AI maakt ‘domme’ processen slim: transformatie van niet-verspanende bewerkingen

AI was lang het domein van hightechbedrijven en verspanende bewerkingen. Maar tegenwoordig worden ook traditionele processen zoals buigen, lassen, persen en smeden steeds vaker bestuurd door kunstmatige intelligentie. Wat betekent dat in de praktijk? En wat kunnen we verwachten?

In de maakindustrie draait het steeds vaker om data. Van sensoren in machines tot digitale tweelingen van hele productielijnen, de moderne fabriek is een bron van informatie. En waar data is, kan kunstmatige intelligentie (AI) zijn werk doen. De laatste jaren heeft AI zich in rap tempo ontwikkeld van buzzwoord tot gereedschap. Niet alleen in hightechsectoren, maar juist ook in de ‘klassieke’ productieomgeving, zoals bij niet-verspanende bewerkingen. ‘Niet-verspanend’ klinkt voor leken misschien vaag, maar het gaat om al die processen waarbij geen materiaal wordt weggenomen, maar juist gevormd, verbonden of opgebouwd. Denk aan lassen, smeden, gieten, persen, dieptrekken of additive manufacturing (zoals 3D-printen). Deze processen zijn vaak lastig voorspelbaar en sterk afhankelijk van ervaring en vakmanschap. Precies daar biedt AI uitkomst.

Wie denkt dat AI in de fabriek vooral draait om robots, grijpt mis. “AI is niet hetzelfde als automatisering”, zegt professor Robert Gao, een van de auteurs van een toonaangevend reviewartikel over AI in de maakindustrie. “Het gaat er niet om mensen te vervangen, maar om systemen slimmer te maken.” De inzet van AI in niet-verspanende processen vindt op verschillende niveaus plaats: in het ontwerp en de planning van productiesystemen, in het real-time sturen en optimaliseren van processen, bij kwaliteitscontrole en onderhoud, en in de samenwerking tussen mens en machine. Elk niveau kent zijn eigen uitdagingen en zijn eigen doorbraken.

Logica van het productieproces

Bij het ontwerpen van productielijnen helpt AI inmiddels om complexe systemen overzichtelijk te maken. Hiervoor worden technieken als ontologieën, knowledge graphs en grafische neurale netwerken (GNN’s) gebruikt. Die leggen de logica van het productieproces vast in digitale modellen die bruikbaar zijn voor zowel mensen als machines. Zo’n model geeft bijvoorbeeld inzicht in de onderlinge afhankelijkheden van bewerkingen, materiaalstromen en machinebelasting.

Voor het plannen van productieroutes en het indelen van machines op de vloer worden reinforcement learning-algoritmes ingezet; dat zijn zelflerende systemen die door trial-and-error leren hoe ze de efficiëntie kunnen maximaliseren. Een bekend voorbeeld is de inzet van deep Q-learning om machines optimaal te positioneren met zo min mogelijk intern transport. Hierdoor kan de indeling van een productielijn dynamisch worden geoptimaliseerd, afhankelijk van de actuele productiebehoefte.
Ook digitale tweelingen zijn niet meer weg te denken. Een digital twin is een virtuele kopie van een productielijn of machine, die live wordt bijgewerkt met sensordata. Zo kun je aanpassingen eerst virtueel testen, zonder fysiek risico of kosten. Digitale tweelingen worden ook ingezet voor simulaties van scenario’s bij plotselinge verstoringen, bijvoorbeeld in de toeleveringsketen.

AI aan de lijn

Niet-verspanende processen worden sterk beïnvloed door materiaalvariatie, temperatuur, krachten en snelheid. Een kleine afwijking in het begin kan later leiden tot scheuren, vervormingen of afkeur. AI helpt om die fouten vroeg te herkennen én te corrigeren. En dat maakt het verschil tussen een product dat direct de vrachtwagen in kan, en een product dat terug de fabriek in moet. Een concreet voorbeeld komt uit de wereld van additive manufacturing. Hier analyseren AI-modellen het smeltbad met camera’s en sensoren. Ze detecteren afwijkingen in de smelttemperatuur of vorm van het smeltbad en sturen direct bij. Ook bij lassen, dieptrekken en gieten worden AI-technieken gebruikt om in real-time de procesparameters aan te passen, zodat de kwaliteit consistent blijft.

Bij het ontwerpen van opspansystemen (fixtures) worden AI-modellen ingezet om trillingen te minimaliseren en de nauwkeurigheid te verbeteren. In plaatbewerking voorspellen deep learning-netwerken of een onderdeel gaat scheuren voordat dat gebeurt. En dat zonder handmatige inspectie; het model leert zelf op basis van duizenden eerdere bewerkingen. Daarnaast maakt AI het mogelijk om snel nieuwe producten of varianten te produceren zonder langdurige insteltijden. Dankzij AI-ondersteunde procesplanning kunnen parameters automatisch worden aangepast op basis van de gewenste specificaties van het eindproduct. Daardoor neemt de flexibiliteit van productie sterk toe.

Onderhoud wordt voorspellend

AI helpt ook bij het onderhoud van machines. In plaats van preventief (op vaste momenten) of reactief (na een storing), schakelen steeds meer bedrijven over op voorspellend onderhoud. Machine learning-modellen analyseren trillingsgegevens, temperatuurmetingen of stroomverbruik en voorspellen wanneer een onderdeel waarschijnlijk uitvalt. Zo kunnen monteurs precies op tijd ingrijpen en blijft de productielijn draaien. Een voorbeeld: bij lagers in een pers herkent een AI-model afwijkende trillingpatronen, lang voordat de operator het merkt. Dit voorkomt dure schade en onverwachte stilstand. Ook het energiegebruik van machines wordt steeds vaker geoptimaliseerd met behulp van AI. In één studie werden drie AI-algoritmes (waaronder Random Forest en AdaBoost) getraind om het energiegebruik van CNC-machines te voorspellen – met verrassend nauwkeurige resultaten.

Slimme samenwerking

AI speelt verder een rol in de interactie tussen mens en machine. Zo helpen cobots (samenwerkende robots) bij montage of lassen. Dankzij AI leren deze robots van menselijke operators: hoe ze een onderdeel vasthouden, hoe snel ze moeten bewegen, of wanneer ze even moeten wachten. Hierdoor wordt het werk veiliger en prettiger, en leren mens en robot tegelijk. Een ander voorbeeld zijn multi-agentsystemen. Daarbij nemen meerdere machines of systemen zelfstandig beslissingen op basis van gedeelde doelen. Deze samenwerking, gestuurd door AI, maakt een flexibele en gedecentraliseerde productie mogelijk. Dat is vooral relevant in fabrieken die meerdere kleine series produceren.

Federated learning, een relatief nieuwe AI-aanpak, maakt het mogelijk om AI-modellen te trainen op data uit verschillende fabrieken, zonder dat die data centraal hoeft te worden verzameld. Dit is interessant voor bedrijven die met vertrouwelijke gegevens werken, maar wel willen profiteren van gezamenlijke kennis.
AI wordt steeds beter in visuele inspectie. In additive manufacturing worden U-Net-convolutionele netwerken gebruikt om oppervlaktedefecten te herkennen. Deze netwerken kunnen afwijkingen in vorm, kleur of textuur identificeren die voor het menselijk oog nauwelijks zichtbaar zijn. Dankzij federated learning kunnen deze modellen bovendien slimmer worden, door samen te leren van meerdere locaties, zonder gevoelige data uit te wisselen. En als er te weinig voorbeelden van fouten beschikbaar zijn om het AI-model mee te trainen? Dan worden Generative Adversarial Networks (GANs) ingezet. Die kunnen synthetische foutbeelden genereren – net echt – zodat het AI-model toch robuust wordt. Zo wordt zelfs een zeldzame lasscheur onderdeel van het leerproces.

Leren van onbekende

Een belangrijke uitdaging blijft het interpreteren van AI-uitkomsten. Wat als het model zegt dat een onderdeel afgekeurd moet worden, maar niemand weet waarom? Daarom wint explainable AI terrein. Daarbij wordt visueel gemaakt waarop het model zijn beslissing baseert. Denk aan een hittekaart die laat zien welk gebied van een afbeelding leidde tot de afkeur. Zo ontstaat vertrouwen én controle. Daarnaast werken onderzoekers aan zogeheten physics-informed AI: modellen die niet alleen goed voorspellen, maar ook voldoen aan natuurkundige wetten. Dat maakt ze betrouwbaarder en inzetbaar in processen waar veiligheid en consistentie essentieel zijn.

AI is ook in staat om inzichten te halen uit onvolledige of inconsistente data. In een studie naar productieplanning in een halfgeleiderfabriek werd AI ingezet om op basis van slechts gedeeltelijke en soms tegenstrijdige data een betrouwbaar model van het productieproces te reconstrueren. Dit werd mogelijk gemaakt door technieken als process mining en zelflerende systemen. Zulke toepassingen zijn essentieel in een wereld waarin fabrieken steeds vaker te maken krijgen met complexe supply chains en onvoorspelbare marktvraag.

Daarnaast kunnen AI-modellen ook worden ingezet als zogeheten surrogate models: versimpelde rekenmodellen die complexe simulaties vervangen. Hierdoor kunnen plannings- en optimalisatieproblemen in veel minder tijd worden opgelost. Denk aan het snel vinden van de ideale temperatuurcyclus bij het uitharden van composieten, of het bepalen van de optimale klemkracht in een plaatpers.

Wat komt er nog aan?

De volgende stap? Generatieve AI die zelf nieuwe processen ontwerpt. Denk aan een AI die op basis van productspecificaties een fixture ontwerpt, inclusief simulatie en kostenraming. Of generalistische AI-modellen die over verschillende productielijnen en bewerkingen heen leren en optimaliseren. Zo ontstaan adaptieve productiesystemen die meebewegen met de klantvraag én de beschikbaarheid van machines, materialen en mensen.

Er zijn zelfs al experimenten met AI-systemen die nieuwe materialen voorstellen op basis van gewenste eigenschappen, iets dat het ontwerp van producten fundamenteel kan veranderen. Denk aan een AI die een nieuw type lichtgewicht legering aanbeveelt op basis van mechanische vereisten en maakbaarheid.

Niet-verspanende processen zijn lang gezien als robuust maar star. Dankzij AI worden ze nu flexibel, voorspelbaar en aanpasbaar. Wat vroeger ambacht was, is nu een geoptimaliseerd, digitaal gestuurd proces. Wie deze digitale slag weet te maken, bouwt aan een concurrerende en toekomstbestendige maakindustrie. De sleutel? Niet blind vertrouwen op technologie, maar investeren in datakwaliteit, uitlegbaarheid en de juiste koppeling met de praktijk.