Forklarbare modeller og smart overvåkning

Avviksdeteksjon

Maskinlæringsmodeller bygger ofte på en antagelse om at dataene er relativt stabile over tid. Når datagrunnlaget endrer seg, kan modellens presisjon og pålitelighet svekkes. Små feil kan få store konsekvenser. For robust drift er det derfor avgjørende å oppdage endringer raskt og presist.

På NR har vi spisskompetanse innen tilstandsovervåkning av teknisk utstyr og utvikler tilpasningsdyktige metoder for å identifisere avvik i datastrømmer.

Ved hjelp av sensorer som kontinuerlig overvåker tilstanden til for eksempel vannturbiner eller skipsmotorer, kan modellen kan varsle når systemer oppfører seg unormalt. Dette gjør det mulig å oppdage problemer tidlig, forebygge skader, forlenge levetiden til utstyret og legge til rette for mer effektivt vedlikehold.

Vi har erfaring med data fra temperatur-, vibrasjons- og lydsensorer, i tillegg til målinger av ressursbruk i IT-systemer. Løsningene kan tas i bruk på tvers av områder der det er et behov for å oppdage endringer eller uventede mønstre i data.

Forklarbar kunstig intelligens (XAI)

Kunstig intelligens tas i bruk i stadig flere industrielle sammenhenger og bidrar til mer effektive prosesser. Samtidig kan det være krevende å forstå hvordan modellene kommer frem til et resultat. For å sikre trygg og pålitelig drift er det imidlertid viktig med innsikt i hvordan automatiserte beslutninger tas.

Forklarbar KI er et sentralt fagområde på NR. Gjennom samarbeid med industripartnere og deltakelse i nasjonale satsinger som TRUST – Norsk senter for pålitelig KI, utvikler vi metoder som gir bedre innsikt i hvordan KI-systemer fungerer.

Dette er særlig relevant når det oppstår spørsmål som: Hvorfor varsler modellen et avvik? Hvilke signaler ligger bak en prediksjon? Kan vi stole på at modellen gir riktige anbefalinger over tid?

Det finnes i dag et stort utvalg metoder for å tolke KI-systemer, men ikke alle gir like pålitelige eller nyttige. For å gjøre det enklere å navigere i dette landskapet har vi utviklet beslutningsverktøyet eXplego. Verktøyet fungerer som et digitalt beslutningstre og gir interaktiv veiledning i valg av egnede XAI-metoder.

Effektiv avfallshåndtering med maskinlæring

Smart og bærekraftig avfallshåndtering krever god oversikt og planlegging.

I ReWaCC-prosjektet utvikler vi maskinslæringsmodeller som forbedrer håndteringen av avfall. Modellene estimerer innholdet i avfallscontainere basert på sensordata fra enheter montert på hver container. Dette gir bedre innsikt i avfallssammensetningen.

Effektiv behandling forutsetter ofte av lignende avfallstyper håndteres samlet. Samtidig gjør begrenset lagringskapasitet og ressurser dette utfordrende i praksis. Ved å bruke sensordata kan man planlegge hvordan avfallet skal behandles videre – enten det skal forbrennes, videreforedles eller gjenbrukes – og dermed gjøre effektivisere prosessene.

Målet er et bedre kunnskapsgrunnlag for økt resirkulering og bedre utnyttelse av sekundære råvarer. Det utvikles som en skalerbar og tilpasningsdyktig løsning for ulike typer avfallscontainere.

Anvendelser og samarbeid

Enten dere vil effektivisere vedlikeholdsarbeidet, bruke data mer aktivt i drift eller forstå hvordan modellene deres faktisk fungerer, kan vi bidra med analyse og modellutvikling.

Ta gjerne kontakt dersom dere ønsker å diskutere en problemstilling eller et mulig samarbeid.

Utvalgte prosjekter innen teknologi og industri

Aktuelt

Vil du vite mer om vårt arbeid innen teknologi og industri?

Ta kontakt.