Hoe artificial intelligence echte productieproblemen oplost

Productieanalyses volgen een natuurlijk verloop voor wat betreft technische complexiteit. Descriptive analytics is het laagste niveau en vertelt je wat er in het verleden is gebeurd of wat er op dit moment in productie is. De volgende stap is predictive analytics: op basis van gebeurtenissen uit het verleden voorspellen wat er in de toekomst waarschijnlijk zal plaatsvinden. Stel je bijvoorbeeld voor dat een specifieke combinatie van machine-instellingen op een papierproductielijn altijd leidt tot een scheur in de rol. Voorspellende analyses kunnen dat ondervangen. Op het hoogste niveau van complexiteit zit prescriptive analytics. Deze stap beveelt acties aan die nodig zijn voor een optimaal resultaat. In het voorbeeld: welke precieze machine-instellingen moeten worden toegepast om scheuren tegen te gaan en de resulterende downtime te voorkomen.

Met behulp van een combinatie van datatransformatie, procesmodellering en ai-gestuurde algoritmes helpt het Amerikaanse Sight Machine bedrijven door te groeien naar de twee meer geavanceerde fases van productieanalyses. Een interessant voorbeeld is een groot glasbedrijf dat ons inschakelde voor een groot project richting voorspellende analyses. Hun doel: vroegtijdig waarschuwen voor productieproblemen – vroeg genoeg om ze te kunnen aanpakken voordat de gevolgen zich voordoen.

Energie besparen

Glasproductie is een langdurig proces. Bij deze specifieke klant duurt het gemiddeld drie dagen vanaf het laden van de grondstof in de oven tot de levering van goed glas aan het einde van de productielijn – het smelten van het zand en het uitbakken van onzuiverheden meegerekend. Als zich in een vroeg stadium problemen voordoen, zul je de gevolgen – in de vorm van verhoogde productdefecten – pas enkele dagen later zien bij de eindinspectie. Bovendien: hoe langer het duurt voordat het probleem is geïdentificeerd, hoe groter het in de oven zal worden en hoe meer tijd nodig is om het op te lossen.

Wanneer operators defecten vinden, is hun standaardreactie om de oventemperatuur op te voeren. Daardoor neemt het stroomverbruik toe en dat was nou juist niet de bedoeling. Sterker nog: energie is een van de grootste kostenposten in de productie, dus wilde het bedrijf het verbruik verminderen. Als ze artificial intelligence zouden konden gebruiken om glasdefecten vooraf te voorspellen – en operators zouden kunnen vertellen wat ze moeten doen om die te voorkomen – zouden ze energie kunnen besparen omdat ze defecte materialen niet meer hoeven te repareren. Het ultieme doel was dus energiebesparing; het verlagen van het defectpercentage een middel om dat te bereiken. Sight Machine creëerde een ai-gebaseerd model van het productieproces dat operators attent maakte op de verschillende ovenomstandigheden die waarschijnlijk defecten zouden veroorzaken.

Goede gegevens zijn essentieel voor elke vorm van analyse. In dit geval bevatten de sensorgegevens van de fabrikant veel ruis en was zijn hardware in een verouderde staat. Beide factoren zorgden dat we veel tijd kwijt waren aan het opschonen van de gegevens. Sommige sensorwaarden dreven bijvoorbeeld langzaam af en zouden het apparaat uiteindelijk laten uitvallen. Vervanging was geen optie omdat het moeilijk is om een nieuwe sensor in exact dezelfde positie te monteren en variaties de gemeten waarden kunnen beïnvloeden. We moesten daarom een systeem maken dat automatisch de slechte gegevens wegstreepte en zichzelf continu trainde om zich aan te passen aan afwijkende en veranderende sensorwaarden.

Afval in, afval uit

We moesten ook gegevens van meerdere systemen combineren, de juiste tijdsverschillen tussen punten in de productielijn ontdekken en deze inputs samenvoegen tot een uniforme dataset die geschikt is voor het analyseren van kwaliteit en energieverbruik over de gehele lijn. Na opschonen en combineren voerden we de gegevens in een support vector machine-algoritme (SVM) om defectvoorspellingen te genereren. SVM’s zijn algemene machine learning-algoritmes die worden gebruikt in toepassingen variërend van tekstverwerking, beeldherkenning, financiën, biologie, scheikunde en meer. Over dit brede spectrum van ai-projecten draait het niet zozeer om het algoritme zelf, maar om het voeden met goede en goed geprepareerde gegevens. Het decennia oude adagium ‘afval in, afval uit’ doet ook hier opgeld.

In dit geval vereiste het bruikbaar maken van de gegevens voor artificial intelligence aanzienlijk wat expertise: de knowhow om meerdere stromen onbewerkte data om te zetten in een diep begrip van een meerdaags glasproductieproces. De streamingkwaliteit maakt productiegegevens zo anders, en een uitdaging om mee te werken. In tegenstelling tot conventionele batchgegevens is het lang niet zo nuttig als ze offline worden verzameld, getransformeerd en gecombineerd; het moet allemaal bijna realtime gebeuren.

Nadat het volledig is geconfigureerd, wordt het hele glasproductieproces continu uitgevoerd. Dit is van cruciaal belang voor het maken van nauwkeurige voorspellingen, omdat de prestaties van de machine veranderen naarmate de apparatuur ouder wordt. Inputs die zes maanden of twee jaar geleden zijn verzameld, vertegenwoordigen vandaag de dag geen betrouwbare productieomstandigheden. Ons SVM-algoritme wordt daarom continu gevoed door een realtime streaming-pijplijn en traint zichzelf voortdurend opnieuw op de nieuwste gegevens om nauwkeurige voorspellingen te doen op basis van de huidige toestand van de lijn.

Bier

Een heel andere ai-case betrof een project bij een bekende Europese bierbottelaar. Een van zijn grootste fabrieken had een probleem: er gingen te veel alarmbellen tegelijk af. Deze alarmen konden te maken hebben met de root cause van het probleem, maar net zo goed verband houden met storende gevolgen elders in de lijn, met relatief kleine waarschuwingen of zelfs met valse alarmen vanwege een slecht ontwerp van het besturingssysteem. Het bedrijf moest alarmen kunnen filteren om de onderliggende oorzaak van de downtime te identificeren en deze te verhelpen. Het probleem werd acuut nadat verschillende pogingen om regelmatige alarmen te voorkomen de uptime van de machine niet hadden verbeterd. De technici van de fabrikant beseften dat ze secundaire effecten en ruis probeerden te verhelpen; ze hadden het vermogen nodig om in te spelen op de root cause.

Met behulp van een driestapsbenadering hebben we een paar ai-algoritmes op hun alarmgegevens toegepast. Om te beginnen, hebben we een hiërarchische clusteranalyse uitgevoerd zodat we alarmen konden samenvoegen die binnen dezelfde probleemcategorie vielen. Dit was belangrijk omdat we zelden een enkele eenvoudige reeks hadden waarbij Alarm A werd gevolgd door Alarm B, vervolgens door Alarm C, enzovoort. In plaats daarvan werden meestal een of meer alarmen in een eerste cluster geactiveerd, gevolgd door een of meer van een tweede cluster en zo verder. Die alarmclusters moesten we dus eerst identificeren.

Veelzijdigheid

De volgende fase omvatte het wegwerken van alarmen die in elke groep totaal onbelangrijk waren. We deden dit door gewichten toe te kennen op basis van technieken zoals die vaak worden gebruikt bij natuurlijke taalverwerking. Als een alarm vaak optrad, was het waarschijnlijk belangrijk. Maar als het ook in veel clusters voorkwam, was het waarschijnlijk toch minder relevant. Dit is dezelfde benadering die wordt gebruikt om documenten te filteren waarbij veelgebruikte woorden als ‘de’, ‘het’ en ‘een’ niet nuttig zijn voor classificatie.

Ten slotte, toen we clusters van alarmen hadden – en alleen de belangrijkste eruit hadden gefilterd – konden we een sequentie-analyse uitvoeren. Dit stelde ons in staat om de clusters te identificeren die vaak als eerst verschenen. En zo brachten we de oorzaak van de downtime boven water.

Dit project illustreert onder meer de veelzijdigheid van ai: algoritmes voor machine learning die meestal in specifieke domeinen worden gebruikt, kunnen ook in andere industrieën worden toegepast.