Combinatie onderzoek/praktijk maakt AI nog slimmer

Ivo Aidan

De Technische Universiteit Eindhoven (TU/e) heeft samen met vier industriële partners in 2020 een ICAI-lab opgezet, ‘AI-enabled Manufacturing and Maintenance’ (AIMM), dat aansluit op het bestaande multidisciplinaire onderzoeksprogramma. TU/e-promovendi werken ook in de praktijk bij de deelnemende bedrijven, zodat kruisbestuiving ontstaat en duidelijk wordt hoe artificiële intelligentie (AI) kan helpen de productie te verbeteren en het onderhoud efficiënter te plannen. Het lab staat onder academisch toezicht van de hoogleraren Geert-Jan van Houtum en Ivo Adan (foto hierboven).

Het creëren van een autonome fabriek zou het eindelijke doel zijn. “Ik weet alleen niet of we daar ooit komen en of we dat moeten willen. Ik denk dat de factor mens heel belangrijk blijft”, zegt Ivo Adan, hoogleraar Manufactoring Networks aan de TU Eindhoven, driekwart jaar na de start van het ICAI-lab. Collega Geert-Jan van Houtum, hoogleraar Maintenance & Reliability, en hij leggen uit hoe het werkt. “Allerlei bedrijven zitten in de nationale AI-coalitie. ICAI brengt bedrijven en onderzoekers bij elkaar.”

Bij het Eindhovense lab – onderdeel van het netwerk van het Innovation Center for Artificial Intelligence (ICAI) en ingebed in het ‘Eindhoven Artificial Intelligence Systems Institute’ (EAISI) – gaat het om vier verschillende bedrijven. Daar zijn in totaal zeven promovendi aan de slag op het gebied van fabricage en onderhoud (‘manufacturing and maintenance’). Het gaat om Nexperia (wereldwijd opererende semi-conductorfabrikant uit Nijmegen), Marel (leverancier van innovatieve oplossingen voor de levensmiddelenverwerkingsindustrie), KMWE (aanbieder van totaaloplossingen in ‘engineering’ en assemblage van hoogwaardige modules en machinesystemen en de productie van complexe componenten) en Lely (producent van robots en datasystemen voor de melkveehouderij).

“Dankzij die labs sluiten onderzoekers en praktijk, zowel bedrijven als de maatschappij, heel nauw op elkaar aan.” Adan: “De universiteit en de industrie stellen samen een eigen routekaart op voor het onderzoek van de promovendi. Het leuke is dat de industrie al enkele bedachte concepten heeft geïmplementeerd. Daarmee hebben we in de praktijk een flinke impact.”

De deelnemende bedrijven zijn direct gekoppeld aan het lab, maar het geheel vormt geen gesloten structuur. Bij de webinars die Van Houtum en Adan organiseren over ‘AI-enabled manufacturing and maintenance’ zijn ook andere ondernemingen welkom. Van Houtum: “We kijken vooral naar de mogelijke toepassingen van artificiële intelligentie en datawetenschap. Om uit te leggen wat AI is, gaan wij uit van een brede definitie. Het algemene idee is dat steeds meer data beschikbaar komt via sensortechnieken en communicatienetwerken. Ivo is van de ‘manufacturing’. Ik ben van de ‘maintenance’, waarbij het ontzettend handig is dat degene die het onderhoud levert op afstand kan inloggen op het systeem en informatie krijgt over de toestand van het systeem en de kritische componenten. Steeds vaker staan gebruikers van die systemen dat toe, wat nodig is om het systeem goed te kunnen onderhouden.”

Sensortechnologie dringt overal door, productieaansturing gaat steeds meer digitaal en de hoeveelheid digitale informatie groeit fors. De vraag is hoe die informatie te benutten om fabricageprocessen efficiënter en onderhoud slimmer te maken. Daarom draait het eigenlijk.

Reinforcement learning

“Dit type onderzoek, waarbij promovendi met één been in de praktijk staan en het andere in de universiteit, gaat uit van de huidige situatie. Hoeveel data zijn er en hoe zijn die te gebruiken?” Van Houtum noemt een preventief onderhoudsproject bij de marine. Daar gaat het om het oude idee van statistische procesbeheersing, maar wel op een slimme manier waarbij je op basis van data-analyse samengestelde parameters definieert en waarschuwingen afgeeft als die buiten een bepaalde bandbreedte komt. Dat zijn de momenten waarop men de controle dreigt te verliezen.”

Hoe komt AI daarbij kijken? “De smalle definitie is gebaseerd op informatica, ‘machine learning’ en neurale netwerken bijvoorbeeld. Analyse waarbij sprake is van een specifieke samenhang, aangeduid als regressie, zit in al haar variaties daarentegen alleen in de brede definitie. Vanuit ons vakgebied kijken we ook naar ‘reinforcement learning’, een van de drie onderdelen van ‘machine learning’. Adan: “Wij noemen dat ook wel approximatieve dynamische programmering. Je krijgt daarmee goede oplossingen voor complexe dynamische beslissingsproblemen. Denk aan het aansturen van machines in de fabriek. Continu zijn besluiten nodig over welke machine welk product moet produceren. De omgeving waarin die beslissingen moeten worden genomen is zeer dynamisch en voortdurend onderhevig aan onvoorspelbaarheden die wel vragen om een adequate reactie. AI kan dat, vooropgesteld dat voldoende data beschikbaar zijn om het algoritme te laten leren.”

‘De combinatie van een goed model van de fabriek en AI zorgt voor een grotere effectiviteit’

“Daaraan werken we door een digitale ‘twin’ te creëren van die fabriek. Die voeden we continu met nieuwe digitale informatie over productieprocessen, wat de afzonderlijke machines doen, voortgang van vrijgegeven productieorders, hoeveel voorraad er is en wanneer voor het laatst onderhoud is gepleegd. Pas wanneer je de gecreëerde productiedata kunt representeren en gemakkelijk kan uitwisselen tussen de verschillende bronnen in de fabriek kun je aan de slag met AI. De combinatie van het goede model van de fabriek en AI zorgt voor een grotere effectiviteit.”

Alleen AI is onvoldoende

Van Houtum is stellig als hij zegt dat wereldwijd veel mensen ‘nu in de smiezen hebben dat puur en alleen AI de problemen niet oplost’. “Wie echt impact wil hebben in de praktijk krijgt die niet door een AI-deskundige naar de fabriek te sturen. Nodig is iemand die weet hoe je een wiskundig model bouwt van een systeem en dat combineert met AI-technieken. Met een model als startpunt heb je minder data nodig om de AI-algoritmes te laten leren en kun je beter de ruis uit de data halen. Het doel is dat we het proces slimmer aansturen. Door online data over het productieproces en de toestand van de machines te gebruiken kunnen we à la minute bijsturen. Daarmee kun je een grotere beschikbaarheid van de machines, hogere utilisaties en meer productie realiseren zonder extra productiecapaciteit te kopen. Dat is bij partner Nexperia reeds gelukt.”

Semi-conductorbedrijven streven naar meer efficiëntie. “Eén ‘scheduling’ algoritme heeft, gebruikmakend van dezelfde databronnen, geleid tot enkele procenten extra output. Dat is gigantisch en puur te danken aan slimmer plannen. Het algoritme ziet dat onderhoud nodig is en plant dat op momenten dat een machine toch even stilstaat, bijvoorbeeld als de buffer leeg is”, zegt Adan.

Tot nu toe gebeurde het plannen van productie en onderhoud handmatig, maar in een fabriek met honderden machines zijn daarvoor vele planners nodig. Adan: “Deze planners kunnen per persoon, zeg niet meer dan tien productielijnen per dag controleren en niet te ver vooruitblikken. Hiervoor ontwikkelde genetische AI-algoritmes kunnen daarentegen alle productielijnen tegelijk bekijken en verder vooruitkijken. Met die extra flexibiliteit is veel meer capaciteit uit de apparatuur te halen.” In de semi-conductorindustrie is men inmiddels vrij ver met het ontwikkelen van de digitale ‘twin’, die heel veel productiedata verzamelt. Doordat speciale teams het onderhoud moeten uitvoeren is het handig dat AI kan voorspellen wanneer dit nodig is.

Storingen voorkomen

Kan AI storingen voorkomen? Met die vraag komen we op Van Houtums vakgebied. “De heilige graal is het kunnen voorspellen van alle toekomstige storingen. Dat gaat zeker bij complexe machines niet lukken, maar hoe meer je tevoren ziet aankomen, hoe beter. Wanneer we op termijn 50 procent kunnen voorspellen, zou dat geweldig zijn. AI kan ook op een andere manier helpen: bij het sneller vinden van de oorzaak van een storing. Dat kan door te leren van eerdere soortgelijke klachten en eerder gedetecteerde zwakheden en patronen te betrekken bij de diagnose.”

De ambitie van het ACAI-lab is AI sneller naar de industrie te brengen, zegt Geert-Jan van Houtum (foto: TU/e). Tekst gaat verder onder de foto.

Geert-Jan van Houtum

‘Text mining’ (via ICT-technieken waardevolle informatie halen uit grote hoeveelheden tekstmateriaal om patronen en tendensen te ontwaren, JG) is volgens de hoogleraar een goed instrument om ook op die manier te ontdekken of dezelfde klacht bijvoorbeeld al tien keer is voorgekomen en welke acties en materialen nodig waren om dat probleem op te lossen. “Wanneer de tekst over een bepaalde klacht van nu grotendeels overeenkomt met die van toen is het mogelijk soortgelijke casussen uit het verleden te selecteren en is te zien welke oplossingen nu ook zouden kunnen werken.”

‘De heilige graal is het kunnen voorspellen van alle toekomstige storingen’

Adan herhaalt dat de beschikbaarheid en de juiste opslag van data cruciaal zijn voor het ‘denk- en leervermogen’ van kunstmatige intelligentie. De industrie gebruikt ‘knowledge graphs’ voor het opslaan en distribueren van data. De data van machines, producten en fabrieken zijn verbonden in het Internet of Things, waardoor ze makkelijk toegankelijk zijn. Bepaalde klachten, bijvoorbeeld van klanten over kwaliteitsbeheer en machineonderhoud, zijn daardoor te relateren aan beschikbare informatie. Met slimme AI- en ‘machine learning’-technieken kun je oorzaken dan sneller detecteren en gericht ingrijpen.

Adan vertelt over een student die enkele jaren geleden een afstudeerproject deed bij een bedrijf. “Die onderneming verzamelde enorme hoeveelheden data in haar fabrieken en wilde weten welke informatie daarin verborgen zat. De student keek vervolgens in zo’n fabriek om het ‘onzichtbare zichtbaar te maken’.” Alle gegevens zaten in verschillende databanken. De student schreef een simpel script om die specifieke data daaruit te halen en samen te brengen. Alleen al daardoor kon het management nu in één oogopslag zien hoe het er met de productie in de fabriek voorstond. Een enorme stap voorwaarts. Volledig automatisch, zonder dat daaraan AI te pas kwam. Met die informatie kon de student met behulp van ‘machine learning’ snel de oorzaken van productieproblemen achterhalen. Waar men daar eerder een of twee dagen over deed, kon hij al na enkele minuten zeggen wat de mogelijke oorzaak was en konden operators op pad om het probleem op te lossen.”

Geleerde lessen

Het lab bestaat nu driekwart jaar. Wat zijn de geleerde lessen? Van Houtum: “Negen maanden is niet veel als je onderzoek doet. Terwijl de wereld snel verandert, gaat dat langzaam. De stuurgroep waarin ook een à twee vertegenwoordigers zitten van de deelnemende bedrijven, vergadert tweemaandelijks online. We bespreken de belangrijke ontwikkelen en de onderwerpen waarvan bedrijven meer willen weten. Gebaseerd op deze discussies hebben we een webinarprogramma vastgesteld met vijf door de groep geselecteerde onderwerpen. Tijdens de webinars van een uur laten we zowel mensen uit het bedrijfsleven als onderzoekers iets presenteren. Dat helpt om tot een beter begrip te komen van wat AI kan betekenen voor bedrijven. We vertellen de succesverhalen, maar ook waar AI niet werkt. Daarnaast zijn we met enkele van die bedrijven in gesprek over eventuele nieuwe onderzoeksonderwerpen.”

‘We vertellen de succesverhalen, maar ook waar AI niet werkt’

De onderzoeken moeten methoden opleveren waarmee ondernemingen permanent wat kunnen, anders doen ze niet mee. Digitalisering zorgt behalve voor gemak, ook voor een enorme stroom aan informatie en daardoor de noodzaak heel veel beslissingen te nemen. Vaak is directe actie nodig. Dat is te veel voor een mens. Daarom moet AI dat, te beginnen met kleine beslissingen, grotendeels overnemen, al was het maar omdat er simpelweg te weinig mensen zijn.

Over de toekomst van het lab, zegt hij: “Dat is denk ik blijvend. We continueren het voor langere tijd en bouwen het uit. Onze ambitie is AI sneller naar de industrie te brengen. Dat is echt nodig voor onze industrie om concurrerend te blijven. Wij zitten beiden in de faculteit ‘Industrial Engineering and Innovation Sciences’, maar met dit type onderzoek krijg je directe raakvlakken met werktuigbouw, elektrotechniek, wiskunde, bouwkunde en informatica. Het is multidisciplinair en dat is de toekomst. De bij ons lab aangesloten wetenschappers komen van zes verschillende faculteiten van de TU/e. We vormen dus ook intern een veel beter netwerk op het gebied van ‘Manufacturing and Maintenance’. Niet alleen verbeteren we de samenwerking met bedrijven, maar ook binnen de universiteit.”

Adan: “We gaan in gesprek met de industrie, kijken naar de urgente problemen, welke we willen oplossen en of we daarvoor AI kunnen of moeten ontwikkelen. Ons lab is ook bedoeld als inspiratie en motivatie voor ons onderzoek."