Annons

Big Data: Så optimerar SSAB produktionen med dataanalys

För några år sedan insåg man på SSAB att det fanns en stor mängd databaser vars data ingen kunde analysera. Då inleddes ett ambitiöst arbete för att verkligen få användning av alla data. Det mest centrala i det arbetet är kanske en insikt som Carl Orrling beskriver:
– 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.

Carl Orring (t h) och SAS Institutes Christer Bodell.

OPTIMERING AV VARJE ENSKILD FAS
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. Den stora processen, så att säga. Det inbegriper inte bara verksamheten på SSAB, utan även utveckling 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.

NYA TANKAR OCH NY TEKNIK
Det räcker inte bara att tänka till för att få ut värde av data. Det behövs ändamålsenliga tekniklösningar också. Sådana finns i dag, för att hantera enorma mängder beräkningar och gigantiska datamängder i realtid.
Vad har SSAB åstadkommit hittills? 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. Det säger sig självt vilken nytta en sådan modell gör för SSAB, eller skulle göra för vilket tillverkande företag som helst.
– 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.

Print Friendly, PDF & Email

Success Stories

Success Stories

Industriellt

Intressant på PLM TV News

PLM TV News

PLM TV News

PLM TV News

PLM TV News

PLM TV News

Aktuell ANALYS

Aktuell Analys

Aktuell Analys

3D-printing

Block title