Tiny Machine Learning maakt grote stappen

in voorspellend onderhoud

Het begrip 'Tiny Machine Learning' wint snel aan populariteit. En niet zonder reden. In principe gaat het hier om 'machine learning' zoals we dat al langer kennen: een combinatie van software en hardware waarmee 'big data' zijn te analyseren. TML onderscheidt zich van dit concept doordat de bijhorende kosten aanzienlijk lager zijn. De sensor die een relevante parameter meet, is namelijk direct gekoppeld aan een microchip waarop het benodigde algoritme draait. Hierdoor wordt lokaal bepaald of een bepaalde meetwaarde interessant genoeg is om door te sturen. Zo niet, dan bespaart de gebruiker de energie voor de datatransfer. En die besparing kan oplopen.

Voorspellen met data

Al jaren geleden waren technici zich bewust van de mogelijkheden die grote hoeveelheden data bieden voor bijvoorbeeld het monitoren van machines en installaties. Door technische ontwikkelingen – waaronder steeds goedkopere sensoren en een groeiende rekenkracht van computers – was het in de afgelopen jaren mogelijk om deze ideeën daadwerkelijk vorm te geven en in de praktijk toe te passen.

De bijbehorende verwachtingen zijn vervolgens op vele vlakken uitgekomen: een goede analyse van de juiste data leidt inderdaad tot meer inzicht in de werking en het gedrag van machines en installaties. Hiermee ontstaan mogelijkheden om de onderhoudsbehoefte steeds beter te voorspellen of calamiteiten te voorkomen. So far so good.

Energieverbruik

Ondertussen is de werking van data-analyse reeds ruimschoots aangetoond. De vraag is niet meer óf we het moeten toepassen, maar vooral hoe. Er is nu ruimte om de beperkingen van 'machine learning' nader te beschouwen en verbeteringen te ontwikkelen, zodat data-analyse nog breder, beter en goedkoper is toe te passen en toegankelijker wordt voor meer partijen.

Een van de belangrijkste bottlenecks van de dataverzameling en -analyse zoals we deze nu kennen, is het relatief hoge energieverbruik. Dit ligt vooral in het verzenden van álle gemeten data naar de cloud, waarna krachtige computers nodig zijn om deze gegevens te verwerken en analyseren. Dit is voor veel bedrijven een drempel om met data-analyse en voorspellend onderhoud aan de slag te gaan, of pilots op te schalen. Zeker nu de energieprijzen zo hoog zijn.

Tiny Machine Learning

Een van de oplossingen zou kunnen liggen in het opkomende 'Tiny Machine Learning'. Het gaat hier niet zozeer om een nieuwe technologie, maar om het gebruik van andere componenten in het bestaande concept van 'machine learning'. Het hart van de oplossing betreft het gebruik van de zogenaamde 'edge microcontrollers'. Dit zijn hele kleine computers die direct te koppelen zijn aan een willekeurige sensor. Ze draaien ook het algoritme dat de metingen van de sensor beoordeelt.

Kenmerkend voor deze microcontrollers is het bijzonder lage energieverbruik – meestal in het mW-bereik en lager – waardoor een hele kleine batterij al voldoende is om de sensor een machineleven lang zijn werk te laten doen. Direct op locatie; zonder de noodzaak de data door te sturen naar een cloud en een grote computer in te zetten voor de analyse.

Werking

De werking is eenvoudig. Relevante sensoren met deze edge microcontrollers worden op relevante punten op een machine of installatie aangebracht, of op een willekeurig element wanneer het om metingen in de ruimte gaat. Hier meten zij de gewenste parameter – bijvoorbeeld trillingen of geluid – waarna het algoritme op de microcontroller bepaalt of de gemeten waarde om actie vraagt of niet. In het laatste geval wordt de meting weer verwijderd.

Het hart van de oplossing betreft het gebruik van de zogenaamde 'edge microcontrollers'

Wanneer de waarde echter 'alarmerend' is, omdat hij een bepaalde grens overschrijdt, wordt een signaal gecreëerd om de eigenaar op de hoogte te brengen. Veelal worden deze waarden doorgestuurd, waarmee op een centraal punt de 'faaldata' worden verzameld die een belangrijke basis vormen voor voorspellend onderhoud.

Het feit dat de sensoren eenvoudig zijn te installeren en het energieverbruik drastisch lager is, maakt TML 'het geavanceerde machine learning'. Hiermee wordt voorspellend onderhoud ook toegankelijk voor kleinere bedrijven.

Aan de slag

Onder meer Techport is met Tiny Machine Learning aan de slag gegaan door André Gerver aan te nemen als 'Kwartiermaker'. Hij heeft een ideale achtergrond en ervaring rond big data en de praktische toepassing ervan in het bedrijfsleven.

"Bij Techport ligt een focus op verschillende thema’s, waaronder voorspellend onderhoud, data-intelligence en energiebesparing. Dit komt allemaal bij elkaar in TML. Voldoende redenen dus om ermee aan de slag te gaan", geeft Gerver aan.

PRAKTISCH EN PRAGMATISCH

Techport is een organisatie die scholen, bedrijven en de overheid in de Metropoolregio Amsterdam met elkaar verbindt om zo de toekomst van de maak- en onderhoudsindustrie maximaal te kunnen vormgeven. Juist omdat er met scholen en bedrijven wordt samengewerkt, is de insteek van Techport vooral praktisch en pragmatisch. Ook bij TML.

Gerver: "Het concept met de edge microcontrollers is inmiddels ver genoeg uitontwikkeld om toe te passen. Het is nu vooral een kwestie van veel proberen en te leren van de resultaten. We zijn dan ook bezig met het opzetten van zogenaamde 'use cases' – altijd in samenwerking met studenten van de HvA, Hogeschool InHolland, VU en/of NovaCollege – om de mogelijkheden van TML binnen het MKB te onderzoeken."

Met TML wordt voorspellend onderhoud ook toegankelijk voor kleinere bedrijven

Eén case is inmiddels afgerond, een andere loopt op dit moment en twee cases starten binnenkort. "Hiermee kunnen we bedrijven helpen het energieverbruik te verlagen, maar ook om 'smart maintenance' laagdrempeliger te maken voor het MKB. Een derde aandachtspunt is het verbeteren van de veiligheid binnen bedrijven en het voorkomen van geluids- of geurhinder. De mogelijkheden hiervoor zijn nog ongekend. Persoonlijk beschouw ik TML echt als 'holy grail' van het voorspellend onderhoud", aldus de Kwartiermaker.

Use cases

De afgeronde case is uitgevoerd bij Montarent; fabrikant en verhuurder van torenkranen. Dit bedrijf wil haar klanten wereldwijd ondersteunen bij het bepalen van het juiste moment om preventief onderhoud aan de kraan uit te voeren. Het plaatsen van edge microcontrollers die het aantal werkuren registreren, kan hierin van betekenis zijn. Hiertoe zijn er testen gedaan met de kraanhaak: wanneer deze hard op de grond terechtkomt, kan dit schade veroorzaken. Door dit te detecteren, zijn klanten achteraf aan te spreken op deze schade.

De use case die momenteel loopt, betreft een bedrijf in de buurt van Techport waar geluidsoverlast voor de omgeving de aandacht heeft. Op dit terrein zijn op relevante locaties sensoren geplaatst die uitsluitend het geluidsniveau meten. Een eerste stap is het lokaliseren van geluid: waar komt het vandaan en welke maatregelen zijn hiertegen te nemen? Daarbij zijn de sensoren zelflerend en steeds beter in staat om eigen geluidsoverlast te onderscheiden van bijvoorbeeld wind of geluiden die van buiten het terrein komen. De data zijn tevens te gebruiken om stakeholders te informeren en uiteindelijk natuurlijk om geluidsoverlast te voorkomen.

Geavanceerde datatechnologie, maar dan betaalbaar

Problemen oplossen

"Naast het lokaliseren, zijn in volgende stappen nog meer toepassingen te vinden voor de geluidssensoren. Bijvoorbeeld het genereren van een waarschuwing wanneer metingen een bepaalde grens overschrijden. Het is vervolgens aan de gebruiker wat hij hiermee doet. Als het om een enkel signaal gaat, kan hij het laten voor wat het is. Als de geluidsoverlast aanhoudt, heeft hij direct inzicht op welke locatie het geluid voor overlast zorgt", geeft Gerver aan.

"Deze eenvoudige metingen geven hem enerzijds inzicht in de probleemlocaties, maar anderzijds ook in de mogelijke oorzaken. Bijvoorbeeld een openstaande deur, waarbij de oplossing vervolgens eenvoudig is: houd de deur dicht, en voorzie hem van een dranger of een sensor die aangeeft wanneer de deur openstaat."

Toekomst

Dit zijn slechts twee concrete voorbeelden waarmee snel en laagdrempelig voordeel is te behalen.

Anomaliedetectie

"Op dit moment zijn we bezig met het zoeken en inrichten van nog veel meer use cases. Daarbij richten we ons vooral op anomaliedetectie. Dit is een strategie die wordt gebruikt om vreemde voorbeelden te herkennen die niet passen bij het verwachte gedrag van een machine of omgeving. Daarbij kun je je richten op geluid, de aanwezigheid van personen en in het kader van onderhoud op onder meer temperatuur, trillingsniveau, druk, aantal bedrijfsuren, aantal start/stops enzovoort", stelt Gerver.

"Door de edge microcontroller zijn echter ook complexere signalen te verwerken, zoals deze die door een visiesensor worden verzameld; een veelgebruikte manier in het kader van kwaliteitscontrole. In alle gevallen geldt dat de sensor door het algoritme op de edge controller steeds beter leert wanneer het om een anomalie gaat of niet. Zoals eerder aangehaald, willen we met deze use cases expliciet data verzamelen van storingen. Belangrijk, omdat we in de praktijk vaak niet beschikken over deze gegevens, terwijl juist met deze 'gelabelde data' onderhoud beter is te voorspellen."

Ideeën, sparren?

Gerver: "Binnenkort starten we met twee use cases bij Hilton Foods Holland en Biscuit International, en we zijn dus altijd op zoek naar nog meer nieuwe toepassingen. Daarnaast komen we graag in gesprek met bedrijven die ideeën hebben of geïnteresseerd zijn in het opdoen van ervaring en kennis op dit nieuwe terrein. Neem in alle gevallen gerust contact op via andre.gerver@techport.nl, zodat we kunnen sparren."