A.I. voor een duurzamere industrie

Artificiële intelligentie (A.I.) is overal. Het is het brein achter zelfrijdende auto’s, verslaat de beste schaker ter wereld en bant ongewenste e-mails zonder aarzelen naar onze spam. Kortom, het zit diep verweven in ons dagelijks leven, vaak zonder we het zelf beseffen. Welke mogelijkheden biedt A.I. op vlak van energiebeheer in de industrie?  Samen met Volvo ECG en Inex zochten we het uit in onze master thesis.

In de huidige economische en klimatologische context is het belangrijk energie- en materiaalverspillingen zoveel mogelijk te vermijden. Het opmerken van een machine die niet volledig naar behoren werkt en daardoor meer of minder verbruikt kan een lastige klus zijn in de industrie. Zeker wanneer een fabriekshal vol robotarmen, transportbanden en compressoren staat. De meeste van die apparaten worden aangestuurd door industriële pc’s om zo tot een goed, en soms iets minder goed, samenwerkend geheel te komen. Al snel is duidelijk dat het overzicht bewaren van alle energiestromen naar de verschillende apparaten in een fabriek een uitdagende klus is.

Deep learning, machine learning, A.I.

De kans dat u één van deze termen nog niet gehoord heeft is klein. Ze worden dagelijks gebruikt en ja, ook misbruikt. Even ter verduidelijking, artificiële intelligentie is de overkoepelende term. Machine learning (M.L.) is daar een onderdeel van, met zijn specifieke technieken. Deep learning is op zijn beurt een onderdeel van M.L., hierbij gebruiken we een specifiek type van algoritme namelijk artificiële neurale netwerken. Wij hebben ons in deze master thesis toegespitst op het M.L. gedeelte.

De fabriek als zwarte doos

Het basisidee van onze energiebewaking is dat het M.L. model de ogenblikkelijke energieconsumptie berekent. Hiervoor gebruikt het parameters uit industriële pc’s zoals temperaturen en toerentallen. Het berekende verbruik dient als referentie voor het werkelijk verbruik en op basis daarvan kan een beoordeling over de energieconsumptie gebeuren: is er een over- of onderverbruik? Opdat het model het verbruik kan berekenen moet het ‘getraind’ worden. Tijdens het trainen krijgt het algoritme historische data aangeboden. Hieruit leert het model zelf de relaties kennen tussen de parameters en het verbruik. De fabrieksinstallatie is als het ware een zwarte doos die bepaalde ingangen heeft, de parameters, en als uitgang het verbruik. Dit heet black-box modelling.

Op Volvo ECG in Gent worden de motoren en versnellingsbakken van hun auto’s samengesteld. Zij hadden reeds voldoende data verzameld om een model te trainen voor de heating, ventilation en airconditioning oftewel HVAC-installatie. Hiervoor werden verschillende ML-modellen getest en geëvalueerd om de meest bruikbare te selecteren. Belangrijke criteria voor het selecteren van een model zijn nauwkeurigheid, de vereiste tijd om het model te trainen en gebruiksvriendelijkheid. Rekening houdend met de beperkingen van ons model stelden we een energiebewaking op voor de installatie van Volvo. Die is in staat een oververbruik (en onderverbruik) vaststellen van 1000 Watt. Dit komt neer op het detecteren van het vermogen van een draaiende keukenrobot. Vertaald naar industriële schaal gaat dit om een zeer kleine afwijking.  In vergelijking met de vorige energiebewaking van Volvo ECG is de kleinst detecteerbare fout van 16% naar 4% gereduceerd. Met de nieuwe strategie kunnen we dus vier maal kleinere afwijkingen in het verbruik detecteren. De eerder bestaande strategie was één op basis van een fysisch model en niet op basis van M.L..

Van HVAC- tot pasteurinstallatie

Naast de HVAC-installatie hebben we ook voor twee andere installaties modellen getest. Om na te gaan of de strategie met M.L. wel algemeen en breed toepasbaar is. De tweede installatie was een productiegerelateerde installatie van Volvo en de derde een roompasteurisatie-installatie van Inex in Bavegem. Beide verschillen sterk van de eerste. Toch maakten de M.L. modellen ook voor deze installaties goede voorspellingen. Dit toont aan dat een energiebewaking met machine learning installatieonafhankelijk is en dus zeer breed inzetbaar is. De enige vereiste om tot een voldoende nauwkeurig model te komen zijn genoeg kwalitatieve data.

Van ecologisch en economisch belang

Ook het economische aspect speelt natuurlijk een belangrijke rol. Het implementeren van een energiebewaking brengt in principe geen extra investeringen met zich mee, aangezien er geen extra sensoren nodig zijn. De gebruikte data komen namelijk rechtstreeks uit de bestaande industriële netwerken. De meeste bedrijven beschikken al over energiemeters op hun  installaties. Wanneer dit niet het geval is zal een investering hierin wel nodig zijn maar ook dan blijft een energiebewaking voordelig.

Wanneer er geen bewaking aanwezig is in de fabriek en er ergens groot-vermogen-pompen draaien waarvan één een beetje lekt, maar niet hard genoeg om door het controlesysteem van de pomp opgemerkte te worden. Dan zal het lek in het beste geval pas opgemerkt worden op de driemaandelijkse elektriciteitsfactuur. Maar dan zijn jammer genoeg de verliezen aan energie en euro’s reeds gemaakt. De eventuele kosten die  gepaard gaan met het installeren van een energiebewaking zijn dus zeker te verantwoorden.

Met deze  masterproef hebben we aangetoond dat een energiebewaking op basis van A.I, meer bepaald M.L., een belangrijke rol kan spelen in de transitie naar een duurzamere industrie. Bovendien is zo een bewaking voor bedrijven zelf ook economisch interessant en is het breed  inzetbaar. We zijn ervan overtuigd dat M.L. nog op veel andere manieren winstgevend kan zijn binnen de industrie zoals bijvoorbeeld voorspellend onderhoud. Zo ziet u maar dat wanneer technologie op de juiste manier ingezet wordt, economie en ecologie hand in hand gaan.