Lerende controle: slimme algoritmes zorgen ervoor dat machines optimaal blijven werken

Lerende controle: slimme algoritmes zorgen ervoor dat machines optimaal blijven werken

Om aan de vraag van de eindconsument naar steeds betere, intelligentere en gepersonaliseerde producten te voldoen, moet de industrie steeds beter presterende en energie-efficiënte machines inzetten. Het typische antwoord daarop zijn steeds meer geavanceerde controllers in systemen of componenten. De huidige controle-algoritmes hebben echter hun beperkingen bij het uitvoeren van complexe taken en vertonen mettertijd ook afwijkingen door slijtage op de machine. Die algoritmes constant bijsturen, is arbeidsintensief en weinig efficiënt. Door lerende controle in te zetten, worden de regelparameters automatisch en continu bijgesteld zodat de machine steeds optimaal blijft werken.

Lerende controle in de praktijk

De controller of regelaar van een machine zorgt ervoor dat de toestand van het systeem continu bijgestuurd wordt zodat het systeem optimaal blijft werken. Een typisch voorbeeld is cruise control in de auto. Die zorgt ervoor dat je aan een constante snelheid rijdt. Als de auto een heuvel oprijdt, daalt de snelheid bij hetzelfde vermogen. De regelaar gaat er dan voor zorgen dat er extra gas gegeven wordt, zodat de auto terug op de dezelfde snelheid komt, ook in bergop.

Traditioneel zijn er twee manieren waarop een regelaar functioneert: via terugkoppeling of via voorwaartse koppeling.

Bij terugkoppeling vergelijkt de regelaar de gewenste waarde van het systeem met de actuele waarde. De regelaar geeft het signaal aan een actuator (de verbrandingsmotor bijvoorbeeld) om de correctie toe te passen. In het voorbeeld van hierboven, gaat de regelaar pas reageren van zodra de snelheid daalt, om die dan terug op te drijven. Met andere woorden, een terugkoppelingssysteem moet eerst een afwijking of ‘fout’ meten om te kunnen reageren.

Dat is niet het geval bij voorwaartse koppeling. Daarbij anticipeert de regelaar aan de hand van simulaties of modellen met een vooraf bepaalde actie op veranderingen in de omgeving. Om opnieuw ons voorbeeld van de cruise control erbij te nemen, daar zou de regelaar de snelheidsvermindering zien aankomen door te meten hoe steil de helling is. Een systeem met voorwaartse koppeling moet dus niet wachten tot de fout optreedt om in te grijpen. Het nadeel is dat hij anticipeert op basis van modellen en dus slecht om kan met nieuwe soorten storingen.

In beide gevallen, ongeacht hoe vaak de machine dezelfde taak al uitgevoerd heeft, gaat deze echter niet verbeteren. Toch is het net dat wat machines in een industriële omgeving doen: telkens opnieuw gelijkaardige taken uitvoeren. Het antwoord is lerende controle. Lerende controllers registreren de prestaties van het systeem tijdens voorgaande uitvoeringen van een specifieke taak, en passen de regeling van de taak telkens aan zodat deze onder alle omstandigheden steeds beter wordt uitgevoerd.

Afwijkingen detecteren

Eenvoudig gesteld, lerende controle-algoritmes kijken naar afwijkingen die optreden tijdens het uitvoeren van een taak en proberen deze afwijkingen in de volgende uitvoering zo goed mogelijk weg te werken. Met andere woorden: machines stellen zichzelf continu bij zodat ze steeds dichter bij de gewenste nauwkeurigheid komen. Hoe vaker een taak wordt uitgevoerd, hoe beter de controller zal presteren. En dit zonder tussenkomst van een operator die telkens de regelparameters moet bijstellen. De machine doet dit gewoon zelf.

Dat is ook erg handig wanneer de machineonderdelen warm beginnen worden of er slijtage op de componenten optreedt. Normaal zou dat invloed hebben op de prestatie van de regelaar en dus het gedrag van de machine. Lerende controle houdt daar echter rekening mee. De regelaar zich aan zodat een optimale kwaliteit behouden blijft tijdens de volledige levensduur van de machine.

Concreet: Controle op twee niveaus

De controle gebeurt eigenlijk op twee niveaus:

  1. een algoritme voor lerende controle baseert zich op afwijkingen die opgetreden zijn tijdens een vorige uitvoering van de taak, en leert zo het machinegedrag beter te voorspellen
  2. met die verbeterde voorspelling, worden de stuursignalen van de machine aangepast zodat die de volgende taak beter zal uitvoeren

Een universeel inzetbare algoritmetoolbox

Flanders Make heeft ervaring met lerende controle in industriële toepassingen. We ontwikkelden daarom een universeel inzetbare algoritmetoolbox.

Vijf voordelen van de algoritmetoolbox:

  1. Compatibel met heel eenvoudige regelaars. De toolbox kan dus geïmplementeerd worden zonder teveel aanpassingen aan het bestaande systeem.
  2. Vereist veel minder modellering dan traditionele voorwaartse koppeling, omdat eventuele inconsistenties tussen het model en de realiteit in de verschillende iteraties (of herhalingen van de uitvoering) weggewerkt worden.
  3. Kan ook toegepast worden bij gelijkaardige taken, en dus niet alleen perfect repetitieve taken. Dat is erg handig bij de productie van productfamilies (producten die op elkaar lijken maar lichtjes aangepast zijn aan de klant-specifieke eisen).
  4. Gebruiksvriendelijk.
  5. Open-source: aanpasbaar aan de omstandigheden.

Meer weten?

Wil je weten wat lerende controle voor jouw bedrijf kan betekenen? Contacteer ons!

Erik Hostens, Project Manager

Erik Hostens werkt als projectleider en senior onderzoeker bij Flanders Make. Erik is burgerlijk werktuigkundig-elektrotechnisch ingenieur en doctor in de ingenieurswetenschappen (KULeuven). Hij is voornamelijk actief in de domeinen geavanceerde regeltechniek en systeemtheorie, optimalisatie en machine learning en heeft meer dan 10 jaar ervaring in onderzoeksprojecten rond slimme sensoren, geavanceerde regeltechniek en autonome systemen.