De kansen van AI voor chemie

Vraag aan ChatGPT wat AI is, en je krijgt als antwoord: 'Het vakgebied binnen de informatica dat zich richt op het ontwikkelen van systemen en machines die taken kunnen uitvoeren waarvoor normaal gesproken menselijke intelligentie nodig is. (…) AI werkt vaak met technieken zoals machine learning, waarbij algoritmen worden getraind op grote hoeveelheden data om patronen te herkennen en voorspellingen te doen.'

"Ik gebruik als metafoor vaak de auto", zegt Willem Offermans, chemicus en werkzaam als principal engineer bij Sitech, de serviceprovider van chemiesite Chemelot. "De autocomputer verzamelt allerlei data van sensoren, registreert afwijkingen, en kan bijvoorbeeld een combinatie van data interpreteren." Het structureren, visualiseren en analyseren van data, evenals het herkennen van patronen en trends, behoren tot het werk van Offermans. Daarbij kijkt hij ook naar de mogelijkheden van AI.

'We moeten de controle houden over onze data en steviger toezien op hoe wij die willen gebruiken en van de waarde willen profiteren'

AI werkt veel sneller dan de mens en vaak met een kleinere foutmarge. Ook in de procesindustrie, zoals de chemie, kan AI nuttig zijn. Waar standaard software een reeks 'domme' commando's bevat, kan een AI-algoritme verbanden leggen tussen data, deze interpreteren en duiden of zelfs een gebeurtenis voorspellen. Daarvoor zijn zoveel mogelijk data nodig. Data van normaal bedreven chemische installaties zijn er, maar er zijn ook faaldata nodig, zoals van een klep die stroef dicht- en opengaat (vervuiling of aangetast?) of van afwijkende trillingen van een pomp (slijtage van een kogellager?). "Betrouwbare AI moet getraind worden op data die een zo groot mogelijk bereik afdekken", zegt Offermans. "Daarvoor zijn ook faaldata nodig. Deze komen echter minder voor in onze datasets. Je kan ze wel genereren door falen te simuleren. Omdat dit niet mogelijk is in onze fabrieken, bouwen we samen met het Vista college in Sittard een testopstelling die de faaldata gaat genereren." Het project heeft een subsidie ontvangen van het AiNed-programma voor Learning Communities, dat het mkb stimuleert om hun AI-kennis en -kunde te vergroten.

Hoe moeten we ons de testopstelling voorstellen?

Willem Offermans: "Het Vista college heeft een aantal instructieopstellingen staan om studenten te laten werken met stukjes procesinstallatie uit de chemische industrie. Een van die opstellingen gaan we ombouwen tot de testopstelling. Ik ga ervan uit dat we begin 2025 starten."

Hoe worden vervolgens de faaldata gegenereerd?

"De testopstelling heeft, net als een echte chemische installatie, pompen en kleppen met sensoren die data genereren. Om data van bijvoorbeeld een afwijkend functionerende klep na te

bootsen, kun je aan de klep een extra element toevoegen waardoor deze frictie krijgt, wat eigenlijk betekent dat het systeem harder tegen die klep moet duwen. Dat wordt dan geregistreerd in data. Je zou zelfs een vervuilde of aangetaste klep kunnen inbouwen, maar dan ga je wel erg drastisch te werk. Er zijn misschien andere mogelijkheden om frictie te simuleren, en dat is precies het doel van dit project: de studenten daarin meenemen, zodat ze begrijpen waar we in de industrie tegenaan lopen en dat ze op zoek gaan naar manieren om falen na te bootsen. Er zijn meerdere faalmechanismen. Die zijn bekend bij onze experts. Bij elk gaan we na: hoe kunnen we deze simuleren?"

Bijvoorbeeld corrosie van een klep?

"Corrosie kan een oorzaak zijn, maar voor het algoritme is het makkelijker om eerst algemener over afwijkende data te spreken. Als ergens bijvoorbeeld een regelklep vervuild of aangetast is, kan dit zich op een karakteristieke manier uiten in opgenomen data. Het uiteindelijke doel is om datasets te creëren die als basis dienen voor een AI-algoritme dat verschillende data combineert en afwijkingen detecteert, en op grond van de karakteristieken van die afwijkingen kan duiden wat waarschijnlijk het onderliggende faalmechanisme is. Zoals: frictie van een klep. Deze frictie uit zich in afwijkende data. Wat de afwijking veroorzaakt is dan afleidbaar uit de karakteristiek van de data. Of het is een kwestie van verder onderzoek."

In een blog schreef Offermans dat er al commerciële oplossingen bestaan om op grond van data van klepstandstellers (die de regelkleppen besturen en over data beschikken over bijvoorbeeld de gezondheid van de klep) of regelkringen (die een procesvariabele, zoals druk, debiet, temperatuur en niveau, binnen een gewenst bereik houden) de status van de klep te bepalen. Dit zijn echter puntoplossingen voor en door een specifieke aanbieder van sensoren. De procesdata van de verschillende aanbieders kunnen niet zonder meer worden samengevoegd, omdat ze te gefragmenteerd zijn. De uniformiteit ontbreekt. Dit is funest voor schaalbaarheid en het combineren van data van heel verschillende bronnen.

Hoe lossen we dit op?

"Er is behoefte aan een open technische standaard. Neem een pomp. Die wordt geproduceerd door een fabriek, die daar een stapeltje pdf's met de benodigde informatie bij levert. Daarna krijg je een keten van bedrijven - van de leverancier en de contractor die de pomp moet installeren tot de eindgebruiker - die data van en over de pomp op verschillende manieren met elkaar delen. Dat kan voor onduidelijkheden zorgen. Veel beter zou zijn als de producent van de pomp al begint met data op een gestructureerde wijze op te slaan. Dit is op EU-niveau nu ook in ontwikkeling, in de vorm van een Digital Twin op basis van een open standaard: Asset Administration Shell. Een Digital Twin is een digitale representatie van een product. De Asset Administration Shell is de standaard die eronder ligt. Vergelijk het met Word. Als we iets willen schrijven, schat ik dat negentig procent van de mensen het Microsoft Word-programma opstart en begint te tikken. Zo wil je ook dat bedrijven hun handleidingen, certificaten, specificaties en dergelijke op een uniforme wijze vastleggen, door de Asset Administration Shell te openen en te gaan 'tikken' en de informatie daarin op te slaan. Als het dan naar de eindgebruiker gaat, krijgt die de hele datastructuur, en kan ook zijn onderhoudsdata eraan toevoegen. Alle aan die pomp gelinkte informatie sla je dus gedurende de hele levensduur van de pomp op een gestructureerde wijze op. Daarmee komt data beter beschikbaar voor alle stakeholders."

'Betrouwbare AI moet getraind worden op data die een zo groot mogelijk bereik afdekken'

Hoe ver is dit gevorderd?

"Met name de industrie en overheid in Duitsland trekken hieraan. Een heikel punt is nog dat je met elkaar duidelijke afspraken moet maken over het delen van data. Wie mag wat, en wanneer, en hoe lang? En kun je data vertrouwen? Daar moet geen enkele twijfel over bestaan. Je wilt data ownership inbouwen: als jij bepaalde data creëert, ben jij de eigenaar en bepaal jij wat ermee gebeurt. De EU heeft een initiatief, Gaia-X, gelanceerd om dit te regelen. Er wordt nog meer geregeld: wat voor protocollen gebruik je om data met elkaar te delen? Dit is uiteindelijk allemaal nodig om AI betrouwbaar, snel en massaal van de grond te krijgen. Hoe betrouwbaarder en betekenisvoller de data, hoe beter de algoritmes. En hierbij moeten we ons behoeden voor Microsoft- en de Google-toestanden. Stel je hebt als bedrijf heel veel data op het gebied van trillingen gegenereerd, en die ook netjes geannoteerd. Je hebt er tijd en geld in gestoken, en wilt daar ook voor betaald krijgen. En dan komt zo'n Silicon Valley-bedrijf dat, zonder eerst af te rekenen, zegt: 'Dankjewel, daar ga ik leuke dingen mee doen'. We moeten de controle houden over onze data en steviger toezien op hoe wij die willen gebruiken en van de waarde willen profiteren. Daar is de EU heel erg op gespitst."

Menigeen ziet in AI ook een gevaar. Wat vind je van de angst dat AI de mens uiteindelijk overbodig maakt?

"In de procesindustrie kan AI ervoor zorgen dat processen efficiënter, met minder verstoringen van het productieproces, verlopen. En ook veiliger. Maar een zelfsturende chemische fabriek zonder menselijk toezicht? Daar geloof ik niet in. Het is een risico-inschatting: bij een zelfrijdende auto gaat het - hoe erg ook - altijd om een relatief beperkte impact met een beperkt aantal potentiële slachtoffers, bij een chemische fabriek is de ramp, als het fout gaat, meestal vele malen groter. Er zal daarom altijd een mens achter de knoppen nodig blijven."

Wanneer verwacht je de eerste toepassing van AI op basis van de samenwerking tussen Sitech en het Vista college?

"Je weet bij dit soort onderzoek nooit waar je zoal tegenaan loopt. Ik kan alleen zeggen wat ik hoop: dat we over twee jaar een algoritme hebben. Niet voor alle faalmechanismen, maar wel voor een redelijk aantal.We gaan onze klanten dan aanbieden om het algoritme te gebruiken om falen van kleppen te voorkomen."

Public link

Please use the above public link if you want to share this noodl on another website.