AI & productie: onderhoud, optimalisatie en veiligheid.

18-02-2020 - Roeselare , Soubry

Tim Waegeman

Tim Waegeman is medeoprichter en Chief architect van Robovision. Hij geeft leiding aan het team op technisch niveau en is verantwoordelijk voor het RVAI-platform. Hij behaalde een doctoraatsdiploma in computerwetenschappen aan de Unversiteit Gent. In 2013 voltooide hij zijn thesis ‘Adaptive control of compliant robots with Reservoir Computing’.

Tanguy Coenen

Tanguy Coenen leidt Imec haar softwareapplicatie prototyping team (APT), dat zich richt op innovatie op systeemniveau. Het team bestaat uit developers en designers die innovatieve prototypes bouwen in een breed scala aan domeinen. In elk project worden bestaande componenten geïntegreerd om op die manier nieuwe en innovatieve systemen te creëren in zowel de front-end of back-end. Belangrijke technologische aandachtspunten zijn hierbij VR/AR, machine learning en artificiële intelligentie.

about the seminar

Artificiële intelligentie duikt al in heel wat domeinen op: navigatiesystemen in auto’s, fitness apps, Alexi, Siri, Amazon, Netflix, het voorspellen van het weer, verkeer en beurssystemen. Maar ook in het domein van productie worden steeds meer toepassingen met AI in het leven geroepen om te bepalen hoe AI de productie kan verbeteren en efficiënter kan maken.

Vooral toepassingen in machine learning laten toe om op een kostenefficiëntie manier de grote en vele datasets te analyseren die productiebedrijven bijhouden en om zo de resultaten aan te passen. Op die manier krijgen productiebedrijven een beter begrip van de beschikbare technologieën en de meerwaarde die ze bieden. Verschillende bedrijven in Vlaanderen passen dit nu al toe.

Belangrijk hierbij is om voldoende aandacht te hebben voor het verzamelen van data, het opstellen van een datastrategie en de bijhorende aanpak. Een volgende stap is het identificeren van geschikte use cases en het opstarten van pilootprojecten waarbij AI kan ondersteunen bij het maken van beslissingen (make or buy decisions), bij predictive maintenance en condition monitoring. Ook smart assistance-systemen, waarbij operatoren en werknemers gepaste ondersteuning krijgen in het productieproces en er zo een synergie optreedt tussen mens en machine worden in toenemende mate geïmplementeerd. Bijkomend is er natuurlijk de robotica en systemen voor geautomatiseerde productie.

Een greep uit het aanbod hoe industriële AI productieprocessen kan innoveren:

  1. Industry 4.0 en slim onderhoud. Het blijvend onderhouden van machines en uitrusting in productielijnen omvat voor veel bedrijven een grote kost. Studies geven aan dat niet geplande ‘downtimes’ of sluitingen aan bedrijven jaarlijks zo’n 50 miljoen euro kosten en dat het falen van (delen van de) uitrusting in zo’n 42% de reden is van niet geplande uitvaltijden. Om die reden is predictief onderhoud of predictive maintenance een aanpak die voor bedrijven sterk gewenst is. Predictief onderhoud maakt gebruik van diverse AI-algoritmes (zoals machine learning en neurale netwerken) om voorspellingen te maken over het mogelijk niet of minder functioneren van onderdelen. Het kunnen voorspellen van een volgende uitval van een deel, een machine of een systeem betekent dat men hierop kan anticiperen. Bijgevolg kan de uitvaltijd drastisch verminderd worden en de werkingstijd/’remaining useful life’ van de productiemachines en -onderdelen significant verlengd worden. Zijn er situaties waarbij onderhoud noodzakelijk is, dan biedt AI eveneens mogelijkheden om technici en operatoren ruimschoots vooraf te informeren over de specifieke componenten die onderhoud nodig hebben. De geschiedenis van voorafgaande onderhoudsbeurten resulteert namelijk in gerichter onderhoud, dat vooraf gepland kan worden.
  2. Een toename in quality 4.0. In de huidige economie zijn er vaak heel strikte en beperkte time-to-market-deadlines , waarbij de complexiteit van producten ook toegenomen is. Dat maakt het voor heel wat productiebedrijven moeilijker om hoge kwaliteitsniveaus te blijven behalen en in regel te zijn met kwaliteitsvereisten en -standaarden. Aan de klantenzijde zijn de verwachtingen ook hoger geworden: klanten verwachten foutloos werkende producten wat opnieuw een impact heeft op de kwaliteitseisen bij bedrijven. De in Industrie 4.0 gehanteerde ‘Quality 4.0’ omvat het gebruik van AI-algoritmes om teams te informeren over mogelijke fouten in de productie of een toename van fouten in productie die mogelijk impact hebben op de kwaliteit van producten. Voorbeelden van fouten zijn: subtiele afwijkingen in het gedrag van machines, afwijkingen van recepten of procedures, een verandering in samenstelling van ruwe materialen, enz. Wanneer deze verandering vroeg gedetecteerd wordt, kan een hoog niveau van kwaliteit behouden worden. Bovendien laten slimme systemen, in combinatie met Internet of Things-technologie, ook in toenemende mate toe om real-time-data te verzamelen over het gebruik en de prestaties van producten zoals deze door de klant gebruikt worden. Deze data biedt een schat van informatie voor ontwikkelteams aan en helpt hen bij strategische en tactische beslissingen rond ontwerp en uitwerking van producten.
  3. Human-robot-samenwerking. In 2018 waren wereldwijd al zo’n 1,3 miljoen industriële robots actief in bedrijven. In afwachting van de volgende fase, waarbij bepaalde jobs deels of volledig zullen worden overgenomen, zullen werknemers getraind moeten worden voor andere posities in ontwerp, onderhoud en programmeren. Intussen zal de samenwerking tussen mens en machine efficiënter moeten gebeuren en bovendien ook veiliger aangezien meer en meer industriële robots op de werkvloer hun intrede doen. Dergelijke robots kunnen werknemers helpen bij het uitvoeren van cognitieve taken zoals het nemen van beslissingen op basis van data uit de omgeving.
  4. Het verbeteren van product design. AI-algoritmes kunnen productdesigners en -ingenieurs helpen bij het ontwerpen van producten door uit de zogenaamde ‘design briefs’ patronen te vinden in de gegevens, restricties en parameters. Elke mogelijke configuratie tussen bijvoorbeeld materiaaltype, budgettaire restricties, tijdsrestricties en productiemethodes kan verkend worden om zo een set van de beste oplossingen te presenteren. Via machine learning kunnen de voorgestelde oplossingen getest worden en krijgen teams inzichten in welke designs het beste werken. Dit proces kan iteratief herhaald worden tot een optimaal ontwerp bereikt wordt. Het voordeel van deze aanpak is dat het de bias (zoals foute veronderstellingen) bij productteams kan verminderen; het AI-algoritme kan op een meer objectieve manier een startpunt bepalen, zonder hier bepaalde assumpties bij te hebben. Elke oplossing kan getest worden waarbij de eigenlijke prestaties in kaart gebracht worden ten opzichte van een brede waaier aan scenario’s en condities zoals aanwezig in productiebedrijven.
  5. Aanpassen aan de snel veranderende markt. AI-toepassingen beperken zich niet enkel tot de werkvloer van productiebedrijven. Ook supply chains kunnen geoptimaliseerd worden waardoor bedrijven sterker en sneller kunnen anticiperen op veranderingen in de markt. Dit zorgt voor verschuiving van een reactieve houding naar een meer strategische proactieve houding. Zo kunnen AI-algoritmes schattingen geven van de vraag in de markt door patronen te identificeren met betrekking tot locatie, socio-economische en macro-economische factoren, weerpatronen, politieke status, consumentengedrag, enz. Deze informatie biedt bedrijven de kans om te optimaliseren inzake personeelsinzet, stockcontrole, energieconsumptie en de aanvoer van ruwe materialen.

read more

the venue

Soubry

https://www.soubry.be/

schrijf u in voor onze seminaries