De afgelopen twee jaar heeft VMI, onderdeel van de TKH Group, een AI-model ontwikkeld voor de detectie van materiaal dat niet thuishoort op het loopvlakmateriaal van een autoband. Dat deed deze wereldmarktleider in machines voor bandenbouw in nauwe samenwerking met collega-bedrijven in de groep, gespecialiseerd in AI, softwareontwikkeling en camerasystemen voor beeldherkenning. Een prototype is getest in de eigen fabriek in Epe, potentiële klanten zijn geënthousiasmeerd op de Tire Technology Expo in Hannover en deze maand gaat een launching customer er in de praktijk mee aan de slag.
Honderden inputs tunen voor de perfecte output
VMI is in 1945 opgericht in Epe en de bandenbouwmachines worden wereldwijd verkocht en geïnstalleerd bij vrijwel alle grote bandenfabrikanten. Daarnaast heeft het bedrijf engineering en productie in Polen en China, en sinds kort ook een engineeringtak in India voor met name softwarecapaciteit. In totaal werken er 2.000 mensen bij het bedrijf, van wie de helft in het Veluwse dorp. ‘Om de beste banden te produceren, moet je best wel tunen aan zo’n machine. De hamvraag is dan hoe AI kan helpen om die tuning te automatiseren’, zegt Erik van de Ven, hoofd r&d Passenger Tire bij VMI. ‘Want operators die genoeg ervaring hebben om het maximale uit de machine te halen, zijn er steeds minder.’
Voorheen werkte Van de Ven als softwareontwikkelaar en -architect bij onder meer Baan en Microsoft. Sinds twee jaar stuurt hij bij VMI een groep van 25 engineers aan, die continu werken aan softwarematige, mechanische en elektrische innovaties voor de eigen machines. Die zijn zo’n 15 meter lang en breed en 3 meter hoog, waarbij aan de achterkant zeven componenten worden ingevoerd en loopvlak, zijkant en binnenkant van de band links en rechts worden gebouwd en aan de voorkant in elkaar gezet tot één band. Iedere 30 tot 40 seconden komt er een nieuwe band uit de machine, tot zo’n 1.800 per dag. ‘Dan wil je geen afwijkingen, want de splice (naad, red.) in de band moet perfect zijn’, aldus Van de Ven. ‘Anders krijg je geen goede band of verlies je aan efficiency. Mechanisch en elektrisch kan de machine al heel veel, we gebruiken software om dat verder te optimaliseren.’
Natuurproduct
De uitdaging ligt erin dat het natuurproduct rubber zich onder invloed van luchtvochtigheid en temperatuur in Mexico anders gedraagt dan in Zweden. Daarnaast heeft elke klant zijn eigen materialen. Het onderscheid zit vaak in de constructie van de band en de compound, een mengsel van rubber en specifieke chemicaliën dat die klanten gebruiken. ‘Die grote variatie maakt tuning lastig. Dus moet de machine zelf dergelijke invloeden snappen’, stelt Van de Ven. Een ander veelvoorkomend probleem in fabrieken is vervuiling. ‘Stof, een houtsnipper of een stukje draad, iets wat je echt niet in de band wilt hebben. En als je zo’n onvolkomenheid pas aan het eind van het proces ontdekt, kun je de band weggooien.’
Samen met TKH AI, TKH Technologies en een cameraleverancier uit de TKH Group bedacht VMI een nieuwe AI-oplossing om in de machine ook vervuiling aan de onderkant van het loopvlak te detecteren. ‘Hiervoor hebben we een camera aan de achterkant van de machine geplaatst, aan het begin van het proces. En daarnaast een AI-model ontwikkeld en gevoed met honderden foto’s van een normaal loopvlak en synthetische beelden van loopvlak met vervuiling’, schetst Van de Ven. ‘Zodra een AI-model weet wat goed is, is alles wat ervan afwijkt fout. Dan stopt de machine, verschijnt op het HMI-scherm een waarschuwing ter beoordeling van de operator. Die laat vervolgens de machine automatisch het verkeerde stuk eruit snijden of verwijdert dit handmatig. Daarna loopt de machine weer door.’ De F1-score, oftewel de waarschijnlijkheid dat het model de vervuiling detecteert en het juiste advies geeft, schat de r&d-manager op 90+ procent.
TKH staat op plek 20 in De Makers Top 100 2025.
Te veel variabelen
Het ontdekken van afwijkingen is slechts een simpele toepassing van AI. Dit wordt classificatie genoemd: iets is goed of iets is fout. Zogeheten regressieproblemen vormen een grotere uitdaging. ‘Hoe moet ik de input zo veranderen dat ik een perfecte output krijg? Daar zijn we nu mee bezig. Want beeldherkenning van afwijkingen kun je op tig plekken in de machine toepassen, maar er zijn heel veel meer mogelijkheden om een zelfsturende machine te maken, die zichzelf optimaliseert’, betoogt Van de Ven. ‘Ideaal als je zoals wij machines over de hele wereld levert. De runtime bij al die klanten kent te veel variabelen, die kunnen wij niet van tevoren bedenken en moet de machine zelf kunnen oplossen. Daar is AI perfect voor: honderden inputs tunen om de perfecte output te krijgen.’
‘Met een waarschijnlijkheid van 90 procent is AI voor veel toepassingen fantastisch’
Splice-optimalisatie staat daarbij hoog op de lijst, immers alle naden in een band moeten perfect zijn. ‘Stel dat door een lagere temperatuur een rubbercomponent korter blijkt te worden, dan kun je de rotatiesnelheid van de drum (trommel, red.) verhogen ten opzichte van de lopende band, zo het rubber iets oprekken en die ene halve millimeter die je tekortkomt voor een perfecte splice compenseren’, verklaart Van de Ven. ‘Dat gebeurt realtime terwijl de machine loopt.’ Inmiddels is VMI in staat vrij snel grote datasets te verzamelen. ‘De afgelopen twee jaar zijn we daar heel intensief mee bezig, ook om de betekenis van al die data goed te documenteren. Die schat aan data vormt input voor de operator, supervisor of zelfsturende machine. Dat laatste is uiteraard het hoogste doel: dat je ’m aanzet en de machine zonder verdere tuning – ondanks de duizenden complexiteiten – altijd het maximale eruit haalt.’
Ondersteunend systeem
Zo’n zelfsturende machine is mooi, maar niet zaligmakend. ‘Een AI-model heeft altijd een bepaalde waarschijnlijkheid, zeg 90 procent. Dat is voor veel toepassingen fantastisch, maar voor veiligheid moet het 100 procent kloppen’, stelt Van de Ven. ‘Je moet dus heel goed weten waar je AI toepast. Als adviserend systeem voor de operator werkt dat heel goed.’ De data blijven op de machine bij de klant, die vervolgens zelf bepaalt met wie hij data wil delen. Ook de AI-infrastructuur zit in de machine. ‘De volgende stap die we willen zetten, is dat data makkelijk te delen zijn over machines heen bij één klant, zodat hij die overal kan benutten.’
Naast dat een zelfsturende machine een stuk efficiency oplevert en leidt tot scrap-reductie door vervuiling eerder te detecteren, wil VMI op termijn AI ook inzetten voor de verlaging van het energie- en hogeluchtdrukverbruik van de machines. Van de Ven: ‘Voor we AI toepassen, willen we zeker weten dat het aantoonbaar beter is dan een regelsysteem, want je voegt ook complexiteit toe. En de veiligheid en de operatie van de machine mogen nooit ter discussie staan; AI is en blijft een ondersteunend systeem.’
Brute rekenkracht
Begin deze maand zijn operators bij een grote klant van VMI aan de slag gegaan met het AI-model. ‘Om het model te trainen hebben we voldoende gevarieerde data nodig. Op basis van die datasets en brute rekenkracht kan het model leren en de machine zichzelf instellen’, verklaart Van de Ven, die het generieke karakter van de machine geniaal noemt. ‘Klanten zien meteen talloze andere toepassingen. We hebben de AI-oplossing ook zo ontworpen dat je er makkelijk andere camerasystemen aan kunt hangen om andersoortige afwijkingen te detecteren. Train het model met de beelden en het gaat adviseren.’
