Astrofysici leren industrie omgaan met variatie

Artificiële intelligentie biedt een interessante oplossing om processen te modelleren waarin een zekere variatie onvermijdelijk is, maar heeft als nadeel dat er grote hoeveelheden data nodig zijn om de modellen te trainen. De Duitse start-up Erium biedt hiervoor een alternatief ontleend aan de astrofysica.

Twee voormalige studenten van het Max Planck Instituut voor Astrofysica in Garching hebben het bedrijf Erium opgestart om de AI software die ze ontwikkelden in hun vakgebied, toe te passen in de industrie. Een eerste succesvolle implementatie vond plaats bij een niet nader genoemde Duitse autofabrikant. Op EMO wil Erium niet alleen de oplossing presenteren, maar ook input verzamelen over het soort optimalisaties dat de metaalbewerking verlangt.

De toepassing bij de autofabrikant behelst de assemblage van deuren die plaatsvindt voor de auto gelakt wordt en dus ook voor de assemblage van ramen, afdichtingen en andere accessoires. Deze activiteiten voegen gewicht toe en brengen vervormingen met zich mee, wat maakt dat de deuren nadien weer uitgelijnd moeten worden.

Met de software van Erium kan de optimale positie voor het bevestigen van de deuren vooraf bepaald worden op basis van een statistisch model van de processen die nadien nog zullen plaatsvinden. Een statistisch model is een wiskundig model waarin een aantal variaties worden weergegeven door waarschijnlijkheidsverdelingen.

Gekende feiten en relaties

De moderne approach in artificiële intelligentie is dat men zich niet meer moe maakt aan het ontwikkelen van modellen van processen. In de plaats daarvan wordt een black box model gehanteerd dat via machine learning en grote hoeveelheden data geacht wordt een steeds betere weergave van de realiteit te worden.

Een nadeel van deze aanpak is dat men veel tijd en rekenkracht nodig heeft om een heleboel zaken te achterhalen die eigenlijk al bekend zijn. De wetten van de fysica, bijvoorbeeld, of het feit dat bepaalde variabelen totaal geen correlatie vertonen.

De oplossing van Erium bestaat erin om eerst met de mensen die de processen kennen, samen te zitten en een model te maken dat alle gekende feiten en relaties bevat. Voor de resterende variaties wordt dan in de productie aan machine learning gedaan. Op die manier wordt de nood aan grote hoeveelheden data en rekenkracht teruggebracht terwijl men toch de voordelen van AI kan benutten om een zo realistisch mogelijk model van een proces te bekomen.

Real-time parameters actualiseren

Erium ziet voor zijn oplossing heel wat mogelijkheden in de metaalbewerking, waar slijtage aan spindels bijvoorbeeld een onvermijdelijke bron van variaties is.

Op termijn wil men de software ook real-time kunnen inzetten om procesparameters te kunnen actualiseren op basis van continue updates van het model.

Een merkwaardig element hierin, dat Erium op EMO aan de sector wil voorleggen, is dat de optimalisering van processen ook afhankelijk is van het verwachtingspatroon van eindklanten. Bij een toeleverancier is het bijvoorbeeld denkbaar dat een eerste klant absolute voorrang geeft aan precieze toleranties terwijl voor een tweede klant snelheid van levering veel belangrijker is. Deze “zachte factoren” wil Erium eveneens als parameters meenemen in zijn statistische modellen.

© Productivity.be, 13/02/2019, Foto: Erium