Het complexe vraagstuk rondom system level diagnostics

Het complexe vraagstuk rondom system level diagnostics Door: FHI, Federatie van Technologie Branches

De high-tech industrie schuift langzaam maar zeker naar een situatie waarbij steeds complexere machines en systemen moeten worden onderhouden. Carmen Bratosin, Senior Research Fellow bij TNO en werkzaam bij het ESI-programma, vertelt tijdens het Design Automation & Embedded Systems event meer over de opkomst van modellen die voorspellingen maken op systeemniveau.

Door: Dimitri Reijerman

Het expertise team bij ESI richt zich op diverse diagnostische vraagstukken, vertelt Bratosin aan FHI: “Veel systemen worden steeds complexer. Ons onderzoek bij ESI doen we samen met onze partners, waaronder ASML, Philips, Cannon en Thales. De oude manier om onderhoud en diagnoses uit te voeren, door het gehele systeem door te lichten, werkt niet goed meer. Ook bestaande AI-technologie in dit gebied werkt in de praktijk vaak niet goed. Dat komt omdat je een machine niet wil laten vastlopen om data te verzamelen, waardoor er onvoldoende data is over storingen van een specifieke machine.”

ESI kijkt onder andere naar digital twins, maar ook naar andere modellen om storingen te voorspelen en te voorkomen: “Een mogelijkheid is om een op kennis gebaseerd model te gebruiken, model driven system engineering”, zegt Bratosin. “Daarbij wordt een systeem gebouwd op basis van een model. Deze modellen worden constant geverifieerd en bijgeschaafd. De vraag is of je deze modellen ook kunt inzetten voor het uitvoeren van diagnostische taken. Daar houden we ons bij ESI met onze partners mee bezig.”

“Momenteel hebben we twee projecten lopen. Je kunt bijvoorbeeld uit elektrische schema’s een model genereren dat toepasbaar is bij storingen in het werkveld. Dit is nog op prototype-niveau, maar het kan een monteur helpen bij het achterhalen van een storing. Dit geeft ons voldoende vertrouwen dat deze methode werkt. De vraag is nu of we deze methodiek kunnen doortrekken tot systeemniveau, tot op de schaal van een complexe ASML-chipmachine.”

Problemen om op te lossen
“De uitdaging is om de fysieke relaties in de machines vast te leggen maar om dat niet te doen in een fysiek model. Daar zijn de machines eenvoudigweg te complex voor”, zegt Bratosin. “De grote vraag is dus tot op welk niveau je moet abstraheren. We bekijken bovendien of deze modellen ook bruikbaar zijn op andersoortige machines. Daarvoor moeten we projecten met andere partners gaan uitvoeren.”

“We zien dat er internationaal veel belangstelling is voor predicitive maintenance. Je zou het zelfs een hype kunnen noemen. Maar veel bedrijven die daar oudere AI-algoritmen voor gebruikten, zijn inmiddels verdwenen. Wij horen ook van onze partners dat zij ontevreden zijn over deze technieken.”

Minder e-waste
“Met deze technologie willen we ook helpen aan verdere vergroening”, legt de onderzoeker uit. “Bij veel storingen worden meerdere onderdelen vervangen, terwijl die later uiteindelijk niet defect blijken te zijn. Hierdoor ontstaat veel e-waste. Met de first time right-methode kun je sneller en goedkoper repareren met een minimaal aantal aanpassingen.”

Bratosin zal tijdens haar lezing duidelijk willen maken dat er oplossingen in zicht zijn: “Uiteindelijk wil ik tijdens mijn presentatie duidelijk maken dat het steeds moeilijker wordt om complexe systemen te onderhouden. Maar door ontwikkelingen op het gebied van deep learning en graph reasoning zijn er oplossingen in zicht. Samen met onze partners werken wij daar aan.”

Wilt u deze lezing bijwonen? Registreer u kosteloos voor een bezoek aan het D&E event 2021.