AI teknik
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
Se også: (danske kilder)