Tiny Machine Learning is een concept dat Machine Learning combineert met Artificial Intelligence. Centraal staat het verzamelen van (veel) data middels sensoren. Deze sensoren zijn direct gekoppeld aan ‘edge microcontrollers’ waarop een algoritme draait dat ter plaatse direct de meetwaarden beoordeelt. Alleen afwijkende waarden worden doorgestuurd waardoor de energie die normaal nodig is voor datatransfer, aanzienlijk is gereduceerd.

Tiny Machine Learning (TML) biedt onder meer aan de maakindustrie een veel goedkopere manier om oplossingen te realiseren in het kader van energiebesparing, voorspellend onderhoud en procesoptimalisatie.

Sensoren worden bij TML veelvuldig ingezet om gezamenlijk grote hoeveelheden data te genereren. De zogenaamde ‘big data’. Het aantal toepassingen daarvan groeit nog steeds gestaag omdat sensoren steeds goedkoper worden en de rekencapaciteit van de huidige generatie computers zodanig is dat zij realtime en gelijktijdig deze grote hoeveelheden data kunnen verwerken. Prima ontwikkelingen die de maakindustrie onder meer helpen bij procesoptimalisatie, energiebesparing en voorspelend onderhoud.

 Tiny Machine Learning bespaart kosten

Een nadeel op dit moment zijn de relatief hoge kosten die vooral gepaard gaan met datacommunicatie. De meetwaarden van sensoren worden immers altijd naar een centraal punt gestuurd zoals een cloudomgeving of een computer. Hier wordt de complete dataset vervolgens verwerkt en geanalyseerd. En juist omdat de hoeveelheid data groot is – en steeds groter wordt – loopt het energieverbruik ook drastisch op. 

Een oplossing hiervoor is te vinden in TML. Een relatief nieuwe ontwikkeling die Machine Learning en Artificial Intelligence combineert. Het hart van TML ligt in het gebruik van zogenaamde ‘edge microcontrollers’. Deze kleine computers zijn direct te koppelen aan een willekeurige sensor en kunnen een specifiek algoritme draaien waarmee ze de metingen van de betreffende sensor kunnen beoordelen. Direct en op locatie. Valt de waarde binnen de gespecificeerde marge (het grootste deel), dan wordt deze verwijderd. Alleen de data die afwijken en hiermee mogelijk om actie vragen, worden draadloos doorgestuurd naar een centraal punt. Hier beoordelen mensen óf ook een algoritme of er direct moet worden ingegrepen of dat de waarde een trend inzet die op termijn moet worden tegengegaan of afgebogen. 

Met betrekking tot het energieverbruik zal het duidelijk zijn dat deze oplossing veel gunstiger is omdat er eenvoudig minder data hoeft te worden verstuurd. Daarbij hebben de microcontrollers zelf ook maar heel weinig energie nodig – meestal in het mW-bereik en lager – waardoor een kleine batterij al voldoende is om de sensor een machineleven lang zijn werk te laten doen. Dit in combinatie met het feit dat de gegevens draadloos zijn te versturen, maakt TML tot een goedkoop, eenvoudig maar tevens veilige methode om machines en installaties te monitoren. 

Nederlandse initiatiefnemers

De populariteit van TML groeit snel. Onder andere in de Verenigde  Staten is een platform opgericht (tinyml.org) waar de aanpak breed wordt uitgedragen en inmiddels grote symposia worden georganiseerd die goed worden bezocht. Ook in Nederland raakt TML steeds breder bekend en worden verschillende initiatieven ontwikkeld om niet alleen grote bedrijven maar ook het MKB te laten profiteren van de mogelijkheden. Dit laatste is bij uitstek een belangrijke doelgroep omdat kleinere bedrijven tot nu toe vanwege onder meer kosten en complexiteit een hogere drempel ervaren om met zaken als voorspellend onderhoud te starten. 

Een van de grotere initiatiefnemers in Nederland is Techport waar een half jaar geleden een officiële start is gemaakt met het aanstellen van André Gerver als ‘kwartiermaker’. Techport is een organisatie die scholen, bedrijven en de overheid in de Metropoolregio Amsterdam met elkaar verbindt om zo de toekomst van de maak- en onderhoudsindustrie maximaal te kunnen vormgeven. Juist omdat er met scholen en bedrijven wordt samengewerkt, is de insteek van Techport vooral praktisch en pragmatisch. Ook waar het TML betreft. 

Use cases

André Gerver: “Ik ben al vrij snel gestart met het opzetten van use cases op het gebied van Tiny Machine Learning. Met behulp van deze praktische projecten kunnen we de mogelijkheden van TML voor het MKB in kaart brengen en bedrijven inspireren ook hier hun voordeel uit te halen. Dat lukt tot nu toe goed. Eén case is inmiddels afgerond, een aantal anderen loopt nog en half februari zijn studenten van verschillende onderwijsinstellingen en opleidingen samengekomen met opdrachtgevers voor het opzetten van nieuwe projecten.” 

Deze bedrijven (Hilton Foods Holland, Biscuit International en Tata Steel) zijn afkomstig uit het netwerk van Techport. Alle drie hebben ze een potentieel vraagstuk op het vlak van procesoptimalisatie, omgevingshinder of onderhoud. Hilton Foods richt zich op het monitoren van een lijn waarop schnitzels worden geproduceerd om zo tijdig het juiste onderhoud te kunnen uitvoeren. Dit levert niet alleen een bijdrage op het vlak van duurzaamheid, maar vermindert ook de verspilling van voedsel. Bij Bisquits International gaat het meer richting kwaliteitscontrole waarbij vision wordt ingezet voor het controleren van de THT-datum, etiketten en barcodes. 

Gerver: “Met deze voorbeelden wordt direct duidelijk dat TML zeker niet alleen geschikt is voor voorspellend onderhoud, maar op veel meer vlakken mogelijkheden en voordelen biedt. Naast de zojuist genoemde kwaliteitscontrole is het monitoren van machines en installaties bijvoorbeeld ook erg geschikt om het energieverbruik te reduceren. Maar ook de veiligheid binnen bedrijven is via TML relatief eenvoudig te verbeteren. Deze nieuwe projecten zullen op korte termijn starten en uiteraard gaan we door met het organiseren van sessies waarin bedrijven terecht kunnen met hun vraagstukken waaruit we nieuwe use cases kunnen starten.” 

Voorbeelden

De afgeronde case is uitgevoerd bij een producent en verhuurder van torenkranen. Hier zijn testen gedaan met sensoren die de krachten meten waaraan de kraanhaak wordt blootgesteld. Wanneer deze bijvoorbeeld hard op de grond komt, wordt dit automatisch geregistreerd. Door langere tijd deze data te verzamelen is iets te zeggen over de onderhoudsbehoefte, maar ook over de manier waarop de klant met de machine werkt. In geval van schade kan hierop worden teruggevallen. In de toekomst is het ook mogelijk om bijvoorbeeld het aantal bedrijfsuren te meten en op basis daarvan onderhoudsadvies te geven. 

“Met deze use case komen we bij een ander belangrijk voordeel van Tiny Machine Learning: het verzamelen van faaldata. Onderhoud voorspellen of opmerken dat processen gaan verlopen, is namelijk vooral gebaseerd op data die horen bij een falende machine of proces. De meeste data die in de industrie worden verzameld, zijn echter data die horen bij een goed lopende machine of proces. Doordat via TML alleen de afwijkende waarden worden verzameld, ontstaat al snel een waardevolle set van faaldata waarmee algoritmes kunnen leren op welke waarden zij moeten triggeren”, vertelt Gerver.  

Geluidsoverlast

Een use case die momenteel loopt, betreft de inzet van geluidsensoren die omgevingsgeluiden meten (figuur 1). Omdat de sensoren zelflerend zijn, zullen ze in de loop van de tijd steeds beter het onderscheid kunnen maken tussen geluiden die door de omgeving als ‘overlast’ worden ervaren en geluiden afkomstig van bijvoorbeeld de wind of omliggende bedrijven. 

“Een eerste stap in deze use case is het lokaliseren van geluid. Door de eigenschappen van de sensoren in combinatie met de edge microcontroller is de applicatie in staat om niet alleen de richting van het geluid, maar ook de afstand en uiteraard de sterkte te meten. In sommige gevallen is dit al voldoende om ook de oplossing vast te stellen; bijvoorbeeld heel simpel een deur sluiten of een snelheid verlagen”, zegt Gerver. 

Hij vervolgt: “In de toekomst is de toepassing van de metingen mogelijk uit te breiden. Zo zou er een signaal kunnen worden gegeven wanneer een bepaalde grens wordt overschreden zodat onmiddellijk actie kan worden ondernomen. Daarnaast zijn de data mogelijk ook een ‘bewijsstuk’ om aan te tonen dat klachten over geluidsoverlast op een bepaald moment helemaal niet aan dat specifieke bedrijf waren toe te rekenen.” 

Kennisnetwerk

Naast de lopende use cases is Gerver momenteel bezig met het opzetten van een Kennisnetwerk TML. “Hiervoor ben ik nog op zoek naar relevante partijen. Gebruikers, specialisten, wetenschappers. Iedereen die een bijdrage wil leveren kan contact opnemen. Tevens zijn we altijd op zoek naar goede cases waaronder een mooie case om de mogelijkheden van TML te onderzoeken met betrekking tot energiebesparing. De verwachtingen liggen bij besparingen van rond de 10-30 procent waarmee het in mijn optiek geen moeilijke keuze is óf je met TML moet starten maar alleen nog ‘wanneer’.” 

Samen aan de slag 

Half februari zijn studenten van technische bedrijfskunde, data science en master of applied artificial intelligence van Hogeschool Inholland en Hogeschool van Amsterdam samen met opdrachtgevers bijeengekomen bij Techport. De bedrijven (Hilton Foods Holland, Biscuit International en Tata Steel) zijn afkomstig uit het netwerk van Techport. Alle drie hebben ze een potentieel vraagstuk op het vlak van procesoptimalisatie, omgevingshinder of onderhoud. In het overleg is gekeken naar een mogelijke samenwerking om oplossingen te ontwikkelen waarin Tiny Machine Learning een hoofdrol speelt.

Meer info: [email protected] of www.techport.nl