Development

De productie systemen van onze klanten genereren een
ongekende hoeveelheid data. Zoveel data dat het op een
gegeven moment onmogelijk wordt voor een mens om hier
nog verbanden in te zien. Een mens kan hooguit een
analyse doen op een (deel)proces op basis van enkele
meetpunten, maar niet meer van honderden, duizenden of
zelfs nog meer meetpunten.

Er komen echter steeds meer technieken beschikbaar die
het mogelijk maken om meer relevante informatie uit grote
hoeveelheden data te halen.
Eén van de mogelijkheden is het clusteren van data met
behulp van unsupervised learning. Deze techniek is in onze
ogen uitermate geschikt om toe te passen op data uit
productieomgevingen van onze klanten.
Door eerst productiedata te clusteren en deze clusters aan
te merken als ‘gezonde’ data, kunnen hierna afwijkingen in
de realtime data opgemerkt worden, doordat deze buiten
één van de geïdentificeerde clusters valt.
Een afwijking van een realtime datapunt kan duiden op
slijtage van een machine of mogelijk kwaliteitsproblemen
met afkeur als gevolg.

Aanleiding
Smart Industry (ook wel industrie 4.0 genoemd of de 4e
industriële revolutie) voorziet dat productiesystemen
onderling en met vele andere sensoren gaan communiceren
om op deze manier (meer) autonoom en/of efficiënter hun
werk te kunnen doen.

Dit zal meer vergen van de bijbehorende
besturingssystemen. Deze krijgen immers meer data te
verwerken en meer geavanceerde besturingstaken om uit te
voeren.
PLCNext is een nieuw type besturingshardware, waarin PLC
technieken en PC-gebaseerde software gecombineerd
worden om aan de nieuwe, toegenomen eisen aan hardware
te kunnen voldoen.
Hiermee worden de sterke punten van beide platforms
gecombineerd: de betrouwbaarheid en het gemak om I/O te
lezen/schrijven van een PLC bovenop de snelheid en
flexibiliteit van een PC.
Fabrieken worden steeds complexer en processen worden
steeds verder geoptimaliseerd. Hier is meer en meer data
voor nodig.

Aanleiding
Data is tegenwoordig overal en de term “Big Data” refereert
hieraan. Door de komst van o.a. goedkopere sensoren en
opslag kunnen we steeds meer beschikken over grotere
hoeveelheden data.
Deze data moet ergens opgeslagen worden en hierna op
één of andere manier beschikbaar gemaakt worden voor
verder gebruik om de data ook nuttig te kunnen maken.
Om deze reden worden steeds meer Big Data oplossingen
ontwikkeld en nieuwe ontwikkelingen volgen elkaar in hoog
tempo op.
Ook in de industrie wordt serieus gekeken naar
toepassingen op het gebied van Big Data. Slimme analyses
van deze data kunnen bijvoorbeeld nieuwe inzichten geven
over de productieprocessen, maar ook helpen met het nog
verder automatiseren van deze processen.
Als voorbeeld: Bij een zuster bedrijf van JB Systems, wordt
aan een toepassing gewerkt waarbij op basis van
verzamelde klimaatgegevens (temperatuur, zonlicht, …) een
oogstprognose voor de tomaten gedaan wordt. Hierdoor kan
de teler met meer zekerheid over het aantal te produceren
tomaten onderhandelen met zijn afnemers.
Kortom, Big Data is een veelbelovende bron van innovatie
voor (industriële) bedrijven. En één van de eerste stappen
die een bedrijf moet zetten op het gebied van Big Data is de
selectie van een geschikt platform. Daarom willen we hier
meer kennis over opbouwen om praktische overweg

Aanleiding

Industriële processen worden steeds verregaander
geautomatiseerd. Wat 10 jaar geleden vaak met de hand
werd gedaan wordt nu met robots uitgevoerd. Dit geldt voor
repeterend werk zoals aan de lopende band of ‘heavy lifting’
waar de menselijke rug niet voor is gemaakt. Zoals het
stapelen van kratten, dozen en pellets.

Kratten, pellets en dozen zijn voorspelbaar maar wat als het
gaat om objecten met variërende vorm, kleur en oriëntatie?
Bijvoorbeeld een stapel zakken is al een stuk moeilijker
automatisch te ontstapelen en opstapelen. Dergelijke
processen worden daarom vaak nog met de hand gedaan.
Om dergelijk variabele processen toch te automatiseren is
‘machine vision’ nodig. Dit is een specifieke tak van
automatisering die buiten de specifieke kennis van JB
Systems ligt maar waar wij als bedrijf wel steeds vaker mee
te maken hebben en moeten integreren in onze software.

Een concrete vraag omtrent machine vision die nu speelt is
de ‘Ampelmann autoland functie’. De Ampelmann is een
motion compensated gangway die op zee gebruikt wordt om
mensen van schip naar een vast punt over te zetten. JB
Systems levert te automatisering voor dit platform. De
gangway wordt nu nog door twee operators bestuurd maar
de wens is om dit door middel van een autopilot verregaand
te automatiseren. De gangway moet door middel van
machine vision zelf een landingspunt herkennen en de
gangway veilig laten landen op dit punt.

Aanleiding:

Het niveau van automatisering neemt toe, net als Tesla’s
autopilot staan meer en meer processen op de automatische
piloot. Denk hierbij aan industriële robots, graaf en hijs
installaties of CNC machines. En dit is een trend die nog
lange tijd doorzet. Maar hoe weten operators of autopilot
software dat ze geen botsing veroorzaken met andere
processen?

Botsingen of ‘collisions’ kunnen voorkomen worden door
operators die visueel inspecteren of er een botsing dreigt. Dit
is echter gevoelig voor menselijke falen en is traag. Een veel
toegepaste methode is het definiëren van proces grenzen
(interlocks). Deze belemmeren echter ook vaak de
bewegingsvrijdheid in situaties waar geen botsing optreed
en de complexiteit van de omschrijving van deze grenzen
lopen al gauw uit de hand.

Met het niveau van automatisering stijgt ook het niveau
waarop collision detection gedaan moet worden. Maar het
opstellen van de algoritmes die voor het controlleren van
meerdere complexe geometrische vormen die elk in 6
graden van vrijheid kunnen bewegen is het domein van
professoren en promovendi.

Gelukkig is er hulp vanuit onverwachtse hoek: de Gaming
Industrie. Collision detection is een vast onderdeel van
spellen en de ontwikkelingen in de Gaming industrie gaan
veel sneller en verder dan in de traditionele industrieën.