Kwaliteit via een systeemintelligentie-methodologie

Deadline

Kwaliteit via een systeemintelligentiemethodologie

Uitdaging

De industrie moet onder alle omstandigheden gegarandeerde kwaliteit kunnen leveren. Zowel in mechatronische producten als in productieprocessen en in assemblagelijnen. Helaas zullen er storingen optreden en worden vooraf vastgestelde eisen niet altijd vervuld ingevolge:

  • Nog niet ontdekte omstandigheden binnen een cyclus (bijv. omgevingsomstandigheden);
  • Een opeenvolging van omstandigheden over de verschillende cycli heen (bijv. accumulatie van fouten);
  • Tijdsdegradatie van het systeem na verloop van cycli.

Daarbij worden we geconfronteerd met de volgende technologische barrières:

  • Op het vlak van detectie: de moeilijkheid om relevante gegevens van schaarse gebeurtenissen met talrijke en verschillende inputs/parameters te verkrijgen;
  • Op het vlak van voorspelling: het ontbreken van een kader om te begrijpen en te kwantificeren hoe omstandigheden uiteindelijk tot een kwaliteitsverlies leiden (bijvoorbeeld een foutgebeurtenis);
  • Op het vlak van mitigatie: Het ontbreken van een verklaarbaar beslissingsondersteunend instrument om on- en offline mitigatiestrategieën te definiëren en te evalueren.

Projectdoelstellingen

Bayesiaanse netwerken (BN) bieden een sterk kader, d.w.z. een probabilistisch grafisch model om voorwaardelijke afhankelijkheden (oorzakelijkheden) tussen onderliggende oorzaken en kwaliteitsgerelateerde gebeurtenissen (foutgebeurtenissen) voor te stellen. BN maken het mogelijk om de waarschijnlijkheid van onderliggende oorzaken te koppelen aan kwaliteitsgerelateerde gebeurtenissen (foutgebeurtenissen); en, vervolgens, om foutgebeurtenissen terug te koppelen naar onderliggende oorzaken om zo de onderlinge relaties bloot te leggen. Om deze BN’s toepasbaar te maken voor de industrie, zal het project de volgende subdoelen aanpakken:

  1. Het grafische model beschrijft afhankelijkheden tussen parameters, statussen, ... maar hoe zo'n grafisch model kan worden opgebouwd of hoe het gebruik kan maken van voorkennis (bijv. fysieke modellen, heuristische relaties) is nog niet vastgesteld.
  2. Opleidingsgegevens om de relaties in het grafische model te kwantificeren zijn beperkt omdat de gegevens over schaarse gebeurtenissen beperkt zijn: er zijn veel gegevens over de nominale werking, er zijn talrijke en verschillende inputs/parameters; maar er zijn slechts weinig gegevens over foutgebeurtenissen.  
  3. In mechatronische systemen zijn afwijkingen van parameters als gevolg van degradatie vaak een belangrijke onderliggende reden voor kwaliteitsproblemen. Bayesiaanse netwerken kunnen echter nog niet goed omgaan met dergelijke 'conceptafwijkingen’. 
  4. Niet alle onderliggende oorzaken kunnen door statische parameterwaarden/kenmerken verklaard worden; na verloop van tijd zullen ook kwaliteitsgelateerde gebeurtenissen in het dynamische profiel ingebed worden. BN moeten dus in staat zijn om met dynamische omstandigheden/dynamisch gedrag om te gaan. 
  5. We hebben een methode nodig om zo'n Bayesiaans netwerk effectief te laten functioneren om op die manier een systeemintelligentie te bereiken die in staat is om te detecteren, te voorspellen en te mitigeren; dit vereist systematische methoden voor het benaderen van distributies, het definiëren van kostenmodellen, het nemen van steekproeven, ...  

Interesse?

QUASMO_SBO is een strategisch basisonderzoek project (SBO). We zijn op zoek naar bedrijven die zich bij de gebruikersgroep willen aansluiten en met ons willen werken aan de valorisatie van het project.

Interesse? Gelieve onderstaand formulier in te vullen en we contacteren u zo snel mogelijk: