I produktion på massiv skala kan även de mest minimala effektivitetsåtgärderna ha förmånliga implikationer när det gäller tid och kostnad. Hos Sandvik Coromant finns därför ett stort innovationsdriv och eftersträvan att integrera nya tekniker i deras karbidskärsproduktion. Detta arbete har därför undersökt möjligheten till att använda maskininlärning för ändamålet att reducera tiden av ett av de momenten i denna produktion, nämligen vägningen av pressade karbidskär.
Genom att använda sensordata från pressarna kunde en tidigare intern studie visa att goda estimeringsnivåer var möjliga för en viss press och skär, med RMSE- och R2-värden på 0.0015, respektive 0.950. Målet med vår rapport var att undersöka ifall dessa resultat kunde extrapoleras till fler pressar och fler karbidskär, och även ifall estimeringarna kunde förbättras med hjälp utav regularisering och olika storlek på träningsdata.
Fyra variationer av algoritm och träningsdata användes: OLS multiple regression med 50 (likadant som i tidigare experiment) och 25\% träningsdata, och ElasticNet med 50 och 25\% träningsdata. Resultaten visade att ElasticNet med 25\% träningsdata gav högst medelvärde för både RMSE och R2, med 0.0022 respektive 0.760. Slutsatsen som drogs var att den tidigare studiens resultat inte gick att återskapa på större skala. ANOVA test visade att användandet av mer träningsdata hade signifikant påverkan på den gemene maskininlärningsmodellens estimeringsnivå, medan regularisering inte hade det.