Ved å systematisk bruke og måle effekten av små driftsendringer, kalt "perturbasjoner", vil det være mulig å forutsi om større endringer vil gjøre driftsprosesser mer energieffektive. Fram til nå er slike metoder testet og brukt til å spare energi på blant annet metallproduksjon, vindmøller, solcellepaneler, generatorer og borerigger. Det er imidlertid flere utfordringer knyttet til denne metoden.
En av utfordringene er at perturbasjonene hele tiden brukes for å kunne tilpasse seg endrede optimale driftsforhold. Men selv små driftsendringer kan føre til oppvarming eller avkjøling av store områder eller bevegelse av store, tunge maskindeler. Dette vil blant annet medføre store direktekostnader (knyttet til f.eks. nedkjøling/-oppvarming) eller betydelig slitasje på maskinene over tid. Særlig kritisk er det at perturbasjoner bidrar til svingninger i måledata som gjør det vanskeligere å oppdage sikkerhetskritiske feil. I dette prosjektet skal vi utvikle algoritmer som setter i gang disse perturbasjonene kun når det er nødvendig, og dermed minske de negative følgene av dem. Algoritmene vil være utviklet slik at det gjøres en avveining mellom ulempene med perturbering og den mulige energigevinsten.
En annen utfordring er at datadrevne algoritmer håndterer planlagte prosessendringer på en lite gunstig måte. Det er ofte lang reaksjonstid fra en kjent prosessendring settes i gang til algoritmene tilpasser seg de nye optimale driftsforholdene. Dette fører til store effektivitetstap. Derfor tenker vi å utvikle forhåndsvarsler til algoritmene, slik at reaksjonstiden og dermed effektivitetstapet, reduseres.
