Promoveren op onderzoek in een industrieel productieproces
Informaticus Bas van Stein onderzocht bij Tata Steel en BMW hoe hun productieprocessen op basis van data gestroomlijnd en geoptimaliseerd konden worden. Al doende bouwde hij innovatieve producten. Promotie op 20 september.
Van Stein kon het meest innovatief zijn bij Tata Steel. Daar kunnen in de productie tientallen verschillende defecten in het staal ontstaan. Het bedrijf wilde graag dat het er minder zouden worden.
Elke millimeter een foto
Bij het bedrijf komt controle van het staal met de hand of het oog alleen incidenteel nog voor: apparatuur maakt van elke millimeter geproduceerd staal een foto op basis waarvan real time de kwaliteit wordt beoordeeld. Alle gegevens worden opgeslagen in datasets. De gigantische hoeveelheid data die dat oplevert, wordt tien jaar bewaard maar er gebeurt niet veel mee. Het eerste wat Van Stein zich eigen moest maken was: wat betekent al die informatie, wat zit erin waar ik wat aan heb, wat betekenen de verschillende parameters? Een hele opgave. Ook bleek dat de data niet volledig waren. ‘Dat is normaal’, zegt Van Stein. ‘Praktijkdata zijn nooit zo netjes. Er hapert wel eens wat en bij handmatige invoer worden fouten gemaakt.’
Ontbrekende data invullen
Van Stein bedacht diverse nieuwe methodieken in het kader van zijn onderzoek. Zo ontwikkelde hij een nieuw algoritme voor het voorspellen van de ontbrekende waardes in de datasets waarbij de data kolom voor kolom via een model werden gerepareerd. Zo bouwde hij stapsgewijs een volledig gerepareerde dataset op. Ook ontwikkelde hij een nieuwe methode voor het analyseren van patronen van ontbrekende waardes in datasets. Met deze methode was snel inzichtelijk waar in een dataset waardes ontbraken en hoe die witte vlekken met elkaar correleerden; daaraan was ten dele af te leiden waarom de data ontbraken.
Afwijkingen
Verder bedacht Van Stein een nieuw algoritme voor Outlier Detectie dat afwijkende datapunten kan vinden in een multidimensionale dataset, in dit geval toegepast op het staaloppervlak. Om te bepalen of een datapunt abnormaal is, kijkt het algoritme niet alleen of er een afwijking is ten opzichte van de volledige dataset zoals de meeste algoritmes in dit domein, maar vergelijkt het deze afwijking ook met groepen data (rollen staal) die vergelijkbaar zijn met de groep data waar het afwijkende datapunt bij hoort. Hierdoor kan het algoritme beter bepalen welke delen in een lange rol staal vreemde of afwijkende eigenschappen hebben.
Verbetering van Kriging
Cluster Kriging is een door Van Stein en Hao Wang bedachte verbeterde manier om Kriging toe te passen op grote datasets. Kriging is een methode voor machine learning om numerieke data te modelleren, dat wil zeggen deze zo in te zetten dat ze voorspellende waarde krijgen. Hierbij wordt in het productieproces het verband tussen invoer en uitvoer statistisch bepaald.
Het voordeel van Kriging boven soortgelijke algoritmes is dat deze methode niet alleen een voorspelling doet van een nog niet waargenomen datapunt maar ook iets zegt over de zekerheid van de voorspelling. Het nadeel van Kriging, namelijk dat het maken van het model erg traag is, heeft Van Stein ondervangen door de data op een slimme manier op te splitsen in kleinere sets.
Nieuwe benadering
Een belangrijke stap was vervolgens de testfase van de verbeteringen die Van Stein had bedacht, waarin ook verdere optimalisatie mogelijk was. ‘Dat kan natuurlijk niet meteen in de fabriek, dat is veel te risicovol.’ Model-driven optimization was dus de volgende stap: toen het model getraind was, was het te gebruiken om het verband tussen invoer en uitvoer zo optimaal mogelijk maken. Daarvoor was het van belang de onzekerheid van de voorspellingen tot het minimale te beperken. Van Stein bedacht een benadering waarmee deze onzekerheid kan worden uitgerekend voor elk soort model, dus niet alleen voor Kriging.
Aan de knoppen draaien
De functie van een model is: aan de knoppen kunnen draaien en kijken wat er dan gebeurt. Wat betekent het als die ene parameter wordt bijgesteld, of die andere? ‘Aanvankelijk zag je in het model dat een bepaalde oplossing ergens anders weer een probleem veroorzaakte maar het lukte steeds beter dat te ondervangen.’ Alle soorten defecten voorspellen lukte niet maar toch is Tata Steel tevreden; ze hebben nu veel meer inzicht in hun data en wat ze er mee kunnen bereiken.
Bij BMW waren onvoldoende data aanwezig voor eenzelfde aanpak. Daar kan men nu bij een wat afwijkende staalkwaliteit het productieproces handmatig bijstellen.
Vrijelijk publiceren?
In hoeverre kon Van Stein in zijn proefschrift vrijelijk publiceren over zijn onderzoek? ‘In het contract was overeengekomen dat de brondata van de bedrijven niet mogen worden gepubliceerd. Maar verder waren er weinig belemmeringen. De resultaten en visualisaties in het proefschrift zijn allemaal reëel, en de methodieken die ik heb ontwikkeld natuurlijk ook.’
Leerweg voor iedereen
Van Stein noemt het traject bij de bedrijven een leerweg voor beide partijen, zowel voor hem als voor het bedrijf. Zo moesten hij en de bedrijven leren om goed en efficiënt met elkaar te communiceren. Ook is de cultuur bij bedrijven gericht op zo hoog mogelijke financiële revenuen, wat bij de universiteit anders is. En wat viel op? ‘Het verwonderde me dat bij een van de bedrijven werd gesproken over de mogelijkheid dat het personeel niet mee zou willen, bijvoorbeeld met het uitvoeren van een extra handeling. Dan zou men afzien van het invoeren van de verbetering. Dat had ik niet verwacht.’
Tekst: Corine Hendriks
Stuur een mail aan de redactie