Machine learning verhoogt efficiëntie in industriële productie

Sinds de introductie van ChatGPT is kunstmatige intelligentie (KI) een veelbesproken onderwerp. Ook in de industriële productie is er veel mogelijk door middel van kunstmatige intelligentie. Zo kan machine learning de efficiëntie van de productie verhogen.

Hoe dit werkt? Dat wordt duidelijk voor de bezoekers van de EMO, die vandaag en morgen nog plaats vindt in Hannover. De beurs heeft dit jaar het thema ‘Innovate Manufacturing’ en biedt veel ruimte voor kunstmatige intelligentie.

Kunnen productiemachines zichzelf echt optimaliseren? Kunnen ze leren van hun fouten? En kunnen ze knowhow van andere machines overnemen? Kunstmatige intelligentie maakt dit allemaal mogelijk. Wanneer zelflerende productiemachines intelligent functioneren, leidt dit tot een hogere productiviteit, lagere kosten, een betere kwaliteit en minder stilstand.

‘We hebben veel tijd besteed aan het optimaliseren van onze productietechnologieprocessen en hebben hier een concurrentievoordeel opgebouwd. Nu willen we hetzelfde doen bij de digitale transformatie van industriële productie,’ legt Markus Spiekermann , hoofd van de afdeling Data Economy aan het Fraunhofer Institute for Software and Systems Engineering ISST, uit. ‘Kunstmatige intelligentie speelt een doorslaggevende rol bij het voldoen aan de nieuwe eisen,’ zegt Spiekermann. ‘Want alleen door het gebruik van KI-methoden kunnen hoge automatiseringsniveaus worden bereikt.’

Voorspellend onderhoud voor draaibanken

De KI-trend slaat aan in de industrie. Fabrikant van bewerkingsmachines Weisser Söhne GmbH & Co. KG vertrouwt bijvoorbeeld op KI-modellen die voorspellend onderhoud van zijn draaibanken mogelijk maken.

‘Voorspellend onderhoud maakt gebruik van KI om te voorspellen wanneer een machine onderhoud nodig heeft om te voorkomen dat deze defect raakt’, legt Robin Hirt, CEO en oprichter van de start-up Prenode GmbH, uit. Het softwarebedrijf helpt machinebouwers om hun fabrieken uit te rusten met op KI gebaseerde functies op maat.

Moderne productiemachines kunnen zichzelf optimaliseren met behulp van kunstmatige intelligentie, zegt Hirt. ‘Over het algemeen gebruiken ze hiervoor zogenaamde machine learning-methoden. Deze stellen de machines in staat om patronen en correlaties in de productiegegevens te herkennen en daaruit automatisch verbeteringen af te leiden.’ In veel gevallen is het ook mogelijk dat ze van hun fouten leren en knowhow van andere machines overnemen.

Gebruik gedecentraliseerde gegevens

De techniek van gefedereerd leren wordt vaak gebruikt, omdat de gegevens van een enkele draaibank vaak onvoldoende zijn als basis voor een nauwkeurig KI-model. Gefedereerd leren vergemakkelijkt het ‘trainen’ van een gemeenschappelijk KI-model, waarbij gegevens gedecentraliseerd worden opgeslagen, maar niet direct worden gedeeld. De individuele gegevens blijven dus op de respectieve machines en hoeven niet centraal op één plaats te worden opgeslagen (zoals in de cloud van de machinefabrikant).

De KI-modellen gebruiken de lopende gegevens van de draaibank om de huidige status van de installatie in te schatten en sturen deze vervolgens door naar het bedienend personeel. Hiervoor worden diep lerende neurale netwerken gebruikt.

Slimme sorteerhulp van Trumpf

Kunstmatige intelligentie wordt ook gebruikt om de Sorting Guide te bedienen, een systeem dat is ontwikkeld door laserspecialist Trumpf, dat helpt bij het sorteren van geproduceerde onderdelen en zo de bezettingsgraad van machines verhoogt. De Sorting Guide is een cameragebaseerd hulpsysteem dat gebruik maakt van gedecentraliseerd machinaal leren. De belangrijkste onderdelen van het KI-systeem zijn een hoge-resolutiecamera, een groot scherm, een industriële pc en intelligente software voor beeldverwerking.

‘Bij decentraal machine learning worden verschillende machines aan elkaar gekoppeld tot een KI-systeem’, legt CEO Hirt van Prenode het principe uit. Deze machines verzamelen continu lokale gegevens over hun werkprocessen. Voor elke machine wordt een KI-model ontwikkeld, dat vervolgens wordt gecentraliseerd. ‘Deze modellen worden vervolgens samengevoegd in een centrale cloud en teruggestuurd naar de individuele systemen’, vervolgt Hirt. Het KI-systeem kan dan lokaal putten uit de ervaring van alle andere machines zonder gevoelige gegevens te hoeven delen. ‘Hierdoor kunnen de machines hun processen efficiënter uitvoeren en een hogere productiviteit bereiken’, belooft Hirt.

De Sorting Guide van Trumpf werkt als volgt: De Sorting Guide gebruikt bestaande stamgegevens en zelflerende beeldverwerking om de individuele onderdelen te herkennen. Vervolgens geeft hij een sorteeradvies op het scherm. De geproduceerde onderdelen worden in verschillende kleuren op het scherm weergegeven – gecodeerd op basis van de klantorder of op basis van opeenvolgende werkstappen, zoals buigen, ontbramen, lakken of verzenden. Hierdoor behoren aspecten zoals het tijdrovende hertellen van onderdelen, handmatige bevestigingen en begeleidende documenten tot het verleden. Machineoperators kunnen in één oogopslag zien welke onderdelen klaar zijn voor verdere verwerking en of nabewerking nodig is of niet. Dit versnelt het sorteerproces en helpt fouten voorkomen, waardoor de machine sneller weer in productie kan. KI en productie gaan hand in hand, omdat mens en machine nauw moeten samenwerken in de industriële productieomgeving.

IIP-Ecosphere voor laagdrempelige toegang

Toch zijn in het geval van industriële productie de voordelen van kunstmatige intelligentie niet altijd duidelijk, vooral voor kleine bedrijven. Veel bedrijven maken zich zorgen over het overhandigen van hun productiegegevens voor diepgaande analyse door computers.

Voor productiebedrijven die nog onzeker zijn over de toegevoegde waarde van KI, is het IIP-Ecosphere project, waaraan het Fraunhofer Institute for Software and Systems Engineering (Fraunhofer ISST) meewerkt, bedoeld om laagdrempelige toegang te bieden tot leveranciersonafhankelijke KI-oplossingen voor complexe productieproblemen. Het doel van het project is om een nieuw soort ecosysteem op te zetten en voor alle verschillende spelers – waaronder universiteiten en onderzoeksinstellingen, industriële bedrijven en leveranciers van KI-oplossingen – om het gebruik van KI in de productie te bevorderen. Kunstmatige intelligentie gedijt bij het netwerken van kennis. Het resultaat is het creëren van de ‘Ecosphere for Intelligent Industrial Production’, kortweg IIP-Ecosphere.

Een platform voor ontdekking

Markus Spiekermann, hoofd van de afdeling Data Economy aan het Fraunhofer Institute for Software and Systems Engineering ISST, legt uit: ‘De zogenaamde KI-oplossingencatalogus wordt bijvoorbeeld ontwikkeld als onderdeel van het IIP-Ecosphere-project. Dit is een platform voor het ontdekken en analyseren van bestaande KI-oplossingen voor productiegerelateerde problemen.’ Naast het vergemakkelijken van de toegang tot informatie over bestaande oplossingen, biedt de catalogus gerichte filters op basis van use cases en toont het de toegevoegde waarde van de oplossingen. ‘Individuele KI-toepassingen kunnen vervolgens direct worden geïmplementeerd met behulp van het open-source IIoT-platform dat ook in het project is ontwikkeld’, zegt Spiekermann.

Auteur: Daniel Schauber