ICON Project voor contextbewust geautomatiseerd leren van anomaliedetectie

Net zoals je eigen auto kunnen industriële machines en voertuigen na verloop van tijd falen, wat resulteert in een panne en onverwachte stilstand. Om verlaagde productkwaliteit, verlies van operationele efficiëntie, verminderde prestaties of storingen te voorkomen, willen bedrijven de aandrijflijnen van hun roterende machines en voertuigen continu opvolgen om afwijkingen te kunnen detecteren.

Het herkennen van afwijkingen is niet altijd eenvoudig. Veranderingen in de omgeving of processen kunnen zorgen voor storingen in de metingen. Wanneer je auto een vreemd geluid maakt, komt dat dan omdat je op een hobbelige weg rijdt (context), of is je band lek (anomalie)?

In het CAATS_ICON project werken we samen met Bekaert, Oqton, Sentigrate, Vintecc en Waylay aan een robuuste en nauwkeurige detectie van afwijkend gedrag van machine- en voertuigaandrijvingen. Deze bedrijven zullen de projectresultaten ook gebruiken in hun operationele omgeving.

In dit ICON project ontwikkelen we een framework met behulp van een AI-model dat, op basis van historische gegevens, anomalieën detecteert. Om het onderscheid tussen context en anomalieën te leren maken, creëeren we een feedbacklus naar de operator van de machine voor onbekende gevallen. De operator krijgt de beschikbare informatie op een overzichtelijke manier te zien en kan zo beslissen of het om een fout, normaal gedrag of een verandering in de context gaat. Het AI-model wordt vervolgens automatisch opnieuw getraind en zal in de toekomst gelijkaardig gedrag herkennen, waardoor tussenkomst van een AI-specialist niet meer nodig is.