Hoppa till huvudinnehållet
Uddeholms AB logo

Examensarbete på Uddeholms AB: Datadriven ugnsövervakning och tidig feldetektering

Uddeholms AB
  • OrtSverige
  • OmfattningHeltid
  • Sista ansökan30 dagar kvar
  • Publicerad13 nov.

Om tjänsten

Utveckla och utvärdera en datadriven prototyp som lär sig normalt ugnsbeteende och identifierar avvikelser i ugnen. Omfattning:

30HP Start: Vårterminen 2027 Bakgrund Uddeholm är världsledande inom verktygsstål och bedriver avancerad produktion där

industriugnar är centrala för produkternas kvalitet, energieffektivitet och leveransförmåga. Stabil temperaturreglering och jämn

temperaturfördelning är avgörande, samtidigt som fel och störningar kan vara svåra att upptäcka i ett tidigt skede. Ugnarnas

styrsystem genererar kontinuerligt tidsseriedata från bland annat termoelement, temperaturbörvärden, brännarstyrning, pådrag,

luft- och gasflöden samt andra drift- och processignaler. Förändrade samband mellan dessa signaler kan indikera problem. Om

kalluft exempelvis läcker in i en zon kan pådraget i den aktuella zonen öka samtidigt som regleringen i angränsande zoner

förändras. Avvikande mönster kan också orsakas av brännarstörningar, felvisande termoelement eller instabil temperaturreglering.

Examensarbetet ska undersöka om multivariat tidsserieanalys och maskininlärning kan användas för kontinuerlig övervakning och

tidig upptäckt av avvikande ugnsbeteenden. Uppgift Examensarbetets mål är att designa, implementera och utvärdera en första

prototype för Ugnsövervakning på en avgränsad ugn eller ugnsdel. Arbetet ska omfatta:

  • Process- och datakartläggning: förstå

ugnens reglering samt identifiera relevanta termoelement, styrsignaler, drifttillstånd och kända störningar. - Datakvalitet och

förbehandling: analysera samplingsfrekvens, saknade värden, givarfel, tidsförskjutningar och förändringar i driftläge samt skapa

en reproducerbar datapipeline. - Modellering av normalt beteende: beskriva sambanden mellan temperaturer, börvärden, pådrag,

brännare och relevanta processvariabler under olika driftförhållanden. - Avvikelsedetektering: jämföra minst två metoder,

exempelvis statistiska baslinjer, PCA, Isolation Forest, autoencoders eller prognosbaserade modeller. - Kontextmedveten analys:

skilja potentiella fel från normala förändringar orsakade av recept, produktmix, last, uppvärmning, tomgång, stopp eller planerade

processförändringar. - Förklarbarhet: visa vilka signaler och samband som bidrar mest till en identifierad avvikelse, så att

resultatet kan bedömas av process- och underhållsexperter. - Utvärdering: validera modellen mot kända händelser,

underhållsinsatser, expertbedömningar och, där det är möjligt, resultat från temperaturjämnhetsmätningar. - Prototyp: demonstrera

signaltrender, förväntat beteende, anomaly score, förklaring och varningsnivå i en enkel visualisering. Arbetet ska besvara

huvudfrågan: Kan multivariat tidsserieanalys lära sig normalt beteende hos en industriugn och upptäcka avvikelser som kan indikera

problem med exempelvis termoelement, brännare, luftläckage eller temperaturreglering? Sekundär frågeställning Examensarbetet ska

även undersöka om kontinuerlig datadriven övervakning kan ge kompletterande information om ugnens temperaturbeteende och

temperaturjämnhet. Resultatet kan användas som underlag för en framtida bedömning av om vissa manuella temperaturjämnhetsmätningar

kan behovsstyras eller genomföras mer sällan. Examensarbetet ska inte förutsätta eller bevisa att etablerade mätningar kan tas

bort. Förväntat resultat - Dokumenterad datakartläggning och rekommenderad målarkitektur för Ugnsövervakningen. - Fungerande

prototyp på historiska tidsseriedata från en avgränsad ugn eller ugnsdel. - Jämförelse mellan minst två modellansatser och en

tydlig utvärderingsmetod. - Identifierade signalmönster och avvikelsetyper som är relevanta för fortsatt validering. -

Visualisering som stödjer teknisk bedömning av avvikelser och falsklarm. - Förslag på hur lösningen kan produktionssättas,

övervakas och vidareutvecklas inom Microsoft Fabric eller motsvarande dataplattform. - Rekommendationer för fortsatt validering

mot underhållshändelser och temperaturjämnhetsmätningar. Genomförande Arbetet genomförs i nära samarbete med Uddeholms Dataanalys

& AI-team samt representanter från ugnsteknik, process, produktion och underhåll. Metoden förväntas kombinera

processförståelse, undersökande dataanalys, experimentell modellutveckling och användarcentrerad validering. En möjlig arbetsplan

är: - Vecka 1-3: avgränsning, litteraturstudie, processförståelse, datakartläggning och val av ugnsfall. - Vecka 4-7:

datakvalitetsanalys, synkronisering, drifttillstånd och etablering av statistiska baslinjer. - Vecka 8-13: feature engineering,

modellutveckling och jämförelse av metoder för multivariat avvikelsedetektering. - Vecka 14-17: prototyp, visualisering och

validering tillsammans med domänexperter. - Vecka 18-20: slutsatser, rekommendationer, rapport, överlämning och presentation.

Uddeholm tillhandahåller handledning, relevant arbetsmiljö och tillgång till överenskomna data och system. Exakt ugn, tidsperiod

och signalurval väljs utifrån datatillgång, datakvalitet, verksamhetsvärde och genomförbarhet. Arbetet ska kunna bedrivas även om

historiska felhändelser inte är fullständigt klassificerade; då används främst normaldata, expertvalidering och kända händelser

för utvärderingen. Utbildningar och önskad profil Examensarbetet riktar sig främst till en eller två studenter på masternivå inom:

  • Datavetenskap / Computer Science - Datateknik / Computer Engineering - Artificiell intelligens, maskininlärning eller

närliggande utbildning. Vi söker studenter med goda kunskaper i Python, maskininlärning och dataanalys. Erfarenhet av

tidsserieanalys, signalbehandling, reglerteknik, PyTorch eller TensorFlow, SQL, Microsoft Fabric/Azure eller industriell

automation är meriterande. Viktigast är ett strukturerat arbetssätt, nyfikenhet på industriella processer och förmåga att

samarbeta med tekniska domänexperter för att omsätta analys till ett användbart beslutsstöd. Avrapportering Fullbordad rapport

lämnas till handledaren och presenteras muntligt vid Uddeholm. Källkod, teknisk dokumentation, databeskrivning,

utvärderingsresultat och en demonstrerbar prototyp ska överlämnas enligt överenskommelse. Sekretess och ekonomisk ersättning En

sekretessförbindelse upprättas och signeras mellan studenten och Uddeholm. Skattepliktig ersättning på 1 000 SEK per högskolepoäng

utgår enligt Uddeholms villkor efter godkänt kursbevis, fullbordad rapport och genomförd muntlig presentation. Handledare vid

Uddeholm Namn: Anton Möller Telefon: +46 70-251 16 50 E-post: anton.moeller@uddeholm.com Information om ansökan Ansökan görs via

Varbi. Sista ansökningsdag är 6 december 2026.

Inte redo att söka direkt? Spara annonsen så skickar vi en påminnelse 3 dagar före sista ansökningsdag.

Synka i iPhone-appen →

Restid & pendling

Krav- & nyckelordscheck

Efterfrågade kompetenser – klicka på det du kan:

Anpassa ett gratis CV direkt mot annonsens kravprofil.Matcha & bygg CV för tjänsten

Representerar du Uddeholms AB? Lyft fram annonsen i Sverige och dölj konkurrerande jobb.