Energiebewaking op basis van artificiële intelligentie - machine learning

Jeroen Bert Joachim De Roo
Persbericht

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.

 

Bibliografie

 

[1]       Psr, “Uitbreiding ECG moet nieuwe jobs opleveren - De Standaard,” 2002. [Online]. Available: https://www.standaard.be/cnt/nfld11032002_005. [Accessed: 21-Nov-2019].

[2]       A. de Bleser, “Energie-efficiëntiebewaking a . d . h . v . procesparameters bij Volvo Engine Center Gent,” KU Leuven Technologiecampus Gent, 2019.

[3]       N. (Odisee) Fontaine, “Bachelorproef Ontwerp en realisatie van een visualisatieplatform van het energieverbruik in Volvo Engine Center Gent,” 2019.

[4]       J. P. Mueller and L. Massaron, Machine Learning for Dummies, vol. 53, no. 9. 2013.

[5]       F. Pedregosa et al., “Scikit-learn: Machine Learning in {P}ython,” J. Mach. Learn. Res., vol. 12, pp. 2825–2830, 2011.

[6]       A. C. Müller and S. Guido, Introduction to Machine Learning with Python. 2016.

[7]       A. Beaulieu, Learning SQL. O’Reilly, 2009.

[8]       V. Scheire, “Energiemanagement bij Volvo Cars ECG,” KU Leuven Technologiecampus Gent, 2018.

[9]       A. Wastyn, “Energiemanagement Volvo Cars Engine Center Gent ( ECG ),” KU Leuven Technologiecampus Gent, 2017.

[10]     “AI vs Machine Learning vs Deep Learning | Edureka.” .

[11]     “Breaking the 80/20 rule: How data catalogs transform data scientists’ productivity | IBM.” [Online]. Available: https://www.ibm.com/cloud/blog/ibm-data-catalog-data-scientists-product…. [Accessed: 10-Dec-2019].

[12]     H. Naeem, “Intro to Machine Learning | Hazaq.” [Online]. Available: https://hazaq.me/ml/2018/04/06/ML.html. [Accessed: 09-Apr-2020].

[13]     P. J. Brockwell and R. A. Davis, Introduction to Time Series and Forecasting, Third Edit. Cham: Springer International Publishing, 2016.

[14]     S. Prabhakran, “Time Series Analysis in Python - A Comprehensive Guide with Examples – ML+.” [Online]. Available: https://www.machinelearningplus.com/time-series/time-series-analysis-py…. [Accessed: 21-Nov-2019].

[15]     M. Torabi et al., “Neural Forecasting Systems,” Intech, vol. i, no. Reinforcement Learning, p. 17, 2008.

[16]     A. Ethem, Introduction to Machine Learning, Third. The MIT Press, 2014.

[17]     M. E. Celebi and K. Aydin, Unsupervised learning algorithms. 2016.

[18]     E. Alpaydin, “Lecture Slides machine learning,” Mach. Learn., 2010.

[19]     R. J. Hyndman and G. Athanasopoulos, Chapter 6 Time series decomposition | Forecasting: Principles and Practice, 2nd ed. Melbourne, Australia, 2018.

[20]     Doorn;P.K., “Tijdreeksanalyse,” 2006. [Online]. Available: http://www.let.leidenuniv.nl/history/RES/VStat/html/les7.html#_1_4. [Accessed: 03-Dec-2019].

[21]     M. Dhont, “Optimalisatie van HVAC- systemen door middel van machine learning,” KU Leuven, 2017.

[22]     S. Prabhakran, “ARIMA Model - Complete Guide to Time Series Forecasting in Python | ML+.” [Online]. Available: https://www.machinelearningplus.com/time-series/arima-model-time-series…. [Accessed: 21-Nov-2019].

[23]     S. Tavish, “A Complete Tutorial on Time Series Analysis and Modelling in R,” 2015. [Online]. Available: https://www.analyticsvidhya.com/blog/2015/12/complete-tutorial-time-ser…. [Accessed: 04-Dec-2019].

[24]     J. Brownlee, “How to Check if Time Series Data is Stationary with Python,” 2016. [Online]. Available: https://machinelearningmastery.com/time-series-data-stationary-python/. [Accessed: 05-Dec-2019].

[25]     S. Hannachi, “3 facts about time series forecasting that surprise experienced machine learning practitioners.,” 2018. [Online]. Available: https://towardsdatascience.com/3-facts-about-time-series-forecasting-th…. [Accessed: 25-Feb-2020].

[26]     J. G. Jetcheva, M. Majidpour, and W. P. Chen, “Neural network model ensembles for building-level electricity load forecasts,” Energy Build., vol. 84, pp. 214–223, 2014.

[27]     M. Cai, M. Pipattanasomporn, and S. Rahman, “Day-ahead building-level load forecasts using deep learning vs. traditional time-series techniques,” Appl. Energy, vol. 236, no. October 2018, pp. 1078–1088, 2019.

[28]     “sklearn.preprocessing.PowerTransformer — scikit-learn 0.23.1 documentation.” [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing…. [Accessed: 09-Jun-2020].

[29]     “Interpret the key results for Correlation - Minitab Express.” [Online]. Available: https://support.minitab.com/en-us/minitab-express/1/help-and-how-to/mod…. [Accessed: 09-Apr-2020].

[30]     “File:Correlation examples.png - Wikimedia Commons.” [Online]. Available: https://commons.wikimedia.org/wiki/File:Correlation_examples.png. [Accessed: 09-Apr-2020].

[31]     “IsolationForest example — scikit-learn 0.22.2 documentation.” [Online]. Available: https://scikit-learn.org/stable/auto_examples/ensemble/plot_isolation_f…. [Accessed: 10-May-2020].

[32]     A. Géron, “Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems,” 2017.

[33]     “scaling.png (1700×1036).” [Online]. Available: https://python-data-science.readthedocs.io/en/latest/_images/scaling.png. [Accessed: 06-Apr-2020].

[34]     “3.1. Cross-validation: evaluating estimator performance — scikit-learn 0.22.2 documentation.” [Online]. Available: https://scikit-learn.org/stable/modules/cross_validation.html. [Accessed: 28-Apr-2020].

[35]     “ML – Python (VII) – Overfitting & Underfitting – Binary Coders.” [Online]. Available: https://binarycoders.dev/2019/10/17/ml-python-vii-overfitting-underfitt…. [Accessed: 05-Apr-2020].

[36]     D. Cournapeau et al., “Documentation scikit-learn: machine learning in Python — scikit-learn 0.16.1 documentation,” 2014. [Online]. Available: https://scikit-learn.org/0.16/documentation.html. [Accessed: 24-Apr-2020].

[37]     “Differentiate between parametric and nonparametric statistical analysis.” .

[38]     M. Stul, R. Leenders, E. Butaye, and K. Stul, “Development of a SVM prediction model to optimize the energy consumption of industrial installations by detecting and classifying errors at an early stage,” Int. J. Mech. Eng. Robot. Res., vol. 6, no. 2, pp. 108–113, 2016.

[39]     A. Smola and B. Schölkopf, “A tutorial on support vector regression,” Stat. Comput., vol. 14, no. 3, pp. 199–222, 2004.

[40]     “An Introduction to Support Vector Machines - ppt download.” [Online]. Available: https://slideplayer.com/slide/14436340/. [Accessed: 26-Apr-2020].

[41]     J. Suykens, Artificial neural networks, 2013th–2014th ed. 2011.

[42]     “dl-notes/activation_functions.md at master · karantan/dl-notes · GitHub.” [Online]. Available: https://github.com/karantan/dl-notes/blob/master/activation_functions.md. [Accessed: 05-Mar-2020].

[43]     M. Nielsen, Neural networks and Deep Learning. Determination Press, 2015.

[44]     A. Géron, Hands-On Machine Learning with Scikit-Learn. .

[45]     “wEfbW.png (473×417).” [Online]. Available: https://i.stack.imgur.com/wEfbW.png. [Accessed: 25-Apr-2020].

[46]     M. Nielsen, Neural networks and Deep Learning. Determination Press, 2015.

[47]     C. Enyinna Nwankpa, W. Ijomah, A. Gachagan, and S. Marshall, “Activation Functions: Comparison of Trends in Practice and Research for Deep Learning.”

[48]     “Activation Functions in Neural Networks - Kshitij Khurana - Medium.” [Online]. Available: https://medium.com/@kshitijkhurana3010/activation-functions-in-neural-n…. [Accessed: 22-Apr-2020].

[49]     “Types of Optimization Algorithms used in Neural Networks and Ways to Optimize Gradient Descent.” [Online]. Available: https://towardsdatascience.com/types-of-optimization-algorithms-used-in…. [Accessed: 22-Apr-2020].

[50]     J. (UMontréal) Bergstra and Y. (UMontréal) Bengio, “Random Search for Hyper-Parameter Optimization Yoshua Bengio,” 2012.

[51]     P. I. Frazier, “A Tutorial on Bayesian Optimization,” 2018.

[52]     “Bayesian optimization with skopt — scikit-optimize 0.7.4 documentation.” [Online]. Available: https://scikit-optimize.github.io/stable/auto_examples/bayesian-optimiz…. [Accessed: 25-Apr-2020].

[53]     C. M. Bishop, Pattern recognition and machine learning, no. 1. Springer International Publishing, 2006.

[54]     J. Brownlee, “Ensemble Learning Methods for Deep Learning Neural Networks,” 2018. [Online]. Available: https://machinelearningmastery.com/ensemble-methods-for-deep-learning-n…. [Accessed: 05-May-2020].

[55]     S. Geman, E. Bienenstock, and R. Doursat, “Neural Networks and the Bias/Variance Dilemma,” Neural Comput., vol. 4, pp. 1–58, 1992.

[56]     E. Zio, “A study of the bootstrap method for estimating the accuracy of artificial neural networks in predicting nuclear transient processes,” IEEE Trans. Nucl. Sci., vol. 53, no. 3, pp. 1460–1478, 2006.

[57]     “Statistische significantie.” [Online]. Available: http://www.ebm.ugent.be/Significantie.html. [Accessed: 09-Apr-2020].

[58]     G. (3Blue1Brown) Sanderson, Neural networks - YouTube. .

Universiteit of Hogeschool
Energie - automatisering
Publicatiejaar
2020
Promotor(en)
Koen Stul en Emilia Motoasca
Kernwoorden
Share this on: