Snelle, op AI gebaseerde controller tuners

Uitdaging

Producenten moeten hun productieprocessen steeds vaker aanpassen aan veranderende producten, materialen en bedrijfsomstandigheden. Massamaatwerk, het toenemende gebruik van gerecyclede materialen en variaties in de eigenschappen van grondstoffen maken het moeilijker om een consistente productiekwaliteit te handhaven.

Elke nieuwe productiebatch of elke herstart van het proces kan aanpassingen aan machineparameters en besturingsinstellingen vereisen. Tegenwoordig berusten deze aanpassingen vaak op trial-and-error of op de ervaring van een beperkt aantal deskundige operators. Dit maakt de inbedrijfstelling tijdrovend, moeilijk schaalbaar en sterk afhankelijk van individuele expertise.

Hoewel fabrikanten waardevolle procesgegevens, historische productierecepten, specificaties en operatorlogboeken verzamelen, wordt deze informatie niet altijd effectief hergebruikt bij het opzetten van nieuwe productieruns. Als gevolg hiervan worden bedrijven geconfronteerd met langere opstarttijden, onnodig materiaalverbruik en inconsistente productkwaliteit.

Project doelstellingen

Dit project (fAIntune_IRVA) heeft tot doel een door AI ondersteunde methodologie voor inbedrijfstelling en fijnafstemming te ontwikkelen, waarmee fabrikanten sneller geschikte procesinstellingen kunnen vaststellen, met minder afval en een verminderde afhankelijkheid van ervaren operators.

Het project combineert historische productiekennis, kunstmatige intelligentie en technische expertise om de manier waarop productierecepten worden geselecteerd, gegenereerd en aangepast te verbeteren.

Het onderzoek richt zich op twee complementaire ontwikkelingen.

Bij het AI-ondersteunde genereren van recepten wordt gebruikgemaakt van historische productiegegevens, machinemeetwaarden, specificaties en logboeken van operators om geschikte instellingen voor nieuwe productieruns te identificeren. In plaats van uitsluitend te vertrouwen op bestaande recepten, zal het project AI-gebaseerde methoden onderzoeken om nieuwe parametercombinaties te genereren die zijn aangepast aan veranderende productieomstandigheden. Simulatiegegevens en specifieke testruns kunnen dit proces eveneens ondersteunen.

Veilige en efficiënte procesafstemming helpt operators om de voorgestelde instellingen tijdens de opstart van de productie te verfijnen. Door technische kennis, fysische modellen en gecontroleerde aanpassingsstrategieën te combineren, streeft het project ernaar het proces van vallen en opstaan tot een minimum te beperken, terwijl operators betrokken blijven bij cruciale beslissingen.

De uiteindelijke ambitie is het ontwikkelen van een herbruikbare set hulpmiddelen voor inbedrijfstelling en afstemming die snellere procesaanpassingen ondersteunt, kennisbehoud verbetert en consistentere productieresultaten mogelijk maakt.

Voor producenten zou dit kunnen leiden tot kortere inbedrijfstellingscycli, minder afgekeurde partijen, een lager grondstoffenverbruik en betere productieresultaten waarbij producten in één keer goed worden geproduceerd. Door deskundige kennis gemakkelijker vast te leggen en te hergebruiken, wil fAIntune bedrijven ook helpen hun productieprocessen efficiënter op te schalen, met behoud van kwaliteit voor verschillende producten, partijen en bedrijfsomstandigheden.