maskininlärningstekniker som analyserar data utan att algoritmen har möjlighet att själv påverka det. I detta projekt var istället målet att försöka utnyttja en självlärande algoritm. Efter inledande studier kring lämpliga verktyg tillsammans med Anders Hedlund på BI Nordic mynnade projektet ut i ett examensarbete i samarbete mellan ABB och Boliden. Max Åstrand från ABB blev utsedd till handledare och stafettpinnen togs över av kollegan Mattias Hallén som antog utmaningen.
– Processen vi riktade in oss på var malningen i Aitik, där vi har en välutvecklad simuleringsmodell. Vi ville se om en AI skulle kunna överträffa vår befintliga regleringsstrategi. Mattias gjorde ett jättejobb med att sätta upp arkitekturen och få de olika miljöerna att lira med varandra. Därefter kunde olika algoritmer och olika målfunktioner testas, säger Johannes.
Inledningsvis testades en Q-learning algoritm som fick målet att försöka kontrollera kvarnens last inom ett givet område. Efter ungefär 40 försök hade algoritmen lärt sig göra just det. Däremot noterades att den löste uppgiften genom en metod som inte skulle fungera i verkligheten.
I nästa steg undersöktes möjligheten för algoritmen att optimera vinsten istället för att optimera mot en processvariabel. Målfunktionen för vinsten togs fram som en teoretisk modell med bland annat metallpriser, nedmalning och genomsättning.
– Med den här målfunktionen lyckades AI-algoritmen slå vår PID-struktur och producera en högre vinst. Den så kallade ”wall-time” låg omkring 80 timmar innan AI lärt sig köra processen lönsamt, det motsvarar i det här fallet mer än 300 år av drifttid på anläggningen.
Studien belyser värdet av simuleringar och AI-tekniken visar på spännande möjligheter för att i framtiden kunna vidareutveckla Bolidens processtyrning.
– Givet förutsättningarna i den här studien överträffas vår nuvarande styrning, däremot krävs ytterligare studier innan vi kan närma oss en produktionsmässig lösning. Flera tekniska detaljer behöver lösas och det är viktigt med noggranna simuleringsmodeller och väldefinierade målfunktioner. En algoritm löser endast de problem man formulerar för den, därför är processkunskap och erfarenhet minst lika viktigt vid denna typ av utveckling som klassisk processtyrning, avslutar Johannes.