Differences

This shows you the differences between two versions of the page.

--- teknik:ai [2026/11/09 09:28] – smarken
+++ teknik:ai [2026/11/09 11:06] (current) – [AI teknik] smarken
@@ Line 2: / Line 2: @@
-----
 ===== AI i industrien =====
+===== ...teknisk brug af maskinlæring =====
+ML i industrien handler primært om at udtrække mønstre fra sensor- og procesdata. Her er de vigtigste anvendelsesområder.
+----
+===== Prædiktivt vedligehold (predictive maintenance) =====
+Det mest udbredte område. Klassisk ML (random forest, gradient boosting, SVM) og deep learning trænes på vibrations-, strøm-, temperatur- og akustiksignaler til at:
+  * **Detektere fejludvikling** i lejer, pumper, motorer og roterende maskiner, længe før mennesker kan høre eller se noget. Signalbehandling (FFT, envelope-analyse, wavelets) kombineres ofte med neurale netværk
+  * **Estimere Remaining Useful Life (RUL)** med regressionsmodeller, så komponenter skiftes når det faktisk er nødvendigt i stedet for efter fast interval
+  * **Edge AI**: letvægtsmodeller køres direkte på sensornoder, så kun anomalier sendes til skyen
+  * Nyere forskning bruger self-supervised og federated learning på støjende signaler, så man kan lære af flere fabrikker uden at dele rå data
+===== Kvalitetskontrol med computer vision =====
+Dyb konvolutionelle netværk (CNN) inspicerer produkter hurtigere og mere konsistent end menneskelige operatører:
+  * **Anomalidetektion**: autoencodere og student-teacher-netværk (fx PaDiM, PatchCore) lærer "normaltilstanden" og flagar alt, der afviger ...også fejltyper der ikke var i træningsdata
+  * **Defektdetektion** på overflader: revner, sveisefejl, malingsfejl, trykfejl på print etc.
+  * Kombination af synsexpert-viden og ML forbedrer inspektion i komplekse produktioner
+===== Procesoptimering =====
+  * **Soft sensors**: ML-modeller estimerer svært målbare procesvariabler (fx produktkvalitet) ud fra lettilgængelige sensordata, i stedet for dyre laboratorieanalyse
+  * **Model predictive control (MPC) + ML**: neurale netværk som hurtige surrogate-modeller af kompleks fysik (strømning, kemi, termik) bruges til realtidsoptimering af energiforbrug, udbytte og affald
+  * **Anomalidetektion i procesdata**: usuperviserede modeller (isolation forest, VAE) overvåger hundreder af tags samtidig og fanger multivariate afvigelser, som enkelt-terskel-alarmer missar
+===== Andre tekniske anvendelser =====
+  * **Optisk måling og kalibrering**: ML-baseret billedanalyse til dimensional kontrol
+  * **Energioptimering**: lastprognoser og afstemning af forbrug mod elpriser
+  * **Robotik**: objektgenkendelse, gribe-planlægning, visuel servoing
+  * **Digital twins**: ML-modeller løbende kalibreres mod fysiske anlæg, så tvillingen kan forudsige konsekvenser af driftsændringer
+===== LLM'er som diagnostisk værktøj =====
+Her er LLM'en ikke selve "AI'en i produktionen", men et analyseværktøj oven på de klassiske ML-systemer:
+  * **Rod årsags-analyse på logdata**: LLM'er gennemgår store mængder system- og maskinlogfiler, kobler fejlen på tværs af komponenter og foreslår årsagskæder
+  * **Kombination med vidensgrafer**: LLM'en ræsonnerer over en struktureret videnbase over fejl- og årsagssammenhænge og undgår dermed hallucinationer
+  * **Fejldiagnose i smart manufacturing**: LLM'er bruges til at tolke outputs fra de klassiske modeller og oversætte dem til handlinger for teknikere
+===== Kort opsummering =====
+Den industrielle kerne er signalbehandling + klassisk ML + deep learning på sensor- og billeddata, hvor prædiktiv vedligehold og vision-baseret kvalitetskontrol er de to største anvendelsestilfælde. LLM'erne spiller en sekundær, men voksende rolle som diagnostisk lag: de kobler viden, logfiler og model-outputs sammen til forklaringer, som ingeniøren kan handle på.
+===== Ekstra kilder og videre læsning =====
+  * [[https://www.nature.com/articles/s41598-026-46550-6|Nature: Prædiktiv vedligehold af induktionsmotorer (self-supervised/federated learning)]]
+  * [[https://www.sciencedirect.com/science/article/pii/S305047592600607X|ScienceDirect: Fejlidentifikation med deep neural networks på vibrationsdata]]
+  * [[https://www.sciencedirect.com/science/article/pii/S2468227626001924|ScienceDirect: Edge AI vibration monitoring med IEPE-sensorer]]
+  * [[https://ieeexplore.ieee.org/document/11511293/|IEEE: Bearing fault detection med AutoML-modeller]]
+  * [[https://link.springer.com/article/10.1007/s10462-025-11287-7|Springer: Survey af deep learning til industriel visuel anomalidetektion]]
+  * [[https://www.sciencedirect.com/science/article/pii/S1474034625009607|ScienceDirect: AI-enabled defect detection, survey]]
+  * [[https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0353291|PLOS One: Vision expert guided inspection]]
+  * [[https://ieeexplore.ieee.org/abstract/document/10663422|IEEE: Deep learning og computer vision til kvalitetskontrol]]
+  * [[https://ieeexplore.ieee.org/document/11030043|IEEE: InsightAI ...rod årsags-analyse i store logfiler med LLM]]
+  * [[https://www.sciencedirect.com/science/article/pii/S1389128626008297|ScienceDirect: LLM'er til systemloganalyse, litteraturgennemgang]]
+  * [[https://www.sciencedirect.com/science/article/pii/S156849462600356X|ScienceDirect: Knowledge graph + LLM til fejldiagnose]]
+  * [[https://www.sciencedirect.com/science/article/pii/S2667305326000888|ScienceDirect: LLM'er til fejldiagnose i smart manufacturing]]
+==== Se også: (danske kilder) ====
+[[https://www.linkedin.com/in/sorenbsorensen/ | Søren Bronnée Sørensen]] skriver om AI i produktionsvirksomheder på LI :
+https://www.linkedin.com/pulse/ai-i-produktionsvirksomheder-s%C3%B8ren-bronn%C3%A9e-s%C3%B8rensen-kx1he/
+FORCE Technology og DI Produktion, 2026 ([[https://www.danskindustri.dk/globalassets/brancher/di-produktion/ai-i-dansk-produktion.pdf?v=261105 | ai-i-dansk-produktion.pdf]])