Festo brengt ai naar de machine

Tot nu toe waren industriële toepassingen van artificial intelligence weinig indrukwekkend, onder meer door latencyproblemen en de grote datastromen van en naar de cloud. De cruciale stap is daarom om ai naar de machine te brengen en gegevens ter plekke – direct bij de bron – in realtime te interpreteren. Festo-onderdeel Resolto doet precies dat met zijn Scraitec-platform.

Alexander Pil
22 januari 2020

Bijna twee jaar geleden – in april 2018 – lijfde Festo het Duitse Resolto in. De specialist in industriële artificial intelligence moet de industriële automatiseerder helpen om zijn pneumatische en elektrische aandrijfoplossingen volledig klaar te maken voor Industrie 4.0. ‘Data-analyse en ai zijn van grote invloed op het productportfolio van Festo’, zegt Resolto-oprichter en -directeur Tanja Maaß. ‘Met onze software kun je data al in het veld interpreteren, dichtbij de machines. Daarmee bespaar je energie, verkort je de cyclustijden en verminder je machine-uitval en het aantal productiefouten.’

‘Als je het over de training hebt, vergt ai veel resources. Maar voor een getraind algoritme heb je heel weinig hardware nodig’, legt Resolto-directeur Tanja Maaß uit.

Artificial intelligence mag dan de laatste jaren zijn uitgegroeid tot een enorme hype, toch is Resolto allerminst een startup, benadrukt Maaß. ‘We zijn in 2003 begonnen en sleutelen dus al ruim zestien jaar aan zelflerende algoritmes. In het begin noemden we het overigens nog geen ai. We hadden het over data retrieval en intelligente algoritmes. De ai-golf startte echt toen grote jongens als IBM, Microsoft en Amazon zwaar investeerden in een wereldwijde infrastructuur voor cloudtechnologie. Op dat moment beseften we dat we echt vaart moesten maken en een partner moesten zoeken om ons daarbij te helpen. Inmiddels kunnen we echte, succesvolle toepassingen van ai in het veld laten zien.’

Machine-as-a-service

Maaß merkt dat eindklanten en oem’ers heel andere behoeftes hebben als het gaat om kunstmatige intelligentie. ‘Opvallend genoeg leggen eindklanten op dit moment vrijwel direct de link tussen ai en voorspellend onderhoud. Maar als je met ze in gesprek gaat, dan blijkt dat het ze heel regelmatig ook om andere zaken te doen is’, vertelt ze. ‘Ze willen bijvoorbeeld hun productie versnellen, of ze mikken op productiekwaliteit zodat ze aan het eind van de lijn niets meer hoeven weg te gooien, of ze zijn geïnteresseerd in de optimalisatie van hun energieverbruik.’

‘Oem’ers zien kansen in nieuwe businessmodellen, zoals machine-as-a-service’, gaat Maaß verder. ‘Via services kunnen ze hun klanten op een andere manier bedienen, met meer marge dan op de hardware die bijna een commodity is geworden.’ De uitdaging is dat die samenwerking altijd via contracten verloopt en bedrijfsjuristen allemaal lastige vragen stellen. ‘Een klant wil weten wat de machinebouwer kan garanderen. Kan hij er bijvoorbeeld voor instaan dat een onderdeel nooit kapot gaat? Met ai heeft de machinebouwer de mogelijkheid om het risico op contractbreuk omlaag te brengen. Nu ook verzekeringsmaatschappijen aan boord komen, kan hij zich helemaal indekken en zelfs 100 procent zekerheid geven. Een eindklant is dan niet meer zo geïnteresseerd om de machine te bezitten, omdat hij die garantie zelf nooit zal kunnen halen.’

Live data

Vaak gaat het in artificial intelligence over historische data, verzameld over een bepaalde periode en opgeslagen in de cloud. ‘Daar kun je natuurlijk interessante dingen mee doen, maar het wordt pas echt leuk als je het realtime wordt’, vindt Maaß. ‘Met data uit het verleden kun je immers alleen vragen uit het verleden beantwoorden. Zelfs als je het continu doet, zit er altijd een vertraging op, een latency. De vraag is altijd: ‘wat is er gebeurd?’ Denk aan een oliemaatschappij die enorm veel data verzamelt bij het oppompen van de olie. Daar wordt meestal pas naar gekeken als er een ongeluk is gebeurd en het bedrijf aan de verzekeringsmaatschappij moeten uitleggen hoe dat is gekomen.’

Resolto leert zijn ai-algoritmes wat gezond systeemgedrag is.

Terugkijken is leuk, maar natuurlijk niet hoe je het wilt. Maaß: ‘Je moet naar realtime businessintelligence, naar live data. Dan kun je voorspellen wat er staat te gebeuren. Als uit de analyse blijkt dat een systeem letterlijk of figuurlijk op ontploffen staat, kun je op tijd ingrijpen en de stopknop indrukken.’

Concrete instructies

In tegenstelling tot predictive maintenance waarbij alles draait om limieten en een systeem dat alarm slaat als zo’n grens wordt overschreden, heeft Resolto een andere benadering gekozen. ‘Wij leren de algoritmes wat gezond systeemgedrag is’, legt Maaß uit. ‘Zie het als een baby die je moet leren wat goed of fout is. Dat doe je door het goede voorbeeld te zetten. Alles gaat goed totdat ze naar de kleuterschool gaat. Daar ziet ze ineens gedrag dat ze nog niet kent. Is dat gewenst gedrag of niet? Dat moet een ouder bepalen en als het ware het algoritme trainen. De volgende keer als een kind wordt geslagen, weet ze hoe ze moet reageren.’

Op eenzelfde manier werkt dat in een industriële setting. Met de CPX-IOT-gateway van Festo als hardware en de Scraitec-software van Resolto kunnen klanten het gedrag van hun machines en fabrieken continu monitoren. ‘Het platform leert voortdurend van de dagelijkse praktijk, met input van engineers en de technische experts van de klant. Human in the loop noemen we dat’, vertelt Maaß. Op basis van alle input kan het systeem voorspellen welke parameters in het proces moeten worden aangepast en concrete instructies sturen naar de verantwoordelijke operators.

Maaß hoort regelmatig het bezwaar dat ai heel veel resources vergt. ‘Dat klopt, als je het over de training hebt’, nuanceert ze. ‘Een getraind algoritme heeft echter een heel kleine footprint. En je hebt slechts weinig hardware nodig voor de interpretatie. Festo kent zijn eigen producten natuurlijk goed dus we kunnen die componenten leveren met voorgetrainde algoritmes. Het zijn kleine, intelligente devices geworden die in het veld zelfstandig hun werk kunnen doen. Omdat je geen gegevens meer hoeft te verzamelen in de cloud, hoef je ze niet eens meer te verbinden met een centrale computer, als je dat niet wilt.’

Miele

Dat de tool werkt, laat Maaß zien aan de hand van drie praktijkvoorbeelden. Bij het boren van een mijnschacht in Zwitserland waren bijna een jaar lang vibratiedata verzameld op een harddrive. Niemand had ernaar omgekeken totdat er op dag 340 een probleem ontstond: de boor brak en het hele systeem stond stil. Omdat er lang moest worden gewacht op een reserveonderdeel liep dat flink in de papieren. ‘Achteraf wilden ze weten hoe lang van tevoren ze het hadden kunnen zien aankomen en werden wij bij het project betrokken’, vertelt Maaß. ‘We vroegen ze wanneer het systeem zeker nog goed werkte. Een half jaar, was het antwoord. Met die gegevens hebben we het algoritme getraind wat gezond gedrag was. Toen we de data daarna verder analyseerden, zagen we dat de kans op een fout door slijtage geleidelijk toenam. Het bleek dat er zo’n honderdtwintig dagen de tijd was geweest om in te grijpen. Ruim voldoende om een reserveonderdeel te bestellen en een onderhoudsbeurt in te plannen.’

Een andere case gaat over pneumatische klemmen die veel worden gebruikt in de autofabrieken. Maaß: ‘Het begon als een project voor predictive maintenance, om slijtage in een eerder stadium boven water te krijgen. Onze software vond drie anomalieën. Twee ervan waren al bekende slijtageproblemen, maar de derde kon niemand plaatsen. Toen we dieper in de gegevens doken, bleek dat één klemtype net iets trager werkte, net iets minder efficiënt dus. Het bedrijf verloor per klem slechts een paar seconde per dag, maar omdat het er zo veel van gebruikte, vertaalde dat zich naar een hele auto per dag.’

Bij het derde voorbeeld mag Maaß de naam noemen: Miele. Dat bedrijf had problemen bij het lassen van zijn wasmachinetrommels. Soms doorstond de trommel de kwaliteitstest niet en moest Miele hem weggooien. ‘De schade begon behoorlijk op te lopen dus ze wilden weten wat het probleem was en met welk algoritme ze het konden oplossen’, vertelt Maaß. ‘Zoals tegenwoordig gebruikelijk is, lieten we onze ai-algoritmes niet alleen los op de data van de lassystemen, maar ook op de gegevens van het erp-systeem. Het bleek dat het probleem zat in de herkomst van het staal. Voor één specifieke leverancier moesten de instellingen een klein beetje worden aangepast en dan was het probleem opgelost.’