Sedan 2018 arbetar stålföretaget SSAB tillsammans med Högskolan i Skövde med att analysera och modellera processen där järnet blir till stål. Den så kallade LD-processen är mycket resurskrävande och att leverera optimal temperatur och sammansättning är avgörande för att minimera resursbehovet. Nu har projektarbetet fortgått under två kalenderår och börjat ge vetenskapliga resultat.
I projektet Swedish Metal arbetar SSAB tillsammans med Högskolan i Skövde med att analysera och modellera ståltillverkningsprocessen i LD. Syftet är att leverera optimal temperatur och sammansättning med minimalt resursbehov. En uppgift som idag till stor del ligger på operatören och kräver lång erfarenhet.
En förbättrad processmodell möjliggör att stålet bibehåller sin höga kvalitet medan utsläppen, energibehovet och materialförlusten minskar. Nu har projektarbetet fortgått under två kalenderår, ansatser har fördjupats och metoder och experiment börjat ge vetenskapliga resultat. Projektet har gett en robust bas som kan användas i verklig produktion för att förutspå utfallet vid stålfärsking, och planering för en sådan industrimässig validering pågår.
Ståltillverkningsprocessen i en LD-ugn måste möta en kombination av olika målvärden – såsom stålsmältans sluttemperatur och övre gränser för kol- och fosforhalt med minimal materialförlust.
En optimal sluttidpunkt för blåsavslut (avstängningspunkt), där dessa mål uppnås, beror ofta på erfarenheten och färdigheten hos de operatörer som kontrollerar processen, med både insamlade sensoravläsningar och en intuitiv förståelse för hur processen beter sig. Om precisionen för att träffa den optimala stopptidpunkten förbättras, ökar produktiviteten samtidigt som resursbehovet minskar.
Användning av maskininlärning för en robust målprediktion i syrgasbaserad ståltillverkning
Projektarbetet har hittills resulterat i två vetenskapliga publikationer, och ytterligare en publikation är under arbete. Den första publikationen Using machine learning for robust target prediction in a Basic Oxygen Furnace system, av Juhee Bae, Yurong Li, Niclas Ståhl, Gunnar Mathiason och Niklas Kojola visar att SSAB:s mycket komplexa stålfärskningsprocess kan predikteras med hög prediktionsgrad, upp till 88 procent i snitt för en total produktionsdatamängd.
Mätningen når samma prediktionsgrad som tidigare forskning, men med en mycket mer komplex datamängd än vad som tidigare använts och därför kan det jämföras i arbetet med ett större antal maskininlärningsalgoritmer. Projektet har därmed gett en mycket robust ansats som kan användas i verklig produktion för att prediktera utfallet vid stålfärsking, och planeringen för en sådan industrimässig validering pågår.
"Vi uppnår en hög och robust prediktionsnoggrannhet för temperatur-, kol- och fosforprognoser samtidigt som vi använder betydligt fler och olika produktionsdata jämfört med i tidigare arbete. Vi konstruerar också funktioner baserade på termodynamiska metoder i samarbete med domänexperter. Vidare tar vi upp några begränsningar från tidigare forskning, till exempel datastorlek och dataval, och utvärderar de mest använda metoderna för maskininlärning. Vi finner att algoritmer baserade på neurala nätverk och supportvektormaskiner fungerar bättre än andra vanliga maskininlärningstekniker, likt det som har beskrivits i befintlig forskning" skriver Juhee Bae, Yurong Li, Niclas Ståhl, Gunnar Mathiason och Niklas Kojola i publikationens slutsats.
Metodutveckling inom AI
En andra artikel färdigställs just nu och kommer att lämnas in under 2020 som en konferensartikel inom metodutveckling inom AI. Fokus här är att förklara den intränade modellens beslut. Både företagsbehoven och projektets forskningsinriktning går mot ”förklarande AI” eftersom man behöver veta vad AI-automatiserade beslut grundas på. Detta förklarar även färskningsprocessens komplexitet utifrån den intränade modellen, samt ger indikationer på vilka parametrar som skall följas upp för processförbättring.
– Det finns stor kompetens på både produktions- och forskarsidan, och tillsammans arbetar vi med att effektivisera produktionen och därmed minska resursförbrukningen och de fossila utsläppen. SSAB och forskningsgruppen arbetar nära och det finns stor transparens. Vi hade aldrig klarat av att lösa de här problemen separat, så samarbetet är av stort värde för båda parter, säger Juhee Bae, Biträdande lektor i informationsteknologi vid Högskolan i Skövde.
– Att fokusera på avancerad analys av en mycket resurskrävande process är givande på flera plan. Det ultimata målet är en förbättrad processprediktion i realtid som kan minska resursbehovet och variationen. Parallellt genereras också direkt implementerbara resultat i form av ny kunskap om vissa parametrars påverkan på processen och som då kan åtgärdas eller hanteras, tillägger Niklas Kojola som jobbar med Forskning och Innovation på SSAB.
En tredje publikation skrivs av Niclas Ståhl, doktorand i informationsteknologi vid Högskolan i Skövde. Den kommer att ge en helt ny och unik ansats att ta fram förklarande orsaksfaktorer till välfungerande AI-prediktioner. Ansatsen använder så kallad ”Reinforcement Learning”, en mycket lovande AI teknik varmed AI-forskningen nyligen börjar kunna lösa problem som tidigare varit mycket svåra att lösa.
Källa: Högskolan i Skövde
