Strategie Tata experimenteert met kunstmatige intelligentie
Meer grip op kwaliteit Om de oppervlaktekwaliteit van haar staal beter te kunnen beoordelen, experimenteert Tata Steel in IJmuiden met kunstmatige intelligentie. Nog steeds hangen er dezelfde camera’s en bepalen doorgewinterde kwaliteitscontroleurs welke oppervlaktefouten zich hebben voorgedaan. Maar parallel hieraan wordt de beeldinformatie nu ook middels active learning geclassificeerd. Voor de technische ondersteuning deed Tata een beroep op de start-up BrainCreators. Zij ontwikkelden software voor het efficiënt labelen van grote datasets.
de ene controleur is de andere niet en er is altijd de factor interpretatie.Voor een ander deel is bias inherent aan het werken met een beslisboom. Want wordt ergens tijdens het beslissingstraject abusievelijk een verkeerde vertakking gekozen, dan kom je per definitie nooit meer bij de juiste fout terecht.”
Mens-in-de-loop
“Tata is behoorlijk actief als het gaat om industrie 4.0”, zegt Johan Bernard, Programma Manager Smart Industry bij Tata Steel. “Er lopen veel pilotprojecten die als doel hebben uit te vinden welke kansen nieuwe technologieën voor Tata bieden. Kunstmatige intelligentie is een van die opkomende vakgebieden waar we veel van verwachten. Want hoewel wij en onze klanten dik tevreden zijn met de door ons geleverde kwaliteit en de duiding hiervan, kan het natuurlijk altijd beter. Kunstmatige intelligentie leek ons bij uitstek geschikt om meerwaarde te leveren.”
Veel fouttypen Bernard geeft aan dat er in IJmuiden al meer dan twintig jaar vision wordt toegepast voor het controleren van de kwaliteit van diverse productiestappen. En tijdens al deze stappen zijn er verschillende fouten met verschillende oorzaken die kunnen optreden, maar die onderling een sterke gelijkenis kunnen vertonen. “Elke processtap kent zijn eigen fouten. Zo kunnen er in de warmbandwalserij walsafdrukken ontstaan. Deze kunnen het gevolg zijn van een fout in de wals, maar het kan ook komen door een klodder vet. Eerstgenoemde variant is repeterend, de tweede komt eens in de 500 rollen voor. Een ander fouttype? We hebben een kantwals die het materiaal smaller
20
Alles over innovatie in ICT
maakt. Als het bij de invoer fout gaat, kan aan de onderzijde een bladder ontstaan waar minder materiaal is. Dat wil je voorkomen, aangezien je het materiaal hier tijdens het koudwalsen kapot kunt trekken en er een gat ontstaat. Maar er zijn ook tal van andere bladdertypen. Het lastige is deze te onder scheiden en te herleiden naar de oorzaak om deze vervolgens aan te kunnen pakken.”
Beslisbomen Nu zijn de verschillende visionsystemen van de verschillende proceslijnen - prima in staat de foutdetectie te doen. Lastiger is echter het daaropvolgende classificatieproces. “We hebben met een behoorlijke beelden berg te maken”, legt Bernard uit. “Alleen al bij de proceslijn van dit pilotproject hebben we 7 zwartwit matrixcamera’s boven en 7 onder de lijn hangen die met 10 fps de op te rollen coils inspecteren. Na de beeld acquisitie detecteert het achterliggende systeem de anomaliteiten en markeert de bijbehorende region of intrest. De classificatie van aangemerkte beelden is de taak van ervaren kwaliteitscontroleurs. Zij geven elke gedetecteerde fout op basis van een beslisboom die grofweg 800 verschillende features omvat het bijbehorende label. Een lastig karwei, dat ook enige mate van bias kent. Deels komt dit omdat dit inherent is aan mensenwerk:
Bernard benadrukt nogmaals dat dit in de praktijk geen problemen oplevert: de door Tata geleverde staalkwaliteit is hoog ten opzichte van de concurrentie. Maar het zou met het oog op sneller bijsturen van het productieproces en het verbeteren van de marges voordelig kunnen zijn om ook kunstmatige intelligentie toe te passen. Om deze veronderstelling te testen, werd een beroep gedaan op start-up Brain Creators. Het is oprichter en CEO Jasper van Wognum die uitlegt hoe ze hierbij te werk gingen. “Aanvankelijk wilde Tata Steel de hele dataset ongeclassificeerd aan een neuraal netwerk aanbieden en kijken of hier middels patroonherkenning de classificatie uiteindelijk automatisch kon verlopen. Dit bleek echter geen haalbare kaart, waarop gekozen is voor zogenoemd supervised learning. Hierbij worden afwijkende patronen aangeboden aan de domeinexperts, die het beeld van het bijbehorende label voorzien. Uiteindelijk wordt de gelabelde dataset als trainingsset voor het automatisch herkennen van fouttypen gebruikt. Een variant hierop is het zogenoemde active learning. Hierbij kan de domeinexpert op basis van gerichte queries - denk aan afbeeldingen met vergelijkbare afwijkingen, ondervertegen woordigde klassen of afwijkingen rond de ‘beslissingsgrens’ - labels toekennen. Op deze manier hoeven niet alle afbeeldingen
