Artificiële intelligentie in eigen regie

Helaas heeft Sitech de antwoorden niet op bovenstaande vragen, maar we proberen wel de (meer)waarde van AI te ontdekken. Wij gaan daarbij pragmatisch te werk. AI kan niet zonder mensen en bedrijven, die AI mogelijk maken. Mensen en bedrijven moeten dan wel snappen wat AI inhoudt. Sitech wil graag deelnemen aan een club van mensen, bedrijven, onderwijsinstellingen om begrip voor en kennis van AI te kweken. Daarvoor proberen we onderwijsinstellingen in onze regio, zoals VISTA, Zuyd Hogeschool en universiteit Maastricht te betrekken bij het vormen van zogenoemde “Communities" en/of "Field Labs" op het gebied van AI. Deze clubjes zijn nodig om tot kruisbestuiving te komen. Wij leren van de kennis van de onderwijsinstellingen op het gebied van AI en zij leren onze behoeftes en uitdagingen kennen. Samen vullen we onze kennisgaten en samen ontdekken we de waarde van AI. Wij zijn daarbij niet op zoek naar puntoplossingen, maar willen generieke methodieken ontwikkelen voor de inzet van AI. Wij willen het samen begrijpen, zodat we het allen kunnen toepassen. Samen met onderwijsinstellingen in de regio willen we AI in de praktijk brengen. Samen willen we creatief zijn met AI en samen willen we kritisch kijken naar de mogelijkheden ervan. Als bonus van deze samenwerking onderwijzen we onze huidige medewerkers, de studenten van nu en daarmee ook de medewerkers van de toekomst in het toepassen en begrijpen van AI. 

Echter kan AI niet zonder data. Sitech kan zorgen voor data van normaal bedreven, chemische fabrieken. Echter kunnen we minder voor faaldata zorgen, simpelweg vanwege het feit dat deze data minder voorkomt in onze datasets. Betrouwbare AI moet getraind worden op data, die een zo groot mogelijk bereik afdekken. Om afwijkingen in data te herkennen en te duiden als een bepaald falen, moet er data beschikbaar zijn over dit falen. Dit kan door falen te simuleren. Helaas kunnen we dit niet in de fabrieken doen op Chemelot. Wij gaan dit oplossen door testopstellingen te bouwen samen met VISTA college in Sittard. Engineers van Sitech en studenten van VISTA zullen samen een testopstelling ontwerpen en bouwen. We zullen de opstelling van de juiste sensoren voorzien. Studenten zullen de opstelling bedrijven en data genereren. Samen met de engineers van Sitech zal enig falen van de testopstelling worden geïntroduceerd op grond van de faalmechanismen, die bij Sitech bekend zijn. Zodoende zullen we interessante datasets creëren, die als basis zullen dienen om AI te kweken, die niet alleen het falen als afwijking kan detecteren, maar bovendien de afwijking kan duiden. De datasets worden beschikbaar gemaakt voor onze engineers en studenten van hogeschool en/of universiteit. Diepgaande analyse en het maken van beschrijvende en misschien wel voorspellende modellen liggen dan in het verschiet.  Onze engineers en geïnteresseerde studenten gaan samen daaraan werken.

Moderne procesinstallaties maken gebruik van een uitgebreid netwerk van regelkringen om een fabriek te bedrijven. Deze regelkringen zijn ontworpen om een procesvariabele (bijvoorbeeld druk, debiet, niveau, temperatuur, enz.) binnen een gewenst bereik te houden, zodat een kwalitatief hoogwaardig eindproduct wordt geproduceerd. Een essentieel component van deze regelkring is de regelklep. De regelklep manipuleert het debiet van een vloeistof, gas, stoom, water of chemische verbindingen, om procesvariabele zo dicht mogelijk bij het gewenste instelpunt te houden. Regelkleppen worden vaak toegepast in lastige omstandigheden zoals hoge temperaturen, hoge druk, corrosief en abrasieve media. Een niet correct ontworpen of slecht onderhouden klep kan leiden tot slijtage, veroudering en uiteindelijk falen. Het uitvallen van kleppen kan leiden tot onveilige situaties, proceswanorde of stopstand van een fabriek. Als een klep faalt dan is dat veelal "stil” en wordt het probleem plotseling en onverwacht merkbaar voor de procesoperator. Om mogelijke problemen in een vroeg stadium te detecteren, willen we de ”gezondheid” van kleppen op basis van data monitoren. Het monitoren van regelkleppen in fabrieken is van groot belang om veiligheid te garanderen en productiederving te voorkomen.

Regelkleppen worden bestuurd door klepstandstellers. Naast een regelfunctie kunnen deze klepstandstellers ook beschikken over data, die een indicatie geven over de gezondheid van de klep. Deze data bestaan uit statistische data (histogrammen) maar ook ruwe data zoals luchtdruk en de daadwerkelijke stand van de klep. De klepstandstellers met dit soort data noemen we slimme klepstandstellers. Bestaande kleppen kunnen worden uitgerust met slimme klepstandstellers. De klepstandstellers produceren data over het regelgedrag en de gezondheid van de betreffende regelklep. 

Artificiële intelligentie kan helpen om op grond van data de toestand van een regelklep te bepalen, te duiden en misschien zelfs te voorspellen. De toestand van een klep wordt door een soort fingerprint van de data van deze klep gevolgd. Een verandering van deze fingerprint duidt op een andere toestand, mits deze verandering groot genoeg is om te detecteren. Een vergelijk van deze verandering met reeds bekende en geduide veranderingen kan helpen om niet alleen de toestandswijziging te bemerken maar ook te duiden. Een trend in de verandering kan helpen om een toestand te voorspellen. De methodiek is bekend, maar het aantal succesvolle toepassingen is nog beperkt. In ieder geval te beperkt om grootschalig te worden toegepast in de procesindustrie.

Er bestaan reeds commerciële oplossingen om op grond van data van klepstandstellers of regelkringen de status van de klep te bepalen. Deze oplossingen hebben echter het grote nadeel dat het puntoplossingen zijn voor een specifieke leverancier. Andere leveranciers kunnen ook beschikken over een soortgelijke oplossing. Echter de data van de verschillende aanbieders kunnen niet zonder meer worden samengevoegd, omdat de data ‘vastzitten’ in de data-silo van de oplossingsaanbieder. Deze data kunnen ook niet worden verrijkt met andere procesdata, waardoor de mogelijkheden om falen van kleppen te detecteren niet optimaal benut kunnen worden. We moeten de fragmentatie van data voorkomen en data zonder beperkingen beschikbaar maken om volledige mogelijkheden daarvan te kunnen benutten. Verder zijn de modellen, die in genoemde oplossingen worden gebruikt, ook niet openbaar, waardoor de kwaliteit van de oplossingen niet kan worden verbeterd door de inzet van andere modellen, ook al zijn deze beschikbaar.

Door het verkennen van artificiële intelligentie in eigen regie te nemen en dit samen met bedrijven en onderwijsinstellingen in de regio te doen, wil Sitech niet alleen voorbereid zijn op toekomstige ontwikkelingen, maar ook zelf deelnemen aan deze ontwikkelingen.