Machine Learning benutten voor industriële innovatie

Machine learning is een deel van kunstmatige intelligentie en houdt in dat machines leren van echte data zonder daar direct voor geprogrammeerd te zijn. In dit artikel bekijken we hoe de voordelen die deze algoritmen bieden in de industrie te benutten.

Wat is Machine Learning?

Machine learning is een tak van kunstmatige intelligentie (AI) die machines in staat stelt te leren door middel van algoritmen. Deze algoritmen leren van echte data waarmee een model wordt gegenereerd. Dit model maakt het mogelijk te voorspellen tot welke klasse of welk type een nieuwe data behoort.

Binnen machine learning onderscheiden we twee typen: supervised learning (begeleid leren) en unsupervised learning (onbegeleid leren).

Bij supervised learning moet de data correct gelabeld zijn met de klasse waartoe deze behoort; er is een gelabelde dataset nodig.

In het geval van unsupervised learning wordt de data in het model ingevoerd zonder enige referentie naar de klasse waartoe ze behoren, en het is het algoritme zelf dat deze data classificeert op basis van hun kenmerken.

Deze typen machine learning-algoritmen maken het mogelijk patronen te detecteren en nieuwe data te classificeren vanuit getrainde modellen. Zij kunnen bijvoorbeeld gebruikt worden om fouten te detecteren of beslissingen te nemen zonder menselijke ingriping, wat veel mogelijkheden opent om processen te automatiseren die tot het verschijnen van dit type algoritmes niet mogelijk waren.

Dit zijn enkele van de noodzakelijke fasen om een project op basis van machine learning te identificeren en uit te voeren:

• Data-acquisitie: afbeeldingen, numerieke data, bestaande databases, etc. Er worden grote hoeveelheden data vereist.
• Aanmaken van de dataset vanuit de verkregen data. Voor het aanmaken van de dataset is het labelen van alle data nodig (supervised learning). Meestal wordt deze taak handmatig uitgevoerd en is tamelijk vervelend.
• Training van het model. Het model wordt getraind met een deel van de data uit de dataset.
• Evaluatie van het model. Om het gedrag van het model te verkrijgen, wordt het geëvalueerd met nieuwe data die niet tijdens de training zijn gebruikt.

Machine Learning vs Deep Learning

Enkele jaren geleden ontstond een tak van machine learning die bekend is als deep learning of diep leren. Machine learning-algoritmen zijn gebaseerd op regressievergelijkingen en beslissingsbomen, onder andere. Deep learning-algoritmen daarentegen gebruiken wat bekend staat als neurale netwerken die op een bepaalde manier proberen de werking van neuronen in levende organismen na te bootsen. Ze zijn een verzameling met elkaar verbonden neuronen die wiskundige operaties uitvoeren om parameters en kenmerken te extraheren, en uiteindelijk een classificatieresultaat te verkrijgen.

Deep Learning in computervisie

Computervisie gecombineerd met Deep Learning stelt in staat complexere problemen op te lossen dan traditionele visie, met meer robuuste algoritmen gebaseerd op de leermethoden die Deep Learning biedt. Met de vooruitgang van deze technologie kunnen problemen aangepakt en oplossingen ontworpen worden die tot nu toe niet haalbaar waren.

Deze typen toepassingen zijn ontworpen voor complexe en veranderende omgevingen waarin kenmerken niet met traditionele algoritmes geëxtraheerd kunnen worden. Ze worden gebruikt in applicaties voor tekenherkenning, inspectie van oppervlaktedefecten, beveiligingsapplicaties, onder andere.

Vooral maakt deep learning het mogelijk om oplossingen uit te breiden die beperkt zijn tot traditionele visietoepassingen.

Mogelijke toepassingen van Machine Learning in de industrie

Toepassingen gebaseerd op machine learning-algoritmen kunnen in verschillende sectoren en voor het oplossen van heel verschillende problemen worden gebruikt.

• Kwaliteitssystemen: machine learning-algoritmen creëren modellen die bijvoorbeeld toestaan defecten in onderdelen te detecteren. Oppervlaktedefecten in productie, schilderen, etc. Ze maken ook kwaliteitscontroles in een montagesproces mogelijk, aanwezigheid of afwezigheid van onderdelen, inspectie van lassen, etc.

• Productie: in productie worden visiesystemen en robotica gecombineerd met machine learning-algoritmen om processen te verbeteren en de productiviteit te verhogen. Het is mogelijk taken te automatiseren met variabiliteit die een traditionele robot niet zelfstandig kon uitvoeren: herkennen en lokaliseren van typen onderdelen, processen en variable paden, etc. Dit maakt in veel gevallen kostenreductie en verhoging van de competitiviteit van bedrijven mogelijk.

• Machinemonitoring en voorspellend onderhoud: door data (van elk type) te analyseren die verkregen wordt van de verschillende machines, kunnen modellen gegenereerd worden die in staat zijn te voorspellen wanneer een storing zal optreden. Dit dient om processen te verbeteren en storingen te voorkómen voordat machines breken. Stilstand in productie vermijden en preventieve onderhoudstijden reduceren.

De capaciteit van deze machine learning-algoritmen om een groot aantal data te verwerken, maakt het mogelijk om processen te monitoren en al hun parameters te controleren, wat fouten en storingen voorkomt en daardoor de eindkwaliteit van het product verhoogt.

Voordelen van Machine Learning in de industrie

Zoals je hebt gezien, heeft het gebruik van machine learning-algoritmen veel voordelen. Systemen die op dit type algoritmes zijn gebaseerd zijn meer veelzijdig en in staat om in veranderende omgevingen te werken en zich aan te passen. Je kunt taken uitvoeren en problemen oplossen met betrekking tot computervisie, robotica en data-analyse, onder vele anderen, wat tot het verschijnen van deze algoritmes ondenkbaar was. Al dit maakt machine learning-toepassingen een grote bondgenoot van Industrie 4.0 wat betreft het automatiseren van processen.

Enkele van de duidelijke voordelen die verkregen kunnen worden door het gebruik van deze systemen zijn:

• Reductie van de foutenratio. Ze maken detectie van fouten en hun reductie mogelijk, wat direct de kwaliteit van het proces en zijn verbetering beïnvloedt. De gemaakte fouten helpen het proces te verbeteren.
• Voorraadvoorspelling. Deze systemen maken het ook mogelijk om fouten en storingen te voorkomen. Modellen gecreëerd vanuit data zijn in staat te voorspellen wanneer een fout zal optreden, wat preventieve acties mogelijk maakt zodat deze niet optreedt.
• Procesautomatisering. Met deze algoritmen kunnen processen geautomatiseerd worden die zonder leergebaseerde systemen niet mogelijk zouden zijn: variabele inspecties, veranderende omgevingen, etc.

Wil je toepassingen gebaseerd op machine learning in een van je projecten gebruiken? Neem contact met ons op!

Gerelateerde projecten:

• Defectdetectie in personderdelen
• Automatisch kuvettenreinigingssysteem
• Computervisiesysteem voor het lezen van variabele codes in kleur, formaat en lettertype
• SIARA