Examensarbete på Uddeholms AB: Datadriven ugnsövervakning och tidig feldetektering
Uddeholms ABOm 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:
Representerar du Uddeholms AB? Lyft fram annonsen i Sverige och dölj konkurrerande jobb.