Innovaties 2022 - End-to-end Design operation
Bekijk de nieuwste innovaties rond end-to-end design operation
Het optimaliseren van het ontwerpproces is een belangrijk element voor veel bedrijven. Via onderstaande innovaties zal je als bedrijf snellere, efficiëntere en goedkopere ontwerpprocessen kunnen uitwerken.
ONZE ANDERE INNOVATIES VAN 2022:
Verstijven van dunwandige constructies
Het beste structurele design door de structurele topologie ervan te optimaliseren. Dat is wat we met deze demonstratie aantonen.
Bij structurele topologie-optimalisatie denken ontwerpers vaak aan 3D-geprinte onderdelen. Toch zijn er ook andere oplossingen. Wij onderzochten manieren om beter én sneller dunwandige ontwerpen te maken via verstijvers.
Verstijvers in spuitgegoten componenten
Om verstijvers te ontwerpen in dunwandige structuren, zoals vaak aangetroffen in spuitgegoten componenten, ontwikkelden we een schaalgebaseerde topologie-optimalisatie die:
- de ontwerptijd verkort,
- de stijfheid verbetert in vergelijking met een handmatig design,
- de optimalisatietijd verkort die nodig is voor vergelijkbare prestaties,
- en veel meer produceerbare ontwerpen biedt in vergelijking met reguliere topologie-optimalisatie.
Van data en impliciete kennis tot bruikbare productie inzichten
In Industrie 4.0 is data de nieuwe olie. Productiebedrijven leggen daarom enorme hoeveelheden gegevens vast. Toch hebben veel bedrijven moeite om hun gegevens om te zetten in bruikbare inzichten.
Een van de redenen is dat de gegevens in verschillende vormen komen, uit verschillende systemen komen, in verschillende gegevenssilo's zijn opgeslagen en technische kennis vereisen om ze op te halen.
Een tweede uitdaging is dat naast de data ook domeinkennis nodig is om deze data om te zetten in bruikbare inzichten. Deze kennis is vaak verspreid over verschillende kennisbronnen, van vakexperts tot machineontwerpdocumentatie, normen of natuurkundige wetten.
Knowledge graphs als oplossing
Knowlegde graphs zijn een opkomende technologie die beide uitdagingen aankan. Zo wordt elke vraag die je op Google stelt beantwoord door een knowledge graph.
Samen met maakbedrijven pasten we de technologie aan om toepasbaar te zijn in het kader van slim en duurzaam produceren. Dit opent de deur naar snelle en flexibele root cause analyse, voorspelling en optimalisatie van productieparameters. Dus in plaats van te vragen 'Hé Google, wie is de koning van België?', kun je vragen 'Hé knowledge graph, wat veroorzaakt het defect aan mijn producten'?
Maak nieuwe controllers sneller door een virtuele 3D-omgeving
Aan echte machines werken voor het ontwikkelen van nieuwe besturingssoftware is niet alleen onpraktisch. Het is ook duur. Om zowel ontwikkeltijd als kosten te verminderen, creëerden we een nieuwe offline model- en operator-in-the-loop-benadering voor het ontwikkelen en valideren van controllers. Dit allemaal in een virtuele 3D-omgeving.
3D landbouwsimulator
We bouwden een fotorealistische 3D landbouwsimulator, waarmee we model- en operator-in-the-loop testen doen én nieuwe controllers ontwikkelen. Door de machine en haar omgeving te simuleren ontvangen we offline feedback van de operator. Deze gebruiken we om de de controlesoftware te finetunen. Hierdoor winnen we tijd én besparen we kosten. Win-win.
Hybride AI toegepast op een folieverwerkingsmachine
Met deze demo tonen we hoe hybride AI de sterke punten van data en modellen combineert om onbekende parameters sneller te identificeren. Hierdoor verbeteren we de werking, afstemming en prestaties van je machines. We gebruiken hiervoor een op fysica gebaseerde ruggengraat die het hybride model continu verbetert.
Onbekende parameters identificeren
Als antwoord op de grote vraag om onbekende parameters te identificeren met minder gegevens, bieden we een tool aan om die parameters in real-time te identificeren.
Deze hybride schattingstechniek vereist minder gegevens dan traditionele AI en levert nauwkeurige resultaten op in minder tijd.
Voorlopig onderzoek toont aan dat een hybride model tot zes keer minder data/tijd nodig heeft om dezelfde modelnauwkeurigheid te bereiken als een niet-geïnformeerd neuraal netwerk.
Verkort de inbedrijfsstellingstijd van controllers via een AI hotstart
Stel, je bedrijf beschikt over een vloot aan productiemachines en de zaken gaan goed. Je wil dus je machinepark uitbreiden met 1 (of meerdere) gelijkaardige machines. Gemakkelijker gezegd dan gedaan, want de inbedrijfsstelling en afstelling van machine en controller zijn tijdrovende taken.
Om dit proces te verbeteren ontwikkelden we een AI-methode die gebruik maakt van de beschikbare historische data van de andere (gelijkaardige) machines in de vloot.
Snellere inbedrijfsstelling via AI
Doorgaans configureren (ervaren) machine-operatoren een nieuwe machine. Hierbij krijgen ze toch regelmatig te maken met problemen en moeten ze vaak meer tijd besteden dan ingepland was aan het verfijnen van de instellingen. Voor machines die meerdere taken uitvoeren, is deze inregeling nog moeilijker omdat elke taak een specifieke afstemming vereist.
Via onze AI-methode besparen we gemiddeld 35% aan iteraties en verhogen de prestaties tijdens de eerste tests met 70%. Wat betreft systemen die een aantal vergelijkbare taken uitvoeren, verwachten we de inbedrijfstellingstijd terug te brengen van enkele dagen naar slechts één dag.
Aangezien de inbedrijfstelling gepaard gaat met verbeterde initiële prestaties, verwachten we ook dat je de tests kan uitvoeren met iets minder veilige instellingen, wat de inbedrijfstellingstijd nog verder inkort.
'First time right' profielontwerp door extractie en evaluatie van CAD-kenmerken
'First time right'-productontwerp kan de kosten aanzienlijk verlagen. Om de ontwerpers in je designafdeling te helpen bij hun taken, hebben we een software tool ontwikkeld voor CAD-bestanden. Deze functie-extractie stelt ontwerpers in staat om:
- Productiebeperkingen automatisch te evalueren;
- het aantal ontwerpcycli te verminderen;
- Toegang te krijgen tot deskundige productiekennis.
Wat doet onze software?
De software detecteert automatisch de te controleren gebieden, verifieert de beperkingen en visualiseert het resultaat. Dit in slechts enkele seconden en met een nauwkeurigheid die overeenkomt met de evaluatie van een expert.
Bij Reynaers Aluminium, waar ze gebruik maken van deze software, is de ontwerpcyclus per profiel hierdoor met 2 weken ingekort.
Productiekennis formaliseren versnelt foutloze CAD-ontwerpen
Hoe kan je waardevolle productiekennis veiligstellen om het succes van je bedrijf op de lange termijn te verzekeren?
We hebben hiervoor een nieuwe methodologie ontwikkeld. Hiermee kan je je unieke productiekennis formeel vastleggen en behouden op een generieke, procesonafhankelijke manier. Dit maakt je organisatie minder kwetsbaar voor verlies van productie-expertise wanneer je procesexperts je organisatie verlaten.
Daarnaast zorgt onze methodologie voor:
- Een sneller leerproces voor junior procesexperts.
- Snelle en onafhankelijke ontwerpen zonder fabricagefouten door je CAD-ontwerpingenieurs
Dit is mogelijk omdat we de geformaliseerde kennis automatisch interpreteren via de aangesloten CAD-evaluatiesoftware die we ook ontwikkeld hebben. De totaaloplossing stroomlijnt dus de interactie tussen CAD-ontwerpers en procesingenieurs.
Maximale prestaties met minimale energie
Via deze technologie tonen we hoe je op een gemakkelijke en toegankelijke manier een machineontwerp kan optmaliseren om zo:
- het energieverbruik te minimaliseren;
- de prestaties te maximaliseren en;
- de totale eigendomskosten te verlagen.
We demonstreren onze algoritmes op een prototype van een beademingsmachine dat de ontwerpparameters duidelijk visualiseert. Dit maakt het mogelijk om enerzijds de ontwerpparameters in te voeren in een gelijkaardige simulatie en om anderzijds onmiddellijk een visuele weergave en meting van het energieverbruik te zien.
Resultaat: In een simulatie van 12 uur zorgde ons algoritme voor een vermindering van het RMS-koppel met 67%.
Op Digital Twin gebaseerde schattingen voor hybride voertuigen
In deze demo zie je hoe we goedkope sensoren van een voertuig ondersteunen met virtuele sensoren bij de extractie van dynamische variabelen. Dit resulteert in betrouwbaardere veiligheidskritische informatie zoals de spoorkracht van banden en de drifthoek.
Methodologie op basis van digital twins
Om deze verhoogde betrouwbaarheid te bereiken hebben we een nieuwe methodologie ontwikkeld op basis van digital twins die:
- we in real-time implementeren op de embedded hardware;
- zorgt voor een aanzienlijke verkorting van de ontwikkelingstijd van de virtuele sensoren;
- de flexibiliteit vergroot voor verschillende toepassingen.