Festo brengt AI naar de machine

Zoveel mogelijk data samenbrengen in de cloud en er de tools voor artificiële intelligentie op loslaten – het klinkt veelbelovend, maar in de industrie lijkt deze aanpak niet echt te werken. Volgens Festo moet de real-time analyse van data in de machines en de componenten zelf gebeuren, waarbij de meest cruciale succesfactor in het verhaal niet over het hoofd gezien mag worden: de operator.

Festo is echt wel walking the walk wanneer het over artificiële intelligentie gaat. Op zijn jaarlijkse internationale persconferentie onlangs gaf CEO Oliver Jung meer uitleg over de uitgesproken visie van het bedrijf inzake AI en hoe die in de praktijk gebracht wordt. Daarin is een belangrijke rol weggelegd voor Resolto Informatik, een Duitse KMO die al zestien jaar actief is in het domein en sinds vorig jaar deel uitmaakt van Festo.

Oliver Jung heeft een groot deel van zijn carrière in productieomgevingen doorgebracht, onder meer als COO bij Schaeffler. Het is eigen aan de industrie, stelt hij, dat bedrijven zelf hun tools en data willen beheren.

Op zich hoeft dat geen bezwaar te vormen om gebruik te maken van de cloud en het Internet of Things, maar het heeft wel consequenties als het gaat over big data en artificiële intelligentie.

Een argument dat immers vaak aangehaald wordt voor het toepassen van AI op big data is dat er een enorme meerwaarde zit in het samenbrengen en vergelijken van gegevens van meerdere gebruikers. In de consumentenmarkt zijn we dat principe intussen gewoon en wordt er ook niet al te veel bij stilgestaan.

Inference binnen productienetwerk

In de industrie ligt dat anders en zullen bedrijven data over hun productie niet snel vrijgeven aan derde partijen. En zeker niet wanneer het de bedoeling is om die data te vergelijken met andere spelers, of de lessen die eruit geleerd kunnen worden te delen met anderen.

Bovendien zijn er ook een aantal praktische problemen inzake latency en bandbreedte wanneer men artificiële intelligentie in de cloud wil aanwenden voor real-time controletoepassingen. De intelligentie moet dus naar de machine gebracht worden, of naar een edge device in het productienetwerk.

Met de Scraitec software van Resolto Informatik is dat mogelijk. De oplossing maakt gebruik van modellen die met een beperkte hardware vlak bij de machine ingezet kunnen worden. Een connectie met de cloud is daarbij nog steeds mogelijk, bijvoorbeeld om de modellen te trainen op digital twins of voor het gebruik van dashboards. Maar het real-time gebruik van de modellen – wat men in de AI-wereld inference noemt – kan volledig binnen het productienetwerk gebeuren.

Human in the loop

Maar er is nog een veel belangrijker issue wanneer men de big data benadering van de consumentenmarkt wil toepassen in de industrie.

“We hebben kwaliteitsborging met AI onder de loep genomen in een productieproces in onze eigen fabrieken”, zegt Oliver Jung. “Daarbij zijn we er pas in geslaagd om de efficiëntie aanzienlijk te verhogen nadat we de expertise van de machinebedieners hebben verenigd met de juiste statistische methoden van AI.”

Bij Resolto spreekt men in dat verband over de “human in the loop”, verwijzend naar de kennis die nodig is over processen en machines om betekenis te geven aan de conclusies van het AI platform.

Tanja Maaß, managing director bij Resolto, gaf op de persconferentie een concreet voorbeeld van hoe dat principe geïmplemteerd wordt in een toepassing voor conditiebewaking. De software Scraitec maakt gebruik van een algoritme dat signalen uit een machine in real-time omzet in een getallenreeks die in een n-dimensionale grafiek weergegeven kan worden. Als we voor de eenvoud uitgaan van een reeks van drie getallen die uitgezet worden in een driedimensionale grafiek, levert het algoritme dus op elk ogenblik een punt in de ruimte op, afgeleid van de actuele signalen die uit de machine komen.

Model van productielijn

Machine learning betekent in deze toepassing dat men het algoritme een tijd laat lopen terwijl de machine in goede conditie is. Dat genereert een wolk van punten in de driedimensionale grafiek – te beschouwen als het goede werkingsgebied van de machine.

Vervolgens laat men de software alarm slaan wanneer het algoritme punten begint op te leveren die buiten het vertrouwde werkingsgebied vallen. Het is dan aan de operator – de human in the loop – om feedback te geven aan de software over de oorzaak van de anomalie. Op die manier leert het model niet alleen afwijkingen te detecteren maar kan het die ook linken aan gekende fouten.

Tanja Maaß gaf nog een ander voorbeeld van een AI project dat uitgevoerd werd bij Miele op een productielijn die te kampen had met fluctuerende kwaliteit, zonder dat daarvoor een reden kon aangeduid worden. Daarom werd een databank opgezet met inputsignalen uit verschillende werkstations op de lijn. Via deep learning werd vervolgens een model gegenereerd van de lijn als een geheel, waarmee men er in slaagde om afwijkingen te detecteren die voortkwamen uit correlaties tussen de werkstations.

Het voorbeeld geeft mooi aan hoe digitalisering en AI ingezet kunnen worden om de complexiteit van moderne machines en productielijnen beheersbaar te maken. Festo is vast van plan om zijn kennis over automatisering door te trekken in AI-ondersteunde oplossingen voor de digitale fabriek van morgen.

© Productivity.be, 17/12/2019