Reageren voordat de afwijking heeft plaatsgevonden
Hoe werkt dat precies; reageren op afwijkingen voordat deze hebben plaatsgevonden? Op basis van historische data beredeneert het systeem wat de uitkomst of output gaat zijn. Wanneer het systeem beredeneerd heeft dat de output af gaat wijken, zal het systeem bepaalde settings zo wijzigen dat de daadwerkelijke/fysieke output niet afwijkt.
Je kunt beargumenteren dat het reageren op afwijkingen voordat deze hebben plaatsgevonden een utopie is. AI kan nooit op alle afwijkingen reageren. Een pomp die ermee stopt is tot op zeker hoogte te voorspellen, maar wanneer precies, dat blijft lastig. Het reageren op vaak voorkomende afwijkingen voordat deze optreden is wel mogelijk.
Het verbeterpotentieel bij productiebedrijven is groot
Het verbeterpotentieel is groot omdat het over het algemeen nog operators of kwaliteitsmedewerkers zijn die bepalen hoe het proces bij afwijkingen bijgestuurd wordt. Uit studies blijkt dat een mens de samenhang van ongeveer 3 variabelen kan overzien. Bij meer variabelen verslechtert de capaciteit van de mens om het juiste te doen significant. Een operator kan dus ongeveer 3 variabelen overzien die de output van het proces kunnen beïnvloeden. De bijsturing gebeurt achteraf, op basis van ervaring van de operator of een beperkte set aan grafieken waar de kwaliteitsmedewerker het een en ander aan kan afleiden. Het aantal stuurvariabelen is vaak ook beperkt, omdat het anders te complex wordt voor een mens.
De invloed van meer dan 4 variabelen op een proces overzien wordt te complex voor de gemiddelde mens. De hoeveelheid werk die er verzet moet worden en de kennis die nodig is, zorgen voor barrières om het proces verder te verbeteren.
AI zorgt ervoor dat deze barrières overwonnen kunnen worden, maar wat is dan de basis om te kunnen beginnen met AI in productie? En hoe werkt AI dan vervolgens in productie?
De basis om met AI te kunnen starten
Data verzamelen
Welke factoren beïnvloeden het proces? Wat weten we? Wat kunnen we meten? Welke andere externe informatiebronnen kunnen we gebruiken? Het gaat hier om de mogelijkheid om automatisch data te kunnen gaan verzamelen. Het hebben van een Historian is een voorwaarde voor AI. In een Historian wordt data opgeslagen in een bepaalde frequentie; bijvoorbeeld het verloop van een temperatuur elke 10 seconden.
De meest logische keuze is om met een beperkte set van data te beginnen. Deze beperkte data set kan uitgebreid worden wanneer er nieuwe inzichten ontstaan door de inzet van AI op deze data.
Data verzamelen in context
Om van ruwe data bruikbare informatie te maken is er context nodig. In het voorbeeld van de droogtoren moet bekend zijn welk product er op de droogtoren staat. Het ene product reageert mogelijk anders dan het andere product op bepaalde invloeden.
Stel er is sprake van meerdere droogtorens in een fabriek, dan moet het ook duidelijk zijn welke data relevant is voor welke droogtoren. Ook de productieroute waar een droogtoren deel van uitmaakt kan relevant zijn. Als voorbeeld de productie van melkpoeder; mogelijk is de route (leidingwerk) die de melk aflegt van melktank 1 naar de droogtoren van invloed. Want wanneer melktank 2 op de toren staat, zien we een beter resultaat.
Hoe meer verschillende producten, via verschillende productieroutes, op verschillende machines gemaakt kunnen worden, hoe belangrijker de punten uit vorige alinea worden. Hoe minder variatie er is, hoe gunstiger dit is voor het toepassen van AI, je bent immers sneller met het verzamelen van data omdat de context minder wijzigt. Er kan sneller een hoeveelheid data opgebouwd worden waar AI iets mee kan.
Het ontwikkelen van het model
Wanneer de data in context voorhanden is. Kan het AI-model gebouwd gaan worden. Dit is een iteratief proces, waarbij slimme software aan de slag gaat met de data om verbanden en correlaties te vinden. Engineers controleren en valideren de conclusies van de software en schaven waar nodig de data en het algoritme bij. Zo verkrijg je na een aantal iteraties een model dat toegespitst is op de productiecontext, en gevalideerd is door experts. Een simpel voorbeeld van zo’n model: Als input A verandert dan moet ik setpoint x, y en z aanpassen om gewenste output te krijgen.
Het AI-model in de productieomgeving
Het AI-model dat door de software en de engineers is opgesteld, is de AI die in een ontwikkelomgeving gebouwd is. Dit model moet dan overgezet worden naar de systemen in productie. Eenmaal in productie kan het AI-model het proces gaan besturen. ‘Maar neemt AI dan de besturing van het productiesysteem over?’ Was de reactie van meerdere productie-IT managers uit de industrie. Dit klinkt leuk maar blijkt in de praktijk een stap te ver. Op het gebied van safety en kennisbehoud valt hier veel op aan te merken.
In eerste instantie draait het AI-model mee met productie en geeft het advies aan de operator en als er dan vertrouwen ontstaat kan het AI-model steeds meer zelf gaan doen. Onderstaande afbeelding geeft dit verschil weer tussen de Expert-in-the-loop en de Expert-on-the-loop.

Gedurende de tijd dat het AI-model meedraait met productie ontstaat er nieuwe data. Deze nieuwe data worden gebruikt om het model te verbeteren en dit gebeurt wederom met slimme software en slimme engineers in een ontwikkelomgeving. Het resultaat is een nieuwe versie van het model. De nieuwe versie van het model wordt overgezet naar productie. En zo herhalen de stappen zich. In iedere iteratie kan het model verfijnd en uitgebreid worden. Net zolang tot het gewenste doel bereikt is of tot wanneer de businesscase afzwakt.
Een AI project
Om met AI aan de slag te gaan, moet er een project gestart worden. Op hoofdlijnen ziet het verloop van een AI project er als volgt uit:
- Vooronderzoek en opzetten ontwikkelomgeving
- 1e versie van het model. Laat waarschijnlijk nog niet de verwachte verbetering zien
- 2e versie laat substantiële verbetering zien
- 3e versie zorgt voor een sprong
- 4e versie zorgt voor een sprong
- 5e versie sprong neemt af
- 6e versie nauwelijks verschil. Is er nog een business case?
- Het project wordt afgesloten, er wordt niet meer actief verbeterd aan het AI-model. Echter, het blijven monitoren van de prestatie van het AI-model is essentieel. Dit monitoren kan door het AI-model zelf worden gedaan. Het model waarschuwt wanneer het merkt dat het resultaat over de tijd verslechterd. Het toepassen van AI in productie kan dus gedaan worden op projectbasis. Wanneer het project afgesloten is er alleen nog sprake van onderhoud.
