Steeds vaker komt Machine Learning of Artificial intelligence in het nieuws als de oplossing voor een probleem. Uiteraard kan het niet alle problemen oplossen maar er is veel “laag hangend fruit”. De kern van Machine Learning zit in het kunnen verwerken en begrijpen van grote hoeveelheden data en de verbanden van die data onderling. Een aantal praktische voorbeelden:
- Gebruikmakend van een energiebalansmodel kan bijvoorbeeld een stoom systeem of warm waternet geanalyseerd worden. Op basis van historische data wordt automatisch een model gemaakt die overeenkomt met de werkelijkheid. Afwijkingen in het model t.o.v. de werkelijkheid zijn waardevol om te onderzoeken. Zo kan het verhoogde warmteverbruik van een specifieke machine overeenkomen met de werktijden van een operator of met een verhoogde stoomdruk. Deze informatie kan cruciaal zijn voor het verlagen van het energieverbruik. Ook kan er naar de positieve afwijkingen gekeken worden; wat houdt verband met het zuinige gedrag van machine x in maand y?
- Alle soorten gemeten waarden over de tijd kunnen aangevoerd worden, niet alleen energiebalans gegevens. Als we het bijvoorbeeld hebben over (voedsel) productie dan zouden de ingaande stromen (gewichten, droogtegraden, korrelgrootte, etc.) samen met de proces gegevens (stoom verbruik, energieverbruik per machine) gecombineerd kunnen worden om tot een model te komen. Dit model, welke instantaan wordt gemaakt, kan vervolgens de grootste factoren aangeven die invloed hebben op bijvoorbeeld de kwaliteit van het eind product of het energieverbruik.
De mogelijke toepassingen zijn enorm en de behaalde waarde van een Machine Learning traject kan verrassend groot zijn of enigszins tegenvallen. BlueTerra werkt samen met Tangent Works om de toepassing van Machine Learning verder te ontdekken. Met de software van Tangent Works kan in zeer korte tijd een model gemaakt worden waarmee de onderliggende dynamiek van het proces direct inzichtelijk wordt. BlueTerra zou graag samen met een geïnteresseerde klant deze mogelijkheden onderzoeken. Heb jij een vraag of case die wellicht met Machine Learning op te lossen is? Neem dan contact op met Bob Fennis of Stijn Schlatmann.
wij denken bijvoorbeeld aan de al beschreven voorbeelden of de volgende vragen:
- Onder welke (weersafhankelijke) condities draait mijn proces optimaal?
- Welke procescondities (temperatuur, ventilatie hoeveelheid, mengsnelheid, etc.) zorgen voor een hoog kwaliteit product die tegelijk energie zuinig is?
