Arla kan med en algoritme reducere deres energiforbrug med 15 procentpoint på deres pasteuriseringsmaskiner, som de har omkring 300 af på verdensplan. Det viser et forskningsprojekt i MADE FAST, der bygger oven på viden fra MADE Digital. Den lovende digitale løsning, der består af avanceret data, bliver nu udrullet på fem mejerier.
Mere værdi ud af data.
Arla har de seneste fire år arbejdet på at opnå en effektiv energioptimering i produktionen af mælk via digitale værktøjer i forskningsplatformen MADE FAST.
”Vi har undersøgt, hvordan vi kan bruge AI i form af Machine Learning – til at sige noget generelt om, hvordan vi indstiller vores pasteuriseringsmaskiner, så vi dræber bakterierne og samtidig får brugt så lidt energi som muligt. Det er vi lykkedes med – ikke bare ét sted, men flere steder,” siger Claus Boye Asmussen, Digital Pilot Lead hos Arla Foods Amba.
Det er MADE Postdoc, Johan Bjerre Bach Clausen ved Aalborg Universitet, der har arbejdet på projektet, som skal kunne løse problemer på tværs af maskiner og landegrænser:
Arla Foods Amba
Arla er en af Danmarks største fødevarevirksomheder og er i dag ejet af ca. 9.400 landmænd fordelt på syv lande.
Arla har hovedkontor i Viby, Midtjylland og har over 9.000 ansatte.
”Optimerings-algoritmen, som jeg har været med til at udvikle, er designet med skalerbarhed i fokus, og når analysen bliver skaleret ud til alle relevante Arla-mejerier, så sigtes der mod en markant energioptimering og realiseret energibesparelse,” forklarer Johan Bjerre Bach Clausen.
For Arla er der mange gevinster, hvis de kan anvende og skalere metoden på tværs af deres komplekse mælkemaskiner, der er fordelt på 60 mejerier verden over – med ca. 5 på hvert mejeri.
”Vores test på et mejeri i Nordlondon og på et innovationscenter i Skejby har vist ca. 5,5 procentpoint reduktion i energiforbruget. Med mere modent brug af metoden, forventer vi at reducere med 10-15 procentpoint,” vurderer Claus Boye Asmussen.
Bedre beslutninger – med afsæt i tidligere forskning
Arlas maskine varmer mælk op, der bagefter skal køles ned igen. Her bruges der meget energi, og derfor er den globale virksomhed optaget af, hvordan de indstiller maskinerne så energieffektivt som muligt:
“Test har vist, vi kan bruge skalerbar Machine Learning. Det er et støtteværktøj til at træffe beslutninger, fordi vi gerne løbende vil have anbefalinger til, hvordan maskinen skal indstilles,” siger Claus Boye Asmussen, der som tidligere MADE-ph.d. ved Aalborg Univeristet har forsket i at optimere Arlas produktion med analyseredskaber og Machine Learning.
Det skete i MADE’s tidligere forskningsplatform MADE Digital, hvor Claus skabte et digitalt datagrundlag i produktionen som hjælper med at tage kvalificerede beslutninger.
“Nu har Johan bygget oven på med sit arbejde i MADE FAST ved at udvikle en optimeringsalgoritme, der giver Arla helt nye muligheder. Det er dejligt at se, hvordan der bliver bygget ny viden oven på de tidligere forskningsresultater,” siger Charles Møller, leder af indsatsen ‘Værdikædeoptimering’ i MADE FAST og professer ved Aarhus Universitet.
Samtidig er Claus Boye Asmussen, som tidligere MADE-ph.d., en del af en positiv fortælling om, at størstedelen af de 123 forskere, der har gennemført et projekt i MADE efterfølgende har fået job i industrien.
Stort potentiale for AI
Ny viden fra forskningen er afgørende for, at data fra computeren kan bruges aktivt på fabriksgulvet – ikke kun for Arla.
“Flere og flere virksomheder efterspørger datadrevet beslutningsstøtte, fordi det er en naturlig forlængelse af digitaliseringsrejsen, heriblandt forskningsarbejdet i MADE Digital. Mange virksomheder har fået sensorer i produktionen og opsamler data, men det løser ikke noget, medmindre man har gode modeller til at optimere produktionen”, påpeger Charles Møller, og tilføjer, at det nye er, at nu har man data som er tilstrækkeligt gode til at kunne optimere produktionen.
Selvom efterspørgslen efter digital beslutningsstøtte er stigende, så er det de færreste virksomheder som Arla, der eksperimenterer med AI og algoritmer. Der er et stort uudnyttet potentiale i brugen af kunstig intelligens i danske produktionsvirksomheder, viser en ny rapport fra Teknologisk Institut: 84 procent af de adspurgte virksomheder ser et potentiale i brugen af AI, mens de kun i begrænset omfang indfrier det i dag. Og blot to procent af virksomhederne ser sig selv som frontløbere på området.
Få en datastrategi
Den helt store udfordring er at gøre data brugbart, og derfor bør flere virksomheder investere tid og penge i en datastrategi, lyder det fra professoren:
“Hvis man som produktionsvirksomhed vil holde sig konkurrencedygtig, så kan man ikke undgå at arbejde med datadrevne modeller. Jeg ser mange store virksomheder lede efter marginale optimeringer, men det som Arla har opnået er jo langt fra marginaler. Det er markant og drejer sig om rigtig mange penge, hvis det realiseres og skaleres,” siger Charles Møller.
Han tilføjer, at datadreven beslutningsstøtte kan være en katalysator for at komme i mål med nye grønne løsninger som f.eks. genanvendelighed:
“Datamodeller kan f.eks. hjælpe virksomheder med at tage beslutninger om bæredygtighed. Her kan de få data om, hvor meget et produkt f.eks. belaster miljøet, og det kan være afgørende for designfasen, så produktet udvikles med øje for take back, så materialet let kan skilles ad igen 5 år efter,” vurderer Charles Møller.
’Vi kan finde mange andre cases’
De lovende forsøg har givet Arla blod på tanden, og mejerigiganten vil nu ud at opsøge endnu mere praktisk erfaring og træne, hvordan de kommunikerer anbefalinger fra optimeringsalgoritmen ud til deres ansatte.
”Hvis vi kan standardisere vores problemstillinger som her, så kan vi finde mange andre cases. Vi ser på, hvordan vi bedre kan udnytte kapaciteten på vores eksisterende maskiner f.eks. ved at tage stilling til batchlængde og forudsige fremtidige batches. Vi får først værdi ud af algoritmen, når der er nogen, der tager en beslutning ud fra dens anbefalinger,” påpeger Claus Boye Asmussen.
En universel tilgang til avancerede datamodeller er interessant for de fleste produktionsvirksomheder – uanset om det gælder mælk, kaffe eller tørring af oliefiltre:
”Jeg var for nylig på et MADE virksomhedsbesøg hos BKI Foods, og det er lidt samme metode, de bruger. De anvender AI til at ramme den rigtige smagsprofil fra kaffebønner fra hele verden, når de rister,” fortæller Arlas Digital Pilot Lead.
I et lignende MADE FAST-forskningsprojekt har virksomheden C.C. Jensen brugt AI til at reducere deres energiforbrug med en faktor 10 ved tørring under fremstilling af oliefiltre.
Lignende gode resultater vil Arla også opnå. Derfor er de i gang med at implementere optimeringsalgoritmen på de første fem mejerier i 2024.
Om projektet
Projektet omhandler datadreven beslutningsstøtte
Projektet er en del af forskningsplatformen MADE FAST under indsatsen ‘Værdikædeoptimering’
Partnere: Aalborg Universitet og Arla Foods Amba
Periode: Fra juni 2022 til december 2024
Innovationsfonden er største enkeltinvestor med 79,8 mio. kr. Det samlede projektbudget er 265 mio. kr.
