in General

Industry 4.0 en AI in productie

Enkele inspirerende toepassingen

Kunstmatige intelligentie, of AI, in productie-omgevingen

Sinds de eerste industriële revolutie en het inzetten van stoommachines hebben tal van innovaties de maakindustrie vorm gegeven. Pioniers zoals Adam Smith hebben door hun denken en uitvindingen het productieproces danig geoptimaliseerd. Telkens stonden hogere productiviteit en verbetering van de kostenefficiëntie centraal. Tot ver in de 20ste eeuw waren deze verbeteringen vooral gebaseerd op (elektro)mechanische en fysische processen. De afgelopen jaren worden de grootste winsten geboekt door middel van het inzetten van data en informatie om productie effectiever te sturen.

De volgende sprong in efficiëntiewinst vereist meer controle over data

De digitalisatiegolf is al langer aan de gang in verschillende industriële sectoren. Naast voordelen zoals meer controle en verbeterd inzicht in het proces, wordt één belangrijke uitdaging steeds groter; de hoeveelheid gegenereerde data. De hoeveelheid gegevens stijgt explosief, aangedreven door de versnelling waarmee nieuwe rekenkracht beschikbaar werd en de hoge innovatiesnelheid in digitale productietoepassingen. Menselijke tussenkomst in het verwerken van deze informatiestromen is fysiek onmogelijk geworden, zelfs niet met de beste rapporteringsystemen kunnen mensen de juiste verbanden in deze data ontdekken. Een hoge graad van automatische dataverwerking is noodzakelijk.

Zoals eerder opgemerkt is procesoptimalisatie niet nieuw. Reeds midden de 20ste eeuw werd, onder leiding van de Oost-Aziatische industrieën, reeds statistische modellering toegepast op verschillende variabelen in het productieproces. Dit gebeurde met klassieke wiskundige technieken en vereiste een enorme hoeveelheid aan foutgevoelig manueel werk waardoor het enkel door de grootste concerns kon worden toegepast. Vandaag zijn de informatiestromen van die aard dat statistische analyses zoals toen niet meer op een kost-effectieve wijze kunnen worden ingezet.

De oplossing?

Recente ontwikkelingen op het gebied van AI en Machine Learning maken het mogelijk om deze stortvloed aan informatie geautomatiseerd te analyseren en in te zetten om de dagelijkse operaties te optimaliseren. Leidende spelers in de industrie passen deze technieken nu reeds toe in verschillende pilootprojecten en de wedloop om deze technieken op schaal in te zetten is gestart. Hieronder geven we enkele praktische voorbeelden.

Hoe wordt AI in realiteit ingezet?

Anomalie detectie

Detecteren van uitzonderingen, uitschieters of anomalieën zijn een cruciaal onderdeel van iedere kwaliteitsbewakingsproces. Net zoals in veel andere gevallen werd ook reeds in de 20ste eeuw via statische technieken geprobeerd om het aantal afwijkingen in een proces te bepalen. Door middel van steekproeven werd een aanvaardbaar afwijkingspercentage vastgesteld waardoor de kwaliteit van het hele apparaat werd beoordeeld. Naast manueel tijdrovend is dit ook een heel foutgevoelig proces. De veronderstelling die telkens werd gemaakt is dat de omstandigheden in de steekproef representatief zijn op grotere schaal, wat in realiteit vaak niet zo blijkt te zijn. Het productieproces zelf is immers onderhevig aan tal van andere processen in HR, supply chain en IT die continu wijzigen.

Naast de praktische onhaalbaarheid om al deze data op een continue wijze op te volgen zijn de gebruikte statistische modelleringstechnieken niet krachtig genoeg om alle nuances in de data te ontdekken. Deze wiskundige methodes zijn vooral gericht op het vinden van de grote verbanden en houden geen rekening met onderliggende details, ook wel “ruis” genoemd, in de data.
Doordat het net deze “ruis” is die aanleiding geeft tot onverwachte afwijkingen, kan Kunstmatige Intelligentie veel nauwkeuriger afwijkingen of defecten voorspellen.

Predictive maintenance

Het nauwkeurig voorspellen van uitval van een machine is cruciaal om opportuniteitskosten en gederfde inkomsten te reduceren. Daarnaast is een efficiënt onderhoudsbeleid met gerichte proactieve onderhoudsacties ook goedkoper dan “brute force” onderhoudswerken inplannen, zonder de reële nood aan onderhoud te kennen.

Om een effectief en slank onderhoudsproces te implementeren moeten grote hoeveelheden real-time data worden verwerkt, een typevoorbeeld van Big Data. Zeker wanneer verschillende suborganisaties in een smart factory verbonden zijn tot één groot geconnecteerd systeem kan de hoeveelheid data zeer snel hoog oplopen. Niet enkel de snelheid waarmee data wordt verzameld stelt organisaties voor praktische uitdagingen maar ook de opslagvereisten ervan en hoe deze efficiënt moeten worden verwerkt.

Daarom is het toepassen van neurale netwerken, en vergelijkbare technieken, van cruciaal belang. Traditionele aanpakken voor voorspellend onderhoud zijn afhankelijk van domeinspecifieke expertise, terwijl neurale netwerken, en gerelateerde KI-algoritmes zoals RNN en LSTM, met voldoende trainingsgegevens de nodige verbanden en inzichten zelf kan afleiden op een domeinoverschreidende wijze.

Deze technieken zullen volgens KPMG de innovatie in predictive maintenance stuwen, en leiden tot een 36% toename in effectiviteit.

Optimalisatie van energie- en grondstoffenverbruik

Elektriciteit, water en andere verbruikbare grondstoffen zijn cruciale elementen van de totale productiekost.
Naarmate de fabrieksgrootte en de machine-tot-machine interactie groeit, wordt de dynamieken waarin grondstoffen worden verbruikt onhandelbaar complex. Menselijke analyse via geavanceerde wiskundige technieken zijn niet toepasbaar door het zeer hoge aantal parameters die deze onderliggende dynamieken stuurt en moet ondersteund worden met door Kunstmatige Intelligentie aangedreven technieken zoals impact analyse. Door de hogere bewustwording dat we zorgvuldig moeten omspringen met de eindige middelen van onze planeet, kan Artificial Intelligence ook op maatschappelijk niveau een belangrijke rol spelen in het bereiken van een duurzaam verbruik van grondstoffen.

Quality control door Machine Learning

Machine learning kan de betrouwbaarheid van een assemblagelijn sterk verbeteren. Volgens Forbes kunnen AI-gestuurde processen de kwaliteit van het uiteindelijke product met 35% kunnen doen toenemen, of de foutenmarge dermate verlagen.

Tot recent was het enkel mits significante investeringen in computer vision systemen mogelijk om dergelijke resultaten te bereiken. Door de democratiseringsgolf van AI, waar ook Trendskout onderdeel van uitmaakt, kan een breder gamma aan Artificial Intelligence technieken worden ingezet, naast computer vision, zoals proces visualisatie en large scale event processing en predictie. De toegevoegde waarde wordt dus niet louter meer door één enkele systeem gerealiseerd, maar eerder vanuit het inzetten van Kunstmatige Intelligentie-technieken als een geheel.

Klassieke computer vision systemen zijn gespecialiseerd op één specifiek probleem en kunnen niet worden ingezet op andere processen. Nieuwe technieken zoals Machine Learning en Deep Learning zijn in staat om zichzelf nieuwe verbanden aan te leren, bvb. visuele wijzigingen, waardoor ze sneller kunnen ingezet worden en op een grotere schaal. AI-modellen kunnen immers eindeloos hertraind en veel schaalbaarder ingezet worden zonder dat hiervoor manuele herprogrammatie, zoals bij klassieke computer vision systemen, noodzakelijk is.

Samenvatting

Het verhogen van de productiviteit van onze industrie is geen nieuwe ambitie. Al tientallen jaren wordt ook door digitalisering grote efficiëntiewinsten geboekt. In de gedigitaliseerde productieomgeving is het gebruik van data-analyse met rassenschreden toegenomen en als we onze ambitie om onszelf te blijven verbeteren willen waarmaken moeten we beroep doen op nieuwe technologieën zoals Big Data, Kunstmatige Intelligentie, Machine Learning en Deep Learning om de data die hierdoor wordt gegenereerd om te zetten tot actieklare informatie en inzichten.
Op deze manier bereiken we de doelstelling van Industrie 4.0; een hypergeconnecteerd en autonoom productie-apparaat waar sensoren, machine en software samenwerken om downtime te beperken, productiviteit te verhogen en grondstoffen op een verantwoorde manier te verbruiken.