Industrie

Binnen het onderzoeksprogramma onderzoeken en ontwikkelen we generische AI-methodologieën die inzetbaar zijn voor talloze toepassingen in de industrie. Hieronder vind je de korte uitleg van enkele toepassingen (use cases) of onderzoekuitdagingen waar de onderzoeksgroepen momenteel mee aan de slag zijn.

ENERGIE



1. Onderhoud en verbeterde opbrengst van windmolenparken: Het winnen van groene stroom is een duur proces. In de acht offshore parken voor de Belgische kust zijn er zo’n 400 windmolens die energie leveren aan 2,2 miljoen gezinnen. Het operationeel houden van die infrastructuur is niet alleen bijzonder duur, maar ook cruciaal voor een stabiele stroomvoorziening. De moderne windmolens worden daarom uitgerust met een 800-tal sensoren die elke seconde data doorgeven. Enerzijds wordt die data via slimme algoritmen in real-time geïnterpreteerd om de toestand van elke machine op te volgen en de nodige onderhoudswerken te in te kunnen plannen. Anderzijds om ook de benodigde energieproductie op een slimme manier te verdelen over het windmolenpark zodat we de windmolens niet overbelasten.




Onderhoudswerken aan de windmolens op de Noordzee

Meer weten? Lees er meer over op Digitale Toekomst.
Onderzoek geleid door VUB AI Lab (Prof. Ann Nowé) + VUB Acoustics & Vibrations Research Group (Prof. Jan Helsen)


2. Artificiële intelligentie voor een beter zicht op en beheer van het elektriciteitsdistributienet: Het laagspanningsdistributienet – de vele honderdduizenden kabels die elektriciteit tot bij onze huizen brengt – is een kritische infrastructuur voor onze maatschappij en een belangrijk element in de transitie naar een klimaatneutraal energiesysteem. Het zijn immers zo’n laagspanningskabels die de elektrische voertuigen, zonnepanelen, warmtepompen, … die bij mensen thuis staan voeden en koppelen aan het netwerk. Het laagspanningsnet wordt echter gekarakteriseerd door zijn enorme schaal, een laag aantal meetpunten, beperkte kennis over de exacte lay-out en door moeilijk voorspelbaar gedrag van de gebruikers. In deze use case worden technieken ontwikkeld die met behulp van artificiële intelligentie onze kennis van de netten verbeteren en die ons toelaten om de toestand van het net accurater in te schatten. Zo worden technieken ontwikkeld die correcter bepalen welke woning aan welke laagspanningskabel gekoppeld is. Aangezien ons electriciteitsdistributienetwerk een geschiedenis van meer dan honderd jaar meedraagt is dit vandaag geen accurate kennis meer. We werken bijvoorbeeld ook aan technieken die de verbruikspieken voorspellen. Dit alles laat toe om de operationele veiligheidsmarges in de netten te verkleinen, waardoor de bestaande netinfrastructuur beter benut wordt. Dure investeringen in nieuwe kabels kunnen beperkt blijven: het laagspanningsnet ondersteunt de energietransitie in plaats van een dure hinderpaal te zijn.

Onderzoek geleid door VITO/Energyville, Koen Vanthournout

INDUSTRIE 4.0



3. Gelijkaardige machines die van elkaar leren (Controle van een machinepark): In de industrie zijn er heel veel machines die op elkaar lijken of die werken in gelijkaardige omstandigheden of met gelijkaardige belastingen. Als een regelaar voor een van dergelijke machines moet ingesteld worden, stelt zich de vraag of het zinvol is om informatie van andere machines in het machinepark (de fleet) te gebruiken, die reeds ingesteld zijn. Sommige ervaren operators doen dit al op een ad-hoc manier, maar meestal gebeurt dit tot op heden niet. In dit project willen we AI ontwikkelen die dit altijd doet. De AI moet voor gelijkaardige niet-identieke machines, en gelijkaardige maar niet-identieke taken, de initiële instelling voor een nieuwe regelaar kiezen gebruik makende van de fleet-data. Een eerste aanpak steunt erop om te schatten welke de meest gelijkaardige machines en taken zijn, om daarna die instelparameters te kopiëren als startpunt voor de nieuwe machine. Dit komt neer op een automatische versie van wat sommige huidige experts doen. Een tweede aanpak beoogt om rechtstreeks de beste instelparameters te voorspellen op basis van alle fleet-data.
In deze use case wordt een demonstrator van Flanders Make gebruikt, bestaande uit 3 kruk-drijfstang systemen die continue gelijkaardige doch niet-identieke heen en weer gaande bewegingen uitvoeren. Deze use case is representatief voor verschillende bewegingen in onder andere weefgetouwen, compressoren en stuurkolommen.

Meer info bij: Flanders Make



4A. Veilig transport in een industriële omgeving: Op de bedrijfsterreinen van producenten van metalen, bouwmaterialen en dergelijke zorgt zwaar verkeer (vrachtwagens, vorkheftrucks, treinen) vaak voor gevaarlijke situaties. Dit komt onder andere door de aanwezigheid van rook en stof. Een andere oorzaak zijn de snel veranderende omgevingen (het slinken en vervangen van voorraden) waardoor de onveiligheid nog verder verhoogt. Het ultieme doel van dit onderzoek is het ontwikkelen van een verkeersbewakingssysteem dat voortdurend mensen en voertuigen lokaliseert in gevaarlijke omgevingen. Vervolgens geeft dit systeem al die informatie aan de operatoren door in een overzicht. Om de veiligheidssituatie op te volgen kunnen de operatoren de lokale signalisatie aanpassen of indien nodig een alarm genereren. In een eerste fase, gefinancierd door het Vlaams AI-onderzoeksprogramma, worden de nodige AI en sensorfusietechnieken voor dit doel ontwikkeld. De evaluatie zal hopelijk in 2021 gebeuren bij een multinational in Gent als Covid-19 geen roet in het eten gooit. Op de planning staan experimenten met LiDaR, radar, camera en andere sensoren.

Onderzoek geleid door Prof. Wilfried Philips, prof Bart D'Hoedt en dr. David Van Hamme, imec/UGent

4B. Veiliger robots met brein-geïnspireerde neurale netwerken: Om autonome robotica (van zelfrijdende auto’s tot kleine drones) veilig te maken zijn meer en meer sensoren nodig, gaande van allerlei camera’s tot lidars, sonars en radars. In dit project ontwikkelen we neurale netwerk chips die sensor informatie verwerken zoals onze hersenen dat doen, namelijk door te werken op basis van veranderingen in het sensor signaal. Vervolgens verwerken ze die met behulp van de zogenaamde “spiking” neurale netwerken om zo snel en met zeer weinig energie signalen te classificeren.

Meer info bij: imec. Er wordt aan meegewerkt door Universiteit Gent, IDLAb Gent en Antwerpen, VUB (BruBotics).

5. Efficiëntere autonome systemen: Autonome systemen, gaande van industriële machines, collaboratieve robots, autonome drones tot zelfrijdende wagens beschikken over steeds meer sensorinformatie die verwerkt moet worden om tot juiste beslissingen te komen. Hoe langer hoe meer gebruiken we artificiële intelligentie voor die informatieverwerking, vaak in de vorm van zelflerende algoritmen en zogenaamde artificiële neurale netwerken. Die algoritmen vereisen echter steeds meer rekenkracht (dit kost tijd), terwijl het vaak cruciaal is om alle sensorinformatie te verwerken binnen een strikt tijds- en of energiebudget. Door het co-optimaliseren van zowel de algoritmen als de onderliggende hardware willen we een veel efficiënter autonoom systeem bekomen. Dit zullen we demonstreren in een aantal scenario’s, zoals de aansturing van mobiele robots en collaboratieve robotarmen. Dit onderzoek is belangrijk voor Vlaanderen, aangezien we in de toekomst steeds vaker aangewezen zullen zijn op autonome systemen die intelligent kunnen (samen)werken met en tussen mensen, vooral in de (maak)industrie, maar ook in andere sectoren zoals logistiek, gezondheidszorg,


Meer weten? Bezoek dan zeker de IIOT Lab omgeving van IDLab, Universiteit Gent en imec. Daar zie je hoe er verschillende proefopstellingen in beeld zijn gebracht, o.a. rond collaboratieve robot armen, mobiele robots en drones.

Onderzoek geleid door Tim Verbelen, imec/UGent.

6. Samenwerkende robots ten dienste van de mens: Dit project vertrekt vanuit een aantal maatschappelijke uitdagingen zoals de vergrijzing en het tekort aan arbeidskrachten. In een wereld waarin steeds meer taken geautomatiseerd worden, spelen robots een belangrijke rol. Robots zijn snel en accuraat in het uitvoeren van repetitieve taken, terwijl mensen uitblinken in taken die redeneervermogen en flexibiliteit vragen. In de maakindustrie is meer en meer vraag naar flexibele productielijnen die in staat zijn om op maat gemaakte producten te fabriceren aan de kost van traditionele massaproductie. Dit vergt een nauwe samenwerking tussen robots en mensen. Technologieën die robots en mensen in staat stellen om op een veilige en robuuste manier samen te werken, zullen zorgen voor een radicale verandering in de manier waarop massaproductie gebeurt. Maar voor we daar zijn, moeten we eerst nog langs meerdere uitdagingen geraken. Enerzijds is het manueel programmeren van flexibele robots een bijzonder arbeidsintensief proces. Anderzijds kunnen er nog geen harde garanties gegeven worden op het vlak van veiligheid. De oplossingen die we daarvoor aanreiken zijn gesteund op multi-agent technologieën die robots op een robuuste manier kunnen laten samenwerken en technieken uit reinforcement learning die de aansturing van de robots kunnen automatiseren, waardoor weinig programmeerwerk vereist is.

Meer info bij: VUB AI Lab (Prof. Ann Nowé) + VUB R&MM (Prof. Bram Vanderborght)

7. Samenwerking tussen mensen en machines in een industriële omgeving: Vlaamse maakbedrijven worden geconfronteerd met een toenemende product variabiliteit en complexiteit om te kunnen voldoen aan de marktvraag naar op maat gemaakte producten met goede eigenschappen. Uiteraard vraagt de markt ook om lage prijzen en hoogwaardige kwaliteit. Om aan die vraag te voldoen, dienen we de productiesystemen te herdenken en kunnen digitalisatie en industry 4.0 oplossingen, zoals cobots en digitale werkinstructies, oplossingen bieden. Echter, in low-volume high-variability productie, zal de operator een cruciale rol blijven spelen gezien de grote flexibiliteit en complexiteit. Wel is het noodzakelijk onze operatoren zo goed mogelijk te ondersteunen. Enerzijds cognitief met informatie, zodat ze voor elk productvariant weten welke actie ze wanneer dienen uit te voeren. Anderzijds fysiek met hulpmiddelen die de ergonomische belasting beperken. Dit project beoogt de ontwikkeling van een digitale assistent voor assemblage operatoren. Dankzij een multi-modale interface kan een operator bijvoorbeeld met spraak gerichte ondersteuning vragen van een robot die handelt als een derde hand en producten aanreikt in een voor hem of haar ergonomische pose. Het is ook een mogelijkheid om vragen te stellen over de wijze waarop bepaalde assemblage taken uitgevoerd dienen te worden. De overeenkomstige instructies zijn vervolgens zichtbaar op een scherm of via smart glasses. De realisatie van een dergelijke assist is een samengaan van een reeks AI-technieken: spraakherkenning, beeldverwerking, formele kennisrepresentatie, taakplanning, ...



Opstelling in Flanders Make Lab, waarbij mens ondersteund is door een digitale informatie-assistent en in nauwe samenwerking met een robot, een divere set producten assembleert.

8. Artificiële intelligentie voor 3D Printing: Het 3D-printen van metalen objecten via het selectief smelten van metaalpoeder met een laser is een veelbelovende techniek waarmee we op korte tijd complexe objecten kunnen creëren voor bijvoorbeeld lucht- en ruimtevaart, de medische sector of de machinebouw. Het vermijden van defecten is daarbij van cruciaal belang. Via CT-analyses kunnen we binnenin de geproduceerde objecten op zoek gaan naar fouten zoals scheuren, delaminatie of gasbellen. In dit project wordt artificiële intelligentie gebruikt om zulke fouten automatisch te lokaliseren in de CT-scan van het object en leren we via interactie met een gebruiker actief hoe deze systemen die fouten moeten interpreteren en classificeren. Dit project leidt op termijn tot een betere kwaliteitscontrole en verbeterde procedures voor het 3D metaal-printen. Op zijn beurt zal dit de adoptie van deze veelbelovende productiemethodes verder versnellen en het vertrouwen erin versterken.

Meer info bij: Flanders Make

9. Intuïtief bestuurbare intelligente voertuigen met behulp van Artificiële intelligentie: Autonome voertuigen krijgen steeds meer functies die ze autonoom kunnen uitvoeren. Vaak zijn die voertuigen echter niet flexibel en moeilijk om mee samen te werken. Het programmeren van deze systemen is niet intuïtief. Het doel van dit project is dan ook om zo’n pijnpunten op meerdere vlakken aan te pakken. Enerzijds door het voertuig te leren obstakels te ontwijken en in complexe omgevingen te navigeren dankzij een AI-technologie genaamd reinforcement learning. Anderzijds door een eenvoudigere gebruikersinterface te voorzien met behulp van een multimodale interface (een combinatie van beeld- en spraakherkenning). Daardoor is het mogelijk om spraak commando's te gebruiken die het voertuig besturen maar die ook kunnen verwijzen naar objecten die gedetecteerd worden met behulp van een van de camera's op het voertuig. Dit laat toe om met een beperkte set van commando's complexe acties uit te voeren met het voertuig. Een bijkomende uitdaging daar is dat er vaak vakjargon wordt gebruikt en dat het dus belangrijk is dat de spraakdetectie met weinig data zo’n commando's kan leren. Dit is door het verzamelen van voorbeeldcommando's een tijdrovende taak.

De verbeteringen worden geïntegreerd op een tractor bij Flanders Make die uitgerust is met meerdere sensoren waaronder een uitgebreide set aan camera's en die een vork heeft om objecten te verplaatsen.



Tractor van Flanders Make als demonstrator

Meer info bij: Flanders Make



10. Optimalisatie van productieprocessen en flexibele productielijnen: Om te voldoen aan marktvragen naar producten met verbeterde eigenschappen en door het toegenomen milieubewustzijn en strengere de emissienormen, worden producten steeds complexer en worden lichtgewicht multi-materiaal-producten verlijmd.
Verlijmen is een zeer complex proces dat bestaat uit diverse proces stappen, zoals oppervlaktebehandeling, gecontroleerd uitharden en waarbij de vele proces– en omgevingsparameters een groot effect hebben op het eindresultaat, de sterkte en duurzaamheid van een verbinding. Het ontwerp van een dergelijke multi-materiaalverbinding gebeurt door een verlijmingsexpert die eerst op basis van de materiaaleigenschappen en beoogde gebruikseigenschappen van de verbinding (sterkte, duurzaamheid, temperatuurresistentie, …) een lijmselectie maakt, vervolgens het productieproces ontwerpt en de bijhorende procesparameters selecteert. Daarbij wordt er voornamelijk een beroep gedaan op expertkennis, vaak ondersteund door experimenteel werk, hetgeen kostelijk en tijdrovend is. Gegeven de veelheid van ontwerpkeuzes, de complexe afhankelijkheden en het feit dat een afweging gemaakt moet worden tussen meerdere vaak conflicterende objectieven, zoals structurele sterkte van de verbinding versus productietijd en -kost, is er een nood aan computerondersteuning in het ontwerp van multi-materiaalverbindingen en hun bijhorende productieprocessen.
Het onderzoek binnen deze use case tracht AI-technieken te gebruiken voor de ontwerpondersteuning. Enerzijds wordt met formele kennisrepresentaties en Constraint Decision Modeling and Notation een software gebouwd die lijmexperten ondersteunt tijdens de selectie van het geschikte adhesief voor een gegeven toepassing. Anderzijds wordt op basis van Gaussian Processes een methodiek gebouwd om met een minimale set experimenten gunstige procesparameters te vinden.


Meer info bij: Flanders Make. Er wordt aan meegewerkt door Universiteit Gent, IDLab Gent, KULeuven DTAI en Uhasselt (Research Group Logistics).