De toekomst kunnen voorspellen, en daardoor processen verbeteren en problemen verhelpen?

Dat zijn het type innovatieve projecten waar wij bij Batenburg Bellt graag aan werken.  We richten ons op het efficiënter, veiliger en duurzamer maken van de productie, teelt en vastgoedexploitatie van onze klanten. Dit willen we ook graag stimuleren bij de nieuwe generatie met behulp van uitdagende afstudeerprojecten. Thomas Bos heeft zo’n innovatief project mogen uitvoeren bij één van de grootste frisdrank fabrikanten van Nederland: Domain-Knowledge-Driven Explainable Product Quality Prediction

Veel van de dranken binnen deze fabriek bevatten koolzuur, waardoor elk gevuld flesje aan strenge regels moet voldoen. De hoeveelheid CO2 in de flesjes wordt gemeten en als de metingen buiten de strikte marges vallen dan belemmerd dit het productieproces. Ook is het zo dat als uit onderzoek uitwijst dat er teveel flesjes buiten de marges vallen dan mag de gehele batch niet meer gebruikt worden. Uiteraard willen zij dit voorkomen, en gezien er fluctuaties in de gemeten hoeveelheid CO2 in de flesjes geconstateerd was werd de hulp van Thomas Bos ingeschakeld!

Data uit het verleden helpt toekomst voorspellen

Door te kijken waar fluctuaties vandaan kwamen in de gemeten hoeveelheid CO2 in gevulde flesjes kon gewerkt worden aan een oplossing voor het verminderen van de downtime van een vullijn. Hiervoor werd gebruik gemaakt van alle historische data die in de fabriek in Bunnik wordt opgeslagen. Aan de hand van deze data kon worden uitgezocht waarom er fluctuaties in de gemeten hoeveelheid CO2 zaten én vooral of hier een oplossing voor gevonden kon worden. Vaak wordt er voor dit soort onderzoeken gebruik gemaakt van artificial intelligence en machine learning. Maar het is vaak onduidelijk wat deze algoritmes nou eigenlijk doen onder de motorkap. Omdat dit voor de engineers in de fabriek cruciale informatie is om het probleem op te lossen, is er gekeken naar zogenaamde Explainable AI. Dit is een methodologie die probeert om uitlegbare kwaliteitsvoorspellingen te doen, waarbij de kwaliteit in dit geval de CO2 hoeveelheid in het flesje is. Hierbij wordt gebruik gemaakt van domeinkennis die bij de engineers vandaan komt om de voorspellingen plausibeler te maken. De combinatie van de historische data mét de proceskennis van de engineers  biedt de gewenste inzichten.

Innovatief en uitdagend onderzoek

Uniek aan dit project is het gebruik  van zogenaamde Counterfactual Explanations (CFE), wat nog niet eerder gebruikt is in Machine Learning voor de procesindustrie. Het startpunt hiervoor is een Random Forest model op basis van de huidige processtaat. Een CFE geeft dan in feite een alternatieve processtaat terug op basis van welke uiteindelijke processtaat je wilt bereiken. De CFE geeft aan welke procesparameters (zoals temperatuur of druk) moeten veranderen om van de huidige processtaat (b.v. te lage CO2) naar de gewenste processtaat te gaan (CO2 binnen de marge). Omdat een Random Forest model vanuit zichzelf al explainable is, kan een CFE gebruikt worden om uit te leggen wat er nodig is om naar de optimale processtaat te komen. Deze informatie was voor hun erg waardevol, omdat het duidelijk aan engineers uit kan leggen waarom bepaalde dingen gebeuren in het proces.

Er is nog vrij weinig onderzoek gedaan naar het gebruik van AI en Machine Learning in de procesindustrie. Het wordt het meest gebruikt voor predictive maintenance, maar niet zo zeer voor procesoptimalisatie. Hierdoor moest Thomas veel methodologieën en algoritmes zelf uittesten om te kijken wat er wel en niet werkt. Ook heeft hij simulaties gemaakt om zijn methodologie verder te testen en te verifiëren, naast de bestaande dataset die uit de fabriek kwam.

Toekomst

Het project heeft uitgezocht waarom er fluctuaties voorkomen in de gemeten hoeveelheid CO2 in gevulde flesjes. De resultaten bieden deze frisdrank fabrikant nu handvatten om deze fluctuaties in de toekomst te beperken. Minder of lagere fluctuaties betekent dat de fabriek vaker binnen de gestelde CO2 marges blijft, wat resulteert in minder downtime van de vullijn én minder afval doordat er minder batches weggegooid hoeven worden. Al met al een efficiëntere productie!

Batenburg Industrial Automation

Elke dag richten wij ons op het slimmer, efficiënter, veiliger en duurzamer maken van de productie, teelt en vastgoedexploitatie van onze klanten. Dat doen wij door slimmere producten te leveren, te installeren en door hoogwaardige software te ontwerpen om processen en systemen te besturen. Denk daarbij aan digital twins, predictive maintenance en augmented en virtual reality-oplossingen. In nauwe samenwerking met opdrachtgevers, partners, universiteiten, hogescholen en researchinstellingen maken wij de nieuwste technologieën praktisch toepasbaar.