Meer grip op staalkwaliteit

tata

Tata experimenteert met kunstmatige intelligentie

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 en zien veel optimalisatiekansen voor de industrie.

“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 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 onderscheiden en te herleiden naar de oorzaak om deze vervolgens aan te kunnen pakken.”

defect samples

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 beeldenberg 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 beeldaquisitie detecteert het achterliggende systeem de anomaliteiten en markeert de bijbehoren region of intrest. De classificatie van aangemerkte beelden is de taak van ervaren kwaliteitscontroleurs. Zij geven elke gedetecteerde fout op basis van een beslissingsboom 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: de ene controleur is de ander niet en er is altijd de factor interpretatie. Voor een ander deel is bias inherent aan het werken met een beslissingsboom. Want wordt ergens tijdens het beslissingstraject abusievelijk een verkeerde vertakking gekozen, dan kom je per definitie nooit meer bij de juiste fout terecht.”

steel images

Mens-in-de-loop

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 - na 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 domein-­experts, die het beeld van het bijbehorende ­label voorzien. Uiteindelijk wordt de gelabelde dataset als traningsset 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, ondervertegenwoordigde klassen of afwijkingen rond de ‘beslissingsgrens’ – labels toekennen. Op deze manier ­hoeven niet alle afbeeldingen doorlopen te worden, maar kan gericht de geclassificeerde dataset worden opgebouwd.”

Intelligente voordelen

Zowel Van Wognum als Bernard zien veel ­potentiële voordelen van de aanpak. “In totaal hebben we zo’n twintig lijnen waar 5 ploegen van elk 5 controleurs de kwaliteit van ons staal bewaken”, schetst Bernard de huidige praktijk. “En hoewel we de tussenresultaten nu nog aan het evalueren zijn, valt te verwachten dat als al deze lijnen kunstmatig intelligent ondersteund worden, we meer output van een betere kwaliteit kunnen leveren. De prijs - die zoals altijd onder druk staat - is namelijk afhankelijk van de kwaliteit, uitgedrukt in het aantal fouten per coil. Ook leidt een vroegere detectie van fouten die ontstaan door afwijkingen in productiemiddelen ertoe dat we sneller en gerichter kunnen bijsturen. Dit is beter voor de machines, maar voorkomt ook het moeten repareren en overwikkelen van rollen met te veel fouten. En omdat alles software is, is het schaalbaar en minder gevoelig.” Bernard verwacht zelfs bepaalde problemen ten gevolge van ruis - bijvoorbeeld door verontreinigingen en veranderend licht - deels met kunstmatige ­intelligentie te kunnen ondervangen.

steel manufacturing

Industriekansen

Van Wognum vult aan dat kwaliteitscontrole slechts één van de domeinen is waar kunstmatige intelligentie - hij noemt het liever gewoon automatisering met machine learning - van toegevoegde waarde kan zijn. Dat geldt voor Tata Steel, maar ook voor tal van andere fabrikanten. “Kunstmatige intelligentie is geen ­panacee dat je overal op kunt plakken. Wat werkt hangt sterk af van de business case. Welke informatie wil ik boven water krijgen? En waar wil ik deze voor gebruiken? Om te informeren of om te beslissen? In het laatste geval; begeef je je in het spanningsveld tussen deterministische en probabilistische informatie. Een heet hangijzer in bijvoorbeeld de medische wereld als je CT-scans gaat analyseren. Tegelijkertijd moet je hier ook realistisch in zijn. Want welke mens heeft objectief gezien in 99,99 procent van de gevallen gelijk?”

BrainMatter

Voortbordurend op het systeem dat Brain Creators voor Tata Steel ontwikkelde, werkt de AI-expert momenteel aan Brainmatter. Zelf beschrijft oprichter Van Wognum het als een soort Wordpress voor classificatieprojecten: een framework vol templates en modules met een intuïtieve gebruikersinterface. Het is daarmee een tool waarmee ook niet-experts hun ongestructureerde datasets eenvoudig kunnen classificeren. Welke algoritmes er vervolgens gebruikt worden om tot de gewenste output te komen, hangt af van de toepassing. Vooralsnog is de hiervoor beschikbare bibliotheek nog beperkt. Maar met het groeien van de gebruikerscommunity, zal dit aantal snel toenemen. Braincreators wil namelijk niet primair de maker van dergelijke algoritmes zijn, maar ­bedrijven leren deze zelf te maken. Zij kennen hun processen zelf het beste en weten waar het laaghangende fruit hangt. Om ze hiermee op weg te helpen, startten ze onlangs ook de AI in Practice Academy.