Alles wat verkeerd kan gaan, gaat ook een keer verkeerd. Dat is de keiharde Wet van Murphy. Maar als je genoeg data verzamelt van alles wat aan zo’ n fout vooraf gaat, dan kun je voorspellen wanneer het een keer mis gaat. Dat hebben studenten van de Hogeschool Pforzheim (BRD) uitgevonden. Met behulp van big data en Artificial Intelligence (AI) ontwikkelden zij een systeem dat fouten in machinale processen kan voorspellen. Op deze manier is het in de toekomst ook mogelijk vroegtijdig medische afwijkingen te constateren. Het project was een samenwerking tussen de hogeschool en de onderneming Asseco Solutions, die softwareoplossingen voor ondernemingen ontwikkelt.
Zoeken naar onverklaarbare afwijkingen
Het ging de studenten in de eerste plaats om een praktijkproject waarbij ze wilden uitzoeken hoe bepaalde storingen en defecten van industriële machines ontstaan. Daarvoor verzamelden ze grote hoeveelheden data uit d aansturing van een spuitgietmachine uit een aluminiumfabriek. Op basis daarvan ontwikkelden ze een systeem dat met behulp van kunstmatige intelligentie (artificial intelligence; AI) die problemen kan voorspellen. Dat is de zogenoemde anomalie-detectie. Een anomalie is een niet te verklaren afwijking in een model.
Voor zo’n analyse op basis van AI is een uitgebreide database noodzakelijk. Die gegevens moet echter wel in een bepaalde context worden verzameld. Anders heb je alleen een enorme hoeveelheid data waar je verder niets mee kunt. In de aluminiumfabriek worden tot 600 parameters zoals temperatuur, vultijd van de matrijs, of dikte van de persresidu’s voor elk afzonderlijk aluminium gietstuk geregistreerd. De gegevens waren echter nog niet toegewezen aan specifieke fouten of foutieve opnamen. Dit betekende dat de bestaande datapool niet direct kon worden gebruikt voor analyse of het voorkomen van fouten.
Identificeren van foutieve parameterconstellaties
Door het analyseren van de werkingsgegevens van twee aluminium spuitgietmachines heeft een groep van negen studenten een methode ontwikkeld om defecten zoals luchtinsluitingen, onvolledige vulling van de gietvorm en onvoldoende uitharding van het aluminium te synchroniseren. Op deze manier konden de karakteristieke parameterconstellaties voor de bijna 30 soorten defecten worden geïdentificeerd en dienovereenkomstig worden toegewezen. Onder andere bleek dat meer dan de helft van de fouten te wijten was aan een verkeerde machineconfiguratie. Dat bleek een bron van fouten die met relatief weinig moeite kon worden gereduceerd.
Met hun analyse creëerden de studenten tegelijkertijd de basis voor de realisatie van een AI-systeem voor anomalie-detectie. De geïdentificeerde parameterconstellaties werden als trainingsgegevens voor een neuraal AI-netwerk gebruikt. Dat moet uiteindelijk eerder onbekende kritische parameterconstellaties ontdekken, analoog aan de bekende patronen. Door in de toekomst te monitoren of parameters zich ongewoon ontwikkelen en een kritisch foutenpatroon benaderen, moet het mogelijk zijn om zowel stilstand als uitval te voorspellen en deze aanzienlijk te verminderen.
Vraag naar gekwalificeerd personeel
“Het aantal AI-projecten in de industrie zal de komende jaren snel toenemen – en daarmee de vraag naar gekwalificeerd personeel”, zegt Steve Roth, van Asseco Solutions die dit project leidde. “Om te voorkomen dat het bestaande tekort aan geschoold personeel nog nijpender wordt, is het essentieel om jong talent in een vroeg stadium te stimuleren. We wilden hier een bijdrage aan leveren door middel van het gezamenlijke project met studenten van de Universiteit Pforzheim.”
Via deze link leest u meer verhalen over artificial intelligence.
Als je dit artikel leuk vindt, lees dan ook:
