20/04/2021
Door Ad Spijkers
Deskundigen van zes Fraunhofer-Instituten hebben een methode en software-tools ontwikkeld om complexe industriële productieprocessen te analyseren en aan te passen.
Een goede productkwaliteit betekent niet noodzakelijk dat de fabricageprocédés erachter perfect zijn. Veel processen moeten nog worden geoptimaliseerd, bijvoorbeeld om energie te besparen of afval te verminderen. In andere gevallen moet de productie flexibeler aan de vraag worden aangepast. Een hoge productkwaliteit garanderen is ook moeilijk wanneer de eigenschappen van de materialen van batch tot batch veranderen.
Complexiteit verminderen
Zes Fraunhofer-instituten hebben drie jaar geleden hun krachten gebundeld in het project Machine Learning for Production (ML4P). Ze gebruiken machine learning (ML) om de complexiteit van productie-installaties te kraken en de productie te optimaliseren. Ze hebben daartoe een reeks software-tools ontwikkeld om productiegegevens te evalueren en daarin voorheen niet-herkende correlaties te ontdekken.
De tools worden echter niet alleen gebruikt voor gegevensanalyse en optimalisatie op een specifiek tijdstip. Ze maken ook het mogelijk procesverbeteringen die met machine learning wordt bereikt, duurzaam te verankeren in de normale operationele ontwikkeling en levenscyclus.
Maar de software is niet alles. In het project is een procedureel model ontwikkeld waarmee de onderzoekers het doel stap voor stap samen met klanten benaderen. Het is belangrijk om vanaf het begin een duidelijk doel te definiëren en in een vroeg stadium na te gaan of dit met redelijke inspanningen en kosten kan worden bereikt.
Gecombineerde expertise
Bedrijven en proefopstellingen produceren af en toe producten met gebreken. Kwaliteitscontroleurs herkennen dat onmiddellijk, maar de oorzaak is vaak onduidelijk. De uitdaging bij veel fabricageprocessen is, dat nauwelijks sprake is van gestandaardiseerde gegevens. Veeleer gaat het om heterogene procesgegevens die eerst moeten worden klaargemaakt voor geautomatiseerde analyse.
Soms zijn bestaande gegevens niet toereikend en moeten bijvoorbeeld extra sensoren worden geïnstalleerd om de gewenste parameters permanent te meten. Het Fraunhofer procesmodel is geschikt voor dergelijke gevallen. In nauwe afstemming met de klant kunnen de onderzoekers vaststellen welke procesgegevens nodig zijn en nagaan of de inspanning de moeite waard is. De software-tools kunnen dan evalueren onder welke omstandigheden defecten optreden en voorspellen hoe bepaalde kwaliteiten idealiter moeten worden verwerkt.
Afhankelijk van de mate van automatisering of digitalisering van een fabriek, kan het eenvoudiger of complexer zijn om optimalisatie uit te voeren met de ML4P-tools. Met behulp van het meerfasenprocesmodel kunnen de onderzoekers samen met de klant snel nagaan of een upgrade van de installatie de moeite waard is. Het is voor de ML-experts van groot belang dat de kennis van de fabrieksdeskundigen in de ML4P-software wordt verwerkt.
In de toekomst zullen de in ML4P ontwikkelde tools worden aangeboden als een compleet pakket, inclusief advisering met gebruikmaking van het procesmodel.
Foto: Fraunhofer IWU