På Siemens Gamesas vindmøllefabrik i Aalborg kræver de lange glasfibervinger meget opmærksomhed.
Tidligere var det sådan, at to mand skulle give hver af de lange vinger deres udelte opmærksomhed i op til seks timer. Her gik de specialiserede medarbejdere og undersøgte vingerne med et instrument, der mindede om en mellemting mellem en scanner fra en jordemoderstue og en geigertæller.
Men den tid er forbi. Nu har Fujitsu nemlig udviklet en løsning til vindmølleproducenten, der bygger på billedegenkendelse, machine learning og kunstig intelligens. Og det har med det samme skabt resultater.
“Med den nye løsning er inspektionstiden blevet 80 procent mere effektiv og kan nu gennemføres på omkring halvanden time i stedet for seks timer tidligere,“ siger administrerende direktør for Fujitsu Danmark Søren Rinnov Østergaard.
Læs mere om kunstig intelligens her: “Det er fjerde eller femte gang, at kunstig intelligens ligger på toppen af Gartners hype cycle"
Kunstig intelligens er mere end bare snak
Det er et skridt på vejen fra, at AI og machine learning mest er noget, der skåltales om til it-taffel rundt om i kongeriget.
"Man kan ikke gå til en konference i dag uden at høre om kunstig intelligens minimum en fire-fem gange. Jeg tror, at mange er ved at være lidt trætte af at høre om, hvad der med kunstig intelligens er teoretisk muligt og hvordan det kommer til at ændre fremtiden," siger Søren Rinnov Østergaard og fortsætter:
"Vores mantra har været at holde lidt lav profil, indtil vi kunne gå ud og vise, hvad det kan i praksis. Branchen er delt i to. Dem der bare snakker om det, og dem der går ud og gør det og leverer resultater for kunderne."
Læs mere om mulighederne i AI her: Vil du i gang med kunstig intelligens i virksomheden? Her er fem gode råd direkte fra San Francisco
Afgørende løsning
Hos Siemens Gamesa har man ligesom andre vindmøllevirksomheder brug for at være sikker på, at alle vinger, der forlader fabrikken, er 100 procent i orden. Det kan nemlig have katastrofale konsekvenser, hvis eksempelvis en vinge knækker af møllen og falder af.
I USA giver en sådan hændelse et kæmpe millionbeløb i bøde og derudover vil det give en hel del dårlig omtale af møllevirksomheden, og det har ingen brug for i et hårdt marked.
Derfor bliver alle vinger tjekket for eventuelle usikkerheder eller fejl i produktionen. Det har tidligere foregået manuelt med ultralydsscannere, men nu har Fujitsu i samarbejde med Siemens Gamesa udviklet en løsning, der øger effektiviteten med 80 procent.
“Vi anvender billedgenkendelse til at studere de data, der kommer ind fra scanningen. Med machine learning og kunstig intelligens har vi skabt et system, der ved, hvad der er normalt og vigtigst, hvad der adskiller sig fra det normale. Det betyder, at vi kan finde en række forskellige fejl, hvor glasfiberen ikke er normal, hvor der skal laves yderligere inspektion," siger Søren Rinnov Østergaard.
Læs mere om kunstig intelligens her: Digitalisering vil ændre hele shipping-branchen, når kæmpe-skibene kommer: De fleste container-rederier vil forsvinde
Systemet fungerer ved, at man har udbygget instrumentet med scannere. Det køres på en truck langs med vindmøllevingen og scanner overfladen.
Selve scanningen foregår som før ved hjælp af ultralyd, der sendes ind og refleksionerne opsamles herefter som data, der bliver omdannet til et billede.
Det billede kører så igennem Fujitsusystemet, der via kunstig intelligens og billedegenkendelse spotter abnormiteter i vingen. Herefter kan medarbejderne gå ud og lave nærmere undersøgelser af de områder, hvor systemet har spottet en eventuel fejl.
Systemet er nærmest nyt på fabrikken, men resultaterne har allerede vist sig. Selve kvalitetssikringen af vingerne er blevet 80 procent mere effektiv, og det er man glad for hos Siemens Gamesa.
”Fejl på vores turbineblade er ikke en mulighed, så vi ledte efter en løsning, som kunne accelerere den tidskrævende kvalitetssikringsproces uden at gå på kompromis med hverken kvalitet eller sikkerhed," siger kvalitetschef hos Gamesa Heine Bach og fortsætter:
"Vi har i fællesskab (med Fujitsu .red) skabt en løsning, der ikke kun minimerer tidsforbruget til inspektionen af turbinebladene, men også gør os i stand til at fokusere på de områder af vingerne, der afviger fra normalen.”
Giver dansk fordel
For mindre end en måned siden blev det meldt ud, at Siemens Gamesa skulle skære yderligere 6.000 stillinger på globalt plan. Det kommer angiveligt også til at ramme fabrikken i Aalborg, der allerede har måtte holde for og afskedige 1.000 medarbejdere i indeværende år.
Men Fujitsuchef Søren Rinnov Østergaard ser ikke en direkte sammenhæng mellem det nye Fujitsuprodukt og det potentielle bjerg af fyresedler, der kan være på vej i Aalborg.
Du nævner at man kan blive mere effektiv. Hvordan hænger jeres produkt sammen med, at man hos Siemens Gamesa skal fyre 6.000 medarbejdere?
“Hvordan Siemens Gamesa laver justeringer overordnet, er jeg ikke i stand til at relatere til den specifikke case. Jeg kan bare sige, at i den del af produktionen, hvor vi er blevet involveret, der er vi entydigt med til at øge konkurrenceevnen og gøre Siemens Gamesas evne til at producere i et højtlønslands som Danmark bedre,” siger han.
Læs mere om tendensen her: Nordea vil fyre tusindvis af ansatte efter gigantisk satsning på it og digitalisering
Ifølge den danske Fujitsudirektør, så kan AI-systemet derimod hjælpe den danske vindmøllefabrik på flere måder.
"Systemet hjælper Siemens Gamesa med to forretningsmæssige problemstillinger. Det ene er at løfte niveauet for kvalitetssikring, så risikoen for fejl er bliver nedbragt. Den anden del er, at Siemens er blevet mere effektive," siger Søren Rinnov Østergaard og fortsætter:
"Nu spilder man ikke højtuddannede og ekstremt dygtige medarbejderes tid ved at stå at kigge ned i en monitor og kigge efter afvigelser. Det er vigtig for produktionsvirksomheder, der befinder sig her i Nordeuropa. Vi er nødt til at bruge automatisering for at kunne holde konkurrenceevnen. På det her område bliver Siemens Gamesa så 80 procent mere effektive, så det er godt for deres konkurrenceevne,” siger han.
Han forudser, at teknologien kan benyttes i en lang række andre produktioner, hvor man kvalitetssikrer og tester ting. Det kunne være svagheder i store betonelementer til broer eller bilfælge.
Derudover kan man måske i fremtiden også bruge noget lignede til vedligehold ved at forudse fejl. Det kunne være vedligehold af skinner eller olieledninger.
