ECSEL Artificial Intelligence for Digitising Industry

Industrien er en av grunnpilarene i både europeisk og norsk økonomi, og en økning i automatiseringen av industrielle prosesser og produktiviteten kan gi betydelige økonomiske fordeler. Den nye generasjonen muliggjørende teknologier basert på kunstig intelligens (AI), industriell IoT (IIoT), digitale tvillinger og intelligente kommunikasjonsløsninger åpner opp for nye muligheter og økonomisk vekst ved å integrere disse teknologiene i den industrielle prosessflyten. Distribuert intelligens, IIoT, AI metoder og teknikker støtter opp om og er med på å akselerere digitaliserte industrielle operasjoner og forbedrer effektiviteten i produksjonsprosesser (dvs. lavere kostnader, mindre energiforbruk, høyere utbytte og kvalitet) for å imøtekomme kundenes behov bedre. AI4DI prosjektet la vekt på samspillet mellom mennesker og maskiner. Formålet med prosjektet var å utvikle en europeisk AI basert teknologiplattform til utvikling av AI metoder og teknikker for elektroniske komponenter og innebygde systemer og dermed bidra til å akselerere og støtte digitaliseringsprosessen i den europeiske industrien. AI4DI prosjektet har adressert fremtidige trender for AI forskning og innovasjon, og et veikart for AI aktiviteter innen digitalisering av industrien er utarbeidet og presentert. Tre referanse arkitekturer (dvs. Reference Architectural Model Industrie 4.0; RAMI 4.0, Industrial Internet Reference Architecture; and IIRA and IoT / IIoT 3D Reference Architecture) har blitt analysert for å forstå de underliggende utfordringene. Basert på denne analysen og kravene i AI4DI prosjektet har det blitt utviklet en felles 3D-referanse hybrid systemarkitektur som går på tvers av de industrielle sektorene representert i AI4DI. I denne referanse arkitekturen legges det til rette for å kombinere ulike delsystemer som ofte kan være veldig forskjellige. AI4DI konsortiet bestod av 40 europeiske partnere fra 11 forskjellige land (inkl. 4 norske partnere) som samarbeidet for å fremskaffe både teknologi, kunnskap og ferdigheter til å utvikle og anvende AI baserte HW/SW moduler, IIoT, AI verktøy, programvare og algoritmer. De AI baserte teknologiene som ble utviklet ble brukt på forskjellige bruksområder på tvers av de ulike industrisektorene (halvledere, bilindustrien, mat-/drikkeforedling, mobilitet og maskinproduksjon). Denofa har spesialisert seg på ikke-genmodifiserte og bærekraftige ingredienser til fôr og næringsmiddelindustrien. Ved Denofa's fabrikk i Fredrikstad utviklet og testet Denofa sammen med Nxtech, Intellectual Labs og SINTEF ut ulike HW/SW løsninger med hensyn på applikasjoner innenfor forutsigbart vedlikehold og optimalisering av produksjonsprosessen.

The outcomes of the production process optimisation activities in AI4DI are: • The average YTD reduction in residual oil by 13.56% compared with 2018. • The average YTD-specific steam consumption is 296kg/ton of soybeans. The goal is to reduce this by 3-5% compared with 2019 of 292kg/ton soybeans. • Change in inlet conditions (soybean origin, temperature, compositions, moisture harvest, etc.). • Change in quality of the products, e.g., residual oil in soybean meal. • Change in yields. • Continuous data collection is ongoing and will continue to lay the foundation for further analysis. • Dashboards are implemented and are improving continuously. • Moisture content and humidity in airflows are now measured. This information can locate and/or determine how much the production process is currently drying in the pre-treatment. This can lead to details of where and how much the potential of thermal energy reduction is. • Increased competence and awareness of energy consumption, residual oil, and accuracy of data. • High-level AI-based system architecture for food production, building blocks in functional domains, and interaction/workflows. • Intelligent sub-system level modelling and simulation for integration of AI methods. • Safe and secure E2E design methodologies for AI-embedded industrial food production processes and applications. • HW/SW partitioning and sub-system level key architecture designs for production process optimisation use case implementation. • Definitions of functional requirements (FRs), non-functional requirements (NFRs), key performance indicators (KPIs) and measures for production process optimisation demonstrator. The outcomes of the predictive maintenance activities are: • Dashboards for real-time monitoring of more than 30 motors are implemented and updated continuously. • The main parameters of each motor are measured and monitored continuously. • Increased competence and awareness of the predictive maintenance benefits based on condition monitoring and the use of AI-based algorithms for anomaly detection, failure classification and prediction. • High-level AI based system architecture for food production, building blocks in functional domains, and interaction/workflows. • Intelligent sub-system level modelling and simulation for integration of AI methods. • Safe and secure E2E design methodologies for AI embedded industrial food production processes and applications. • HW/SW partitioning and sub-system level key architecture designs for production process optimization use case implementation. • Definitions of FRs, NFRs, KPIs and measures for production process optimization demonstrator.

AI4DI project goal is to develop a European AI-based technology platform for developing AI techniques and methods for electronic components and embedded systems for accelerating and supporting the process of digitizing European industry. The project investigates, develops and applies AI-based hardware/software modules, IoT/IIoT devices for real time sensing, actuating, connectivity, processing, AI tools, software and algorithms to different use cases across various industry sectors (semiconductor, automotive, food/beverage processing, mobility, machine manufacturing). In order to achieve this the AI4DI is addressing seven key targets (KTs) : KT1: Evolve a common AI method understanding for highly heterogeneous systems control and optimization (whole Factory processes including Logistics, Costs, AI-technology) KT2: Evolve a common AI method understanding for homogeneous systems control and optimization KT3: Evolve a common AI method understanding for Human Machine collaboration KT4: Develop AI for change detection - diagnostics of systems, security systems, systems aging/change of performance detection, distributed ledger (Blockchains) KT5: Develop distributed intelligence including machine learning, deep learning, multi-access edge computing and connectivity, system partitioning based on criticality KT6: Develop AI tools KT7: Develop AI Hardware and Software modules - components for sensing, actuating, connectivity, signal processing The Norwegian cluster activities' aim at combining real-time monitoring using IoT/IIoT devices and intelligent connectivity and apply AI techniques and methods to optimize manufacturing operations, to provide reference implementation concepts for to detect anomalies or similarities and to optimize parameters in manufacturing process as integrated part of digitizing industry applications. The work will support exploitation studies, business cases for those technologies and the contribution to the AI technology road mapping.