Artificiële intelligentie om snijgereedschappen te monitoren

Datatechnieken uit de wereld van artificiële intelligentie (AI) spreken enerzijds tot de verbeelding maar zijn anderzijds heel gesloten, hermetisch, en moeilijk toegankelijk. De grootste moeilijkheid is dat er geen enkele techniek bestaat die alle problemen vat. AI is eerder een set van technieken waarbij een expert de beste techniek of combinatie van technieken moet kiezen in functie van het probleem. Niet alle AI-technieken zijn even nuttig voor de maakindustrie: de hoeveelheid beschikbare data binnen kmo’s is meestal eerder beperkt. Anderzijds is er meestal wel a priori beschikbare kennis aanwezig, bijvoorbeeld bij operatoren die convergentie van AI-technieken kunnen versnellen. Het WEAR AI Tetra project wil het nut en belang van AI binnen de Vlaamse industrie aantonen en dit voor een aantal concrete gevallen uitvoeren als inspiratiebron voor anderen. We beperken ons tot die technieken die relevant zijn voor de maakindustrie. We werken aan concrete toepassingsgevallen rond gereedschapssleet. De maakindustrie is hiermee vertrouwd, dit spreekt hen direct aan en kwam tijdens een bevraging centraal naar voor.

De toepassing van geavanceerde signaalverwerkingsmethoden bij de bewaking van essentiële processen wordt beschouwd als een zeer interessant gebied met veel potentieel. Materiaalkosten worden verlaagd door het monitoren van anomalieën, en meer productie is mogelijk door de berekende RUL toe te voegen aan onderhoudsschema’s. Het resultaat is een verhoging van de efficiëntie.

De doelstelling van de casestudie is het ontwerpen van een data-gedreven algoritme dat de machineoperator kan inlichten over de staat van de onderdelen in een machine of een systeem in zijn geheel. Als voorbeeld halen we een casestudie aan die in het TETRA project WearAI werd uitgewerkt. 

Het betreft het frezen van laminaat bij een partner met meer dan zestig jaar ervaring die tot de grootste vloerenproducenten ter wereld behoort. De harde kunststoffen toplaag van laminaat is de voornaamste bijdrager aan slijtage aan het snijgereedschap. De hoge voedingssnelheden en toerentallen garanderen vlotte productieprocessen, maar dit versnelt ook de degradatie van het gereedschap, waardoor regelmatige stilstanden noodzakelijk zijn om de beitels te draaien of te vervangen. Gepland onderhoud minimaliseert uitval door snijkanten van lage kwaliteit, maar benut de volledige levensduur van snijgereedschappen niet. Onderhoud gebaseerd op de huidige gereedschapsconditie is de volgende logische stap in dit proces. Door een extern systeem bij de originele machine te plaatsen werden datastromen gegenereerd zoals trillingen, akoestische emissies, stromen en spanningen. Waardevolle informatie voor verdere analyse en training van machine learning algoritmes. Door de afwezigheid van labels is het aangewezen om unsupervised learning methodes te onderzoeken, zoals hier meer specifiek het DBSCAN algoritme.

Na het extraheren van de gewenste features uit de gecapteerde datastromen is feature selectie een interessante (vaak onderschatte) tussenstap. Verschillende filters zijn noodzakelijk om uitschieters, ruis, het datadomein en dies meer gestandaardiseerd te krijgen. Uit de vele gegenereerde features, in dit geval waren dit er 1.360, mogen enkel de meest waardevolle door naar de volgende ronde om dan uiteindelijk als trainingsdata dienst te doen. Door de nauwkeurigheid van het volledig getraind model te gebruiken als benchmark laten we stelselmatig features weg uit de trainingset en vergelijken de score.    

Op deze manier geven de verschillen in nauwkeurigheid een indicatie van het aandeel van een bepaalde feature. Door zijn ’unsupervised’ karakter, gepaard aan relatief weinig afstel­parameters, was Density Based Spatial Clustering Application with Noise (DBSCAN) een logische keuze. Bronnen uit de literatuur geven goede resultaten bij een gelijkaardige implementatie van deze techniek voor gereedschapsslijtage.

De gevolgen van het implementeren van ML/DL in bestaande machines zijn niet te onderschatten. Dit uitgewerkte voorbeeld bevat geen informatie over ML deployment, maar toont duidelijk aan dat regio’s van break-in en versnelde slijtage te onderscheiden zijn met behulp van unsupervised machine learning algoritmes. Hierop verder werkend zijn systemen in een industriële context die catastrofale breuk kunnen voorkomen. Wat opnieuw een directe factor is in het minimaliseren van downtime, wat op zijn beurt productie verhoogt. Door het verhoogde inzicht in de machineconditie is de stap naar conditioneel onderhoud mogelijk, wat opnieuw downtime verlaagt en operatietijd per gereedschap verlengt. Meer productie-uren per tool vertaalt zich naar minder stock en minder daarbij horende stockkosten.

Data-gedreven technieken zijn niet zomaar het laatste nieuwe technologische stokpaardje. Het is een verschuiving in visie en perspectief. Het past perfect in de Industrie 4.0 filosofie en elke organisatie die dit pad wil volgen, moet een zorgvuldige structuur uitbouwen. Het is geen enkelvoudig project, maar een transitie naar een data-gecentreerde aanpak. Het zal elk bedrijf met een gezond datamanagementsysteem een stap dichter brengen bij predictief onderhoud en slimme data-uitwisseling. Door aan te tonen dat zelfs relatief eenvoudige modellen in staat zijn om bijvoorbeeld een breuk te signaleren, is de slagkracht en het poten­tieel van deze aanpak duidelijk. 

Meer te weten komen over het slijtageverloop tijdens snijprocessen kan dus op verschillende vlakken kosten terugdringen. Met een zeer lage initiële investering is een operator in staat om informatie te verzamelen, data te analyseren en conclusies te trekken. Wanneer men hierin meer ervaring heeft opgedaan, kan de stap gezet worden naar online meetmethodes van de slijtage. Indien de situatie ervoor geschikt is, raden we een directe meettechiek aan om een zo hoog mogelijke automatisatiegraad en betrouwbaarheid te halen. We zijn overtuigd van het potentieel en kijken ernaar uit om dit uit te breiden naar andere toepassingen.

Graag bedanken we dr. Tim Claeys en prof. dr. ir. Jeroen Boydens voor steun en toewijding in dit project. Projectmedewerkers Hans Naert, Pieter Ideler, Peter Vanbiervliet en Robin Loicq waren onmisbaar bij de datacaptatie en de communicatie naar de industriële partners.