AI in de procesindustrie

In de procesindustrie maak je een product in een continu proces of in batches, zoals in voeding, chemie, papier, drinkwater en energie. AI helpt daar op drie plekken: een waarde schatten die je nu alleen in het lab meet, instellingen beter kiezen en storingen eerder zien aankomen.

De basis is bijna altijd de procesdata die er al is. Het hoort bij de AI-toepassingen die we bouwen. Voor opwek en netten lees je meer bij data en AI voor de energiesector.

Een soft sensor is een model dat een moeilijk meetbare procesgrootheid, zoals een concentratie of viscositeit, schat uit metingen die wel continu binnenkomen, zoals temperatuur, druk en debiet. Een overzichtsstudie van Kadlec, Gabrys en Strandt (Computers and Chemical Engineering, 2009) noemt soft sensors een waardevol alternatief voor het meten, bewaken en regelen van kritieke procesvariabelen.

De valkuil zit in de tijd: een labuitslag hoort bij het moment van monstername, niet bij het moment van invoeren. Wie dat verwisselt, traint een model op de verkeerde procestoestand.

Meestal de tags uit de historian, die het procesbesturingssysteem of SCADA vullen, de labuitslagen uit het LIMS, en storingen en werkorders uit het onderhoudssysteem. Het ISA-95-model deelt een bedrijf in lagen in, van de apparatuur op de vloer tot ERP, met MES en SCADA daartussen.

We halen de data uit die lagen samen op een data- en AI-platform, vaak via de historian of een koppeling op OPC UA, de platformonafhankelijke standaard voor industriële data-uitwisseling.

De OT-omgeving, de netwerken en systemen die de installatie besturen, is meestal afgeschermd van het kantoornetwerk, en dat moet zo blijven. De ISA/IEC 62443-reeks beschrijft eisen en processen om industriële automatiserings- en besturingssystemen digitaal veilig te houden.

We lezen daarom niet rechtstreeks uit de besturing, maar uit een kopie van de historian of een koppeling die je OT-beheer goedkeurt. Een model dat alleen adviseert, hoeft niet terug te schrijven naar de besturing.

In een continu proces legt één pomp, compressor of warmtewisselaar soms de hele lijn stil. Een onderhoudsmodel volgt signalen als trilling, temperatuur en drukval, en leert uit de storingshistorie welke patronen aan een storing voorafgaan. Bij een warmtewisselaar zie je vervuiling vaak aan een langzaam stijgende drukval.

Voor Fokker Services combineerden we onderhoudsdata, sensordata en operationele gegevens tot een model dat laat zien wanneer onderhoud echt nodig is. Meer over de aanpak lees je bij predictive maintenance.

Dat hangt af van wat het model doet. De AI-verordening rekent AI die een veiligheidscomponent is bij de levering van water, gas, verwarming of elektriciteit tot hoog risico. Een soft sensor die de operator adviseert, is iets anders dan een model dat zelf een kering of klep bedient.

Of jouw toepassing onder hoog risico valt, beoordeelt je jurist of compliance-afdeling. Wij helpen inventariseren en de risico-indeling voorbereiden; de tijdlijn staat bij AI Act.

Een andere grondstof, een vervangen sensor of een nieuwe reinigingscyclus verschuift de data, en een model dat dat niet merkt, schat ongemerkt verkeerd. Daarom bewaak je modellen in productie. Voor Rijkswaterstaat bouwden we een generieke package voor drift- en outlierdetectie.

Voor Waternet zetten we een MLOps-workflow op met een MLflow model registry en CI/CD-templates, zodat code en modellen via een vaste route in productie komen. Meer bij MLOps en beheer en doorontwikkeling.

Als een goed ingestelde regelaar of een extra labmeting de vraag al oplost, of als de historie niet te koppelen is aan labuitslagen en storingen. Dan begin je bij de regeling, de data of een Power BI-dashboard, en dat zeggen we ook.

Maak je losse producten op een lijn in plaats van een product in een proces, dan liggen de vragen anders. Kijk dan bij de AI-scan voor de maakindustrie.