Voor een eenvoudige engineer zijn de hypes in de virtuele wereld van rekenen, modelleren, simuleren en controleren/besturen haast niet te volgen – van model-based design naar big data naar artificial intelligence (AI)… MathWorks heeft er in zijn portfolio van wiskundige software in ieder geval de tools voor, ook voor AI. De industrie pakt het voorzichtig op, zo bleek tijdens MATLAB EXPO 2018 Benelux die deze zomer in Utrecht en Gent (B) plaatsvond.
Loren Shure, consulting application engineer bij MathWorks, tijdens MATLAB EXPO 2018 in Gent: ‘Met alleen AI behaal je geen compleet resultaat. Het is gewoon een belangrijke bouwsteen van een autonoom systeem waarvoor MathWorks de development toolchain biedt.’ Foto: MathWorks
– Het is nog niet te laat om met artificial intelligence (AI) te beginnen.
– ‘We helpen engineers te starten met AI in een omgeving waarmee ze al vertrouwd zijn.’
– Vanderlande is eraan toe om aan mechatronische ontwerpen ‘brains’ toe te voegen
– MATLAB/Simulink eist vaak een rol op als centraal ontwikkelplatform.
Van model-based design tot artificial intelligence; MathWorks levert er tools voor
Het is nog niet te laat om met artificial intelligence te beginnen. Die geruststellende boodschap gaf Loren Shure tijdens MATLAB EXPO 2018 Benelux. AI is een grote hype, maar MathWorks-veteraan Shure bewaart de rust. ‘De vraag is natuurlijk: Bent u klaar voor AI? Maar omgekeerd ook: Is AI al klaar voor u?’ Shure werd ruim dertig jaar geleden als allereerste werknemer aangenomen en werkt als consulting application engineer nog steeds aan de ‘wonderful’ technologie van het softwarebedrijf: MATLAB (voor algoritmeontwikkeling, data-analyse, visualisatie en numerieke berekeningen) en Simulink (modelgebaseerd ontwerpen en simuleren van multi-domein dynamische systemen).
Klaar voor AI
Inmiddels zijn de MathWorks-tools uitgebreid met applicaties voor onder meer internet of things (IoT, voor toepassingen als predictive maintenance) en deep learning. Deep learning is een vorm van machinaal leren waarbij kunstmatige neurale netwerken informatie(patronen) uit datasets kunnen destilleren. Bijvoorbeeld om op basis van sensorinformatie voetgangers en verkeersborden te herkennen (door zelfrijdende auto’s) of een aanstaande machinestoring te voorspellen. Daarmee komt AI in beeld voor engineers die MATLAB en Simulink gebruiken. Maar altijd, benadrukt Shure, binnen de complete workflow voor systeemontwikkeling: rekenen, modelleren, simuleren en controleren/besturen. ‘Met alleen maar AI behaal je geen compleet resultaat. Het is gewoon een belangrijke bouwsteen van een autonoom systeem waarvoor MathWorks de development toolchain biedt.’
De industrie pakt toepassen AI-tools voorzichtig op
MathWorks beantwoordt de vraag ‘Is AI klaar voor u?’ dus positief. Shure: ‘We helpen engineers te starten met AI in een omgeving waarmee ze al vertrouwd zijn. We verwachten dat ze expert in hun eigen domein zijn, maar ze hoeven geen specialist in data science te zijn.’ Het antwoord op de omgekeerde vraag, ‘Bent u klaar voor AI?’ hangt af van de beschikbaarheid van data. Het begint met data die vooraf worden verzameld en geclassificeerd (voetganger of verkeersbord, wel of geen storing, enzovoort). Deze data worden gebruikt om het neurale netwerk eerst te ‘trainen’ in het onderscheiden van de relevante features, voordat het wordt losgelaten op nieuwe data.
Trainingsdata
Als er weinig trainingsdata beschikbaar zijn, kan transfer learning soms uitkomst bieden. Neurale netwerken die zijn getraind voor een bepaalde taak (zeg: het herkennen van voetgangers en verkeersborden) blijken met beperkte aanpassingen ook geschikt voor heel andere taken. Shure noemt een Japans project voor het boren van een tunnel. Voor het bewaken van de stabiliteit van de tunnel werden foto’s van de tunnelwanden genomen. Die werden ‘gevoerd’ aan een bestaand neuraal netwerk voor een andere toepassing dat er kritieke breuken in kon herkennen.
In systemen waarvan het falen tijdig moet worden voorspeld, ontbreekt het ook vaak aan voldoende trainingsdata. Want zolang dat falen nog niet is voorgekomen, zijn er geen fysieke data om mee te trainen. MATLAB en Simulink bieden dan uitkomst: een model van het systeem (digital twin) kan worden gebruikt om het falen te simuleren en zo virtuele trainingsdata te genereren. Uiteraard moeten fysieke faaldata, indien beschikbaar, worden meegenomen.
De flexibiliseringstrend bij Vanderlande in transport en handling – van vaste rollenbanen naar autonome mobiele robots – vraagt om meer intelligentie in het systeemontwerp. Foto’s: Vanderlande
Agv’s en robots
Dat de combinatie van model-based design en AI krachtig kan uitwerken, zien ze ook bij Vanderlande, marktleider in systemen voor material handling op vliegvelden en in warehouses en pakketdistributie. Bart van Dartel is er als r&d-manager competence development verantwoordelijk voor de ontwikkeling van competenties in (nieuwe) technologieën als robotica, machine learning en embedded systems. Hij vertelde op MATLAB EXPO 2018 in Utrecht over de achterliggende trend, flexibilisering. Dat vertaalt zich voor de systemen van Vanderlande in de transitie van het transport van koffers en pakketten over transportbanden en rollenbanen, afgehandeld door mensen, naar het vervoer van individuele items met agv’s – automatisch geleide voertuigen die autonoom door complexe omgevingen kunnen navigeren – en handling door robots. Model-based design van die mechatronische systemen legt daarvoor het fundament. ‘We gaan steeds meer denken in platformen die een bepaalde basis aan functionaliteit bieden en die we gefaseerd uitbouwen met nieuwe technologie. Die basis moet stabiel zijn, in de software en de hardware, zodat we daarop de volgende generatie producten kunnen doorontwikkelen. Men zegt wel dat het onderscheid tegenwoordig met de software (voor besturing, red.) wordt gemaakt, en niet met de mechanica, maar het mechanische platform moet stabiel en robuust zijn en dus een extreem hoog kwaliteitsniveau hebben.’
Vanderlande bereikt dat hoge niveau in de ontwerpfase met hulp van de tools van MathWorks. ‘We kunnen vroegtijdig al concepten toetsen door simulatie met gedetailleerde modellen en sneller nieuwe functies in het complete systeem integreren en testen. Als we de modellen geverifieerd hebben, kunnen we met Simulink de code genereren. Daarmee staan we nog aan het begin, omdat we nog veel legacy-code hebben en onze flexibiliteit niet willen verliezen: als on-site bij een installatie de plc-programmeur nog code moet aanpassen, willen we nu nog niet dat hij helemaal terug moet naar het model.’
Brains
Inmiddels is Vanderlande eraan toe om aan de mechatronische ontwerpen ‘brains’ toe te voegen, vervolgt Van Dartel. ‘Technologieën als machine learning en AI zijn nu zover uitontwikkeld dat engineers er praktisch mee uit de voeten kunnen en de tools en ook rekenkracht beschikbaar hebben voor concrete toepassingen. Met hulp van MATLAB en Simulink kunnen we complexere algoritmen voor de besturing van onze systemen ontwikkelen.’ Hij illustreert dat met een eenvoudige toepassing. Als een agv of een robot een obstakel tegenkomt, rapporteert die dat en kan in het model met behulp van simulatie een optimale alternatieve route of handeling worden bepaald, die vervolgens wordt gecommuniceerd zodat alle devices die in hun planning kunnen meenemen. Verder zijn er ook al AI-tools die het ontwerpproces zelf ondersteunen en bijvoorbeeld helpen te bepalen wat een optimale constructie is. ‘Soms levert dat inzichten op die je zelf niet had kunnen bedenken. De mens kan zich dan meer focussen op de echt creatieve oplossingen.’
Tegelijkertijd moet de mens wel greep houden op het complete ontwerp, tekent Van Dartel aan. ‘Als op elk device iets met intelligentie draait, moeten we het hele systeem wel blijven snappen. Het systeemgedrag moet deterministisch en voorspelbaar blijven – dus niet: “Ik heb ook geen idee waarom het algoritme dat doet …” – ook als algoritmes niet allemaal met de hand zijn gecodeerd maar automatisch gegenereerd. Onze klant moet een betrouwbare performance krijgen, die wij vooraf moeten aantonen.’
Virtual commissioning
Performance vooraf aantonen, Vintecc doet het met virtual commissioning. Karel Viaene, mede-eigenaar van Vintecc, sprak op MATLAB EXPO in Gent over deze toepassing van model-based design: het modelmatig testen en opleveren van complexe installaties. ‘Wij zien het als een middel om complexere innovaties sneller en betrouwbaarder in de markt te zetten en tegelijk de beheersbaarheid en kwaliteit van het eindproduct te verhogen’, verklaren Viaene en zijn collega en Vintecc-oprichter Vincent Theunynck. ‘Dit tot tevredenheid van onze klanten uit de logistieke, industriële of agrarische wereld. De MathWorks toolchain is hierin een betrouwbare partner en daarnaast maken wij natuurlijk gebruik van wat de open-source community aan relevante tools aanbiedt. MATLAB/Simulink biedt heel wat interfaces om met andere tools te interacteren, waardoor het vaak een rol als centraal ontwikkelplatform opeist. Mechanica, elektronica en software voor een machine worden samen gesimuleerd ruim voor een eerste prototype is gebouwd. Dit maakt het mogelijk om een concept virtueel te testen, inclusief de interactie tussen verschillende functionele modules en – via sensor- en actuatormodellen – met de omgeving van de machine.’
Overschakeling
Virtual commissioning zal echter nooit een vervanging zijn voor physical commissioning, tekenen Viaene en Theunynck aan. ‘Virtual commissioning zorgt voor een ‘first-time right’ ontwerp, voor een reductie van de ontwikkelingstijd en de kosten. De inspanning om een virtuele machine te creëren die 100 procent de werkelijkheid voorstelt, zou niet opwegen tegen de tijd nodig om de laatste problemen – specifiek aan de fysische machine – tijdens de fysische inbedrijfstelling op te lossen. Men moet hier dus op het juiste punt de overschakeling maken.’ AI komt hier nog niet bij kijken. ‘Het toepassen van AI op industrieel niveau is binnen Vintecc wel een belangrijk ontwikkelingstraject, met huidige toepassingen vooral rond beeldverwerking. Het verzamelen van kwalitatieve data is key en precies daarop richt zich onze derde pijler, rond machine diagnostics. Dit betekent in eerste instantie het verzamelen, visualiseren en exploreren van data van een machine(park) en vervolgens het verwerken van deze data en het ter beschikking stellen (offline en online) van deze resultaten voor het ontwikkelen van datagedreven algoritmes.’
Ook zonder AI valt voor virtual commissioning nog wel wat zending te bedrijven. Viaene en Theunynck tot slot: ‘De industrie erkent de mogelijkheden, vooral voor de automatische koppeling met de CAD-modellen is er veel interesse. De technieken worden tot op vandaag wel veel minder gebruikt dan in bijvoorbeeld automotive, maar kennen een gestage opgang.’
