artikel

Artificial Intelligence in de maakindustrie: Hype of meerwaarde?

Engineering

Artificial Intelligence wordt in meerdere sectoren toegepast. Ook de technologische sector ziet mogelijkheden om met kunstmatige intelligentie productieprocessen te verbeteren of bij het toepassen van predictive maintenance.

Artificial Intelligence in de maakindustrie: Hype of meerwaarde?

tekst: Evi Husson

Artificial intelligence wordt in de maakindustrie gebruikt om productieprocessen te verbeteren

Een voorbeeld. Een staalconcern kan artificial intelligence (AI) inzetten om de productieprocessen te verbeteren. Bij staalrollen zijn in de geproduceerde staaloppervlakken soms imperfecties aanwezig. In de oude situatie analyseren inspecteurs foto’s die camera’s van meters bewerkt staal nemen. Tegenwoordig is dit mogelijk door een zelflerend systeem. Patronen van goede en minder goede situaties worden vooraf gedefinieerd. Vervolgens krijgt het systeem foto’s voorgelegd en bepaalt het zelf aan de hand van de vastgelegde basispatronen of de foto van het staaloppervlak binnen de vooraf gedefinieerde marges valt of niet. Een inspecteur controleert daarbij of het systeem de juiste beslissing neemt en corrigeert indien nodig, zodat het systeem gaandeweg ‘leert’ tot welke categorie het staal behoort. Wanneer in een volgende fase de algoritmes verbanden leggen tussen een patroon dat op de eerste vijftig meter van de rol staal werd geconstateerd en een patroon dat bijvoorbeeld anderhalve kilometer later wordt opgemerkt, is er sprake van een meerwaarde. Aangezien het systeem geen last heeft van geheugenverlies kunnen ook verbanden worden gelegd met rollen staal die in het verleden werden geproduceerd. Wordt dit systeem vervolgens gekoppeld aan andere gegevens en parameters in het productieproces, dan kunnen al in een vroeg stadium afwijkingen in het productieproces worden blootgelegd en kan het productieproces worden verbeterd. Patronen komen boven water waartoe de mens niet langer in staat is.

Artificial Intelligence wordt toegepast in Predictive maintenance

Een ander voorbeeld waar AI kan worden ingezet, is de inspectie van het spoornetwerk. Om ervoor te zorgen dat onderhoud wordt gepleegd waar nodig, wordt gebruik gemaakt van een model dat machine learning (zie kader) toepast. Ook hier worden patronen gedefinieerd die omschrijven wanneer er sprake is van een verzakking of afwijking en wat de ideale situatie is. Het zelflerend systeem vergelijkt nieuwe data met data uit het verleden en leert geleidelijk aan waar en hoe het spoor is verzakt. Er wordt daarbij ook gebruik gemaakt van een meettrein om te controleren hoe accuraat het programma is en om het programma verder te verfijnen en optimaliseren. Om te bepalen wanneer onderhoud nodig is, moeten diverse parameters en gegevens worden gecombineerd. Stel dat een afwijking is geconstateerd, maar die ligt nog binnen de grenzen die zijn bepaald om onderhoud te plegen. Blijft de situatie de komende maanden stabiel, dan is er nog geen onderhoud nodig. Ook hierin kan machine learning inzicht geven, aangezien het meer factoren meeneemt in het beslissingstraject. Hoe de algoritmes onderhoud inplannen komt overigens grotendeels overeen met hoe de mens dit doet, maar met machine learning kunnen tijdsintervallen vaak specifieker worden berekend waardoor andere prioriteiten worden gegeven. En daar ligt de winst.

Wanneer is artificial intelligence een meerwaarde voor een bedrijf?

Als je wilt onderzoeken of de implementatie van een systeem met artificial intelligence voor een positief business model zorgt, dan is het belangrijk dat eerst een goede analyse wordt gemaakt van de bedrijfsprocessen. Waar liggen de belangrijkste pijnpunten? Wat zijn de oorzaken van het minder functioneren van een machine of productieonderdeel? Welke impact heeft dit op het bedrijf? Is er bijvoorbeeld sprake van downtime of productieverlies? Kunnen de faalvormen duidelijk worden gedefinieerd? Een goede analyse zorgt niet alleen voor een beter inzicht in de bedrijfsprocessen. Het legt ook de belangrijkste pijnpunten bloot. En daar is vaak de grootste winst te behalen.
Vervolgens kan worden onderzocht of en welke data al beschikbaar is en wat de kwaliteit is van deze data. Welke sensoren zijn ingebouwd? Is de data gemakkelijk op de gewenste tijdstippen uit de systemen te halen? Wat kan uit de data worden afgeleid?
Hierna kunnen patronen van goed en slecht presteren worden gedefinieerd. Met behulp van software en (zelflerende) algoritmes kan een model worden ontwikkeld dat de patronen omschrijft. Door in een offline versie of demomodel het systeem vervolgens te testen, wordt duidelijk of bepaalde patronen voorspelbaar zijn of niet.
Het systeem zal een melding geven van afwijkend gedrag van een vooraf gedefinieerd ‘ideaal’ patroon wat kan wijzen op een storing. Blijkt dit uit de praktijk een juiste conclusie, dan wordt dit aan het systeem duidelijk gemaakt. Strookt de conclusie niet met de werkelijkheid, dan moet het model worden verfijnd. Gaandeweg leert het systeem patronen steeds beter herkennen.
Werkt de offline versie en zorgen de resultaten bij een uitrol in het bedrijf voor een positief businessmodel, dan kan worden nagedacht over de implementatiefase. Hierbij is niet alleen het technische gedeelte maar zijn ook het organisatorische en communicatieve aspect heel belangrijk.  Welke personen zijn er betrokken? Welke kennis heeft het bedrijf zelf in huis om op korte en lange termijn de uitkomsten van het systeem te beoordelen. Wat moet er anders worden ingericht? Welke kosten brengt de uitrol met zich mee en wat levert het op? Welke invloed heeft het werken met AI op de werknemers?
Is een plan van aanpak opgesteld, dan kan worden gestart met de implementatie van het systeem, het valideren, verder verbeteren en optimaliseren.

Leestip: Hoe stoom je je organisatie klaar voor AI

Meer voorbeelden van het gebruik van artificial intelligence in de industrie

  • Met zelflerende algoritmes kunnen enorme hoeveelheden complexe data met miljoenen variabelen worden geanalyseerd waardoor patronen kunnen worden herkend. Een voorbeeld uit de maakindustrie is de mogelijkheid om op een rol staal van twee kilometer lengte tot op de vierkante millimeter nauwkeurig vast te stellen wat de oppervlaktekwaliteit is en hoe die zich verhoudt tot de wensen van de klant.
  • AI maakt het mogelijk om digitale bedreigingen en nieuwe soorten malware sneller te kunnen identificeren.
  • In de landbouw kan kunstmatige intelligentie worden ingezet om data te verzamelen en geautomatiseerd beslissingen te nemen. Denk bijvoorbeeld aan het in een vroeg stadium ontdekken van bepaalde schimmels op gewassen of het vroegtijdig ontdekken van de noodzaak om bepaalde voedingsstoffen toe te voegen aan gewassen. Op die manier kan de landbouwindustrie veel efficiënter gebeuren en vindt er minder verspilling plaats.
  • Storingen kunnen met AI voortijdig worden voorspeld, zodat tijdig kan worden ingegrepen, nog vóór een storing optreedt. Denk bijvoorbeeld aan het tijdig opmerken van storingen aan wissels in een metrolijnenstelsel. Wanneer AI wordt toegepast op één wissel is dit niet lucratief, maar weet het systeem meteen de status van 800 wissels, dan kunnen prioriteiten worden gesteld en een goed onderhoudsplan worden uitgewerkt.
  • Bij onderzoek naar autonoom rijden wordt gebruik gemaakt van AI-programma’s. Een auto die is uitgerust met camera’s legt honderden uren beeldmateriaal vast van rijgedrag van mensen. Op die manier kan de situatie die door de camera wordt vastgelegd worden gekoppeld aan de input die de bestuurder geeft. Hier leert het neurale netwerk van zodat op een bepaald moment het systeem zelf de koppeling kan maken tussen wat hij ziet met de camera’s en wat de bestuurder in zo’n situatie zou doen. Deze methode wordt momenteel nog verder onderzocht.

Wil je meer weten over de betekenis en verschillende vormen van artificial intelligence en waarom er de laatste jaren zoveel aandacht voor is, lees dan het artikel
Artificial intelligence: wat is het en waarom is er nu zoveel ophef?

 

Reageer op dit artikel