23948sdkhjf

SSAB optimerar produktionen med dataanalys

I stålföretaget SSAB genereras enorma mängder data, varje sekund, året om. För att verkligen få ut värde av all data arbetar de både med nya tekniklösningar - och nya sätt att se på verksamheten.

Det berättade Carl Orrling som är chef för forskning och utveckling på SSAB i Europa under SAS Institutes konferens, SAS Global forum.

– Vi har genererat stora mängder data sedan 70-talet, när vi började automatisera vår stålproduktion. Vi har 45 större produktionsanläggningar i Europa, med hundratals motorer, ventiler, mätare, med mera, som producerar data.   

För några år sedan insåg SSAB att det fanns en stor mängd databaser vars data ingen kunde analysera. Då inleddes ett arbete för att verkligen få användning av all data. 

– Tidigare fokuserade vi helt på funktionaliteten i anläggningarna, hur saker gjordes. Att hantera data för att få nya insikter var sekundärt. Nu har vi insett att vi måste standardisera och harmonisera data för att få ut värde av dem.

En annan viktig insikt är att lämna ett tankesätt som går ut på att optimera varje enskild fas av arbetet för sig, och istället se till hela kedjan av aktiviteter. Det inbegriper inte bara verksamheten på SSAB. Han gav som exempel utvecklingen till fossilfritt stål i Hybrit-projektet med partners som gruvföretaget LKAB och Vattenfall. 

Även kundernas processer och leveranser av stålet till dem är viktiga aspekter för att få till fossilfritt stål, vilket är nödvändigt om EU-målen för koldioxidneutralitet ska uppnås. Stålindustrin står för en stor andel av de globala utsläppen och SSAB självt står trots världsledande teknik i dagsläget för tio procent av utsläppen i Sverige.

Det finns och behövs ändamålsenliga tekniklösningar för att hantera enorma mängder beräkningar och gigantiska datamängder i realtid. Ett exempel är en avancerad analysmodell för att förutsäga risk för driftstopp. Modellen finns i 14 olika varianter. Om det finns en risk för oplanerade och oönskade händelser indikerar modellen det i 85 procent av fallen, vilket ger stora möjligheter att lösa problem innan de uppstår. 

– Vi jobbar även med att bygga flera andra modeller för förebyggande underhåll. Det handlar till exempel om att beräkna när man bör byta ut maskindelar, men även om att avgöra när det passar bäst att utföra underhåll. Det kan visa sig vara några veckor innan man ursprungligen har planerat det, förklarar Carl Orrling och avslutar: 

– Att ställa om till ett dataanalysdrivet arbetssätt ställer stora krav och innebär en omställning för hela organisationen. Det kräver också att man är beredd att ge sig ut i något okända marker och tänka nytt. Det är en inspirerande och värdefull resa.

Kommentera en artikel
Meddela redaktionen
Utvalda artiklar

Tipsa en kollega

0.158