Machine Learning om NC-bestandsgegevens te extraheren en combineren voor visualisatie van bewerkingstijden

Het gebruik van digitale data in de productie-industrie is waardevol gebleken voor kortere productietijden, efficiënt gebruik van middelen en geïnformeerde besluitvorming. Productiebedrijven zien steeds meer het belang in van realtime inzicht om de effectiviteit van hun productiemiddelen te verbeteren. Doordat digitale data uit verschillende bronnen kan komen, blijft het een uitdaging om de kloof tussen deze bronnen te overbruggen en de informatie samen te voegen om productiemanagers te informeren.

Smartfactory is een toonaangevende ontwikkelaar van softwareoplossingen voor de visualisatie van productiegegevens zoals CNC-verspaning. Deze machines zijn een integraal onderdeel van productieprocessen en maken gebruik van waardevolle NC-bestandsgegevens, die de op geometrie gebaseerde bewerkingsinstructies voor elk geproduceerd item bevatten. Hawo en Technology Twente, bedrijven die hun producten op CNC-machines maken, staan voor de uitdaging om een gedetailleerd beeld te krijgen van de kosten per artikel, wat onder andere bepaald wordt door de bewerkingstijd per stuk.

De projectpartners werken samen met het FIP-AM@UT om de mogelijkheden te onderzoeken voor het extraheren van NC-bestanden uit beschikbare CNC-bewerkingsgegevens, en deze te matchen met ERP-gegevens. Deze combinatie kan inzicht geven in de bewerkingstijden per geproduceerd artikel en fabrikanten in staat stellen om onderbouwd strategische beslissingen te nemen. Het bij elkaar brengen van voorspellingen en de daadwerkelijke productie is cruciaal voor het optimaliseren van de productieactiviteiten. Door de beschikbaarheid van near-realtime bewerkingsgegevens te verhogen, wordt het inzicht in de operations op de fabrieksvloer aanzienlijk verbeterd.

ML2NC onderzoekt en implementeert digitale oplossingen, zoals machine learning, om bewerkingstijden vast te stellen en bij te werken op basis van NC-bestandsgegevens en zo bij te dragen aan een betere productie-efficiëntie en tijdsnauwkeurigheid. Er wordt een gestructureerde aanpak toegepast voor het data-extractieproces, het identificeren van waardevolle datasets en om de rol van machine learning hiervoor te beoordelen. Het ontwikkelen en implementeren van dergelijke tools zal Smartfactory, Hawo en Technology Twente in staat stellen om waardevolle productievoordelen te behalen. De verkregen inzichten voor het nauwkeurig kunnen bepalen van de bewerkingstijden van elk item, leiden tot nauwkeurigere kostenramingen en ondersteunen de productieplanning en de besluitvorming bij de projectpartners. De toepassing van geavanceerde data-integratietechnieken, waaronder machine learning, helpt deze bedrijven voorop te blijven lopen in productie-innovatie, wat concurrentievoordeel op lange termijn en operational excellence bevordert.

Industriepartners

AANPAK

Het ML2NC-project maakt gebruik van de gecombineerde expertise van het Fraunhofer Innovation Platform at the University of Twente en SmartFactory, om de uitdagingen van het extraheren van artikelinformatie uit instructiebestanden aan te pakken. Het project begint met een uitgebreide analyse van het format van de instructiebestanden, waarbij de mogelijke informatielocaties van de artikelen in kaart worden gebracht. Er zal speciale focus worden gelegd op de bedrijfsonafhankelijke secties, om flexibiliteit te garanderen. Er worden verschillende benaderingen onderzocht om de instructiebestanden te analyseren en de artikelinformatie hier uit te halen, bijvoorbeeld op basis van natuurlijke taal en ook via machine learning, om de oplossing af te kunnen stemmen op de unieke productieomgevingen en behoeften van het consortium.

De ontwikkelde natuurlijke taalbenaderingen zullen grondig worden getest op de fabrieksvloer van de productiebedrijven, waarbij de voor- en nadelen in kaart worden gebracht. Voor de machine learning-aanpak worden de vereisten geanalyseerd en wordt een opzet gemaakt voor een vervolgproject. Documentatie zoals rapporten en technische documentatie, in combinatie met workshops, dragen bij aan de kennisdeling en de toepasbaarheid van het model in alle sectoren, waardoor inzicht in verspaningsactiviteiten in de productie-industrie wordt verbeterd

RESULTAAT

Het ML2NC-project heeft met succes verschillende natuurlijke taalmodellen geïmplementeerd om de metadata van instructiebestanden te analyseren en de relevante informatie te extraheren. In totaal werden drie verschillende taalbenaderingen geëvalueerd, waarvan er twee perfecte matches lieten zien tussen instructiebestanden en artikelen. Deze natuurlijke taalmodellen vereisen echter handmatige finetuning voor elk productiebedrijf. Er werd een machine learning-aanpak opgesteld, de valkuilen werden onderzocht en de eisen werden geïdentificeerd.

De belangrijkste resultaten zijn onder andere:

• Natuurlijke taalbenaderingen toonden perfecte matches tussen bestanden en artikelen
• Voor deze aanpak is nog finetuning nodig voor ieder productiebedrijf
• Bewerkingsinstructies zijn gestandaardiseerd
• De visualisatie van bewerkingsinstructies toonde identificeerbare artikelkenmerken
• Eisen zijn geïdentificeerd en er is een opzet voor een machine learning-aanpak ontwikkeld

De bevindingen geven inzicht in het belang van het vastleggen van artikelgegevens uit bewerkingsinstructiebestanden en het genereren van inzichten op de fabrieksvloer. Toekomstig werk zal gericht zijn op het implementeren van de machine learning-benadering en het ontwikkelen van een model dat informatie kan extraheren, ongeacht het productiebedrijf.Door realtime informatie van de fabrieksvloer te extraheren, worden de productieplanningen verder geoptimaliseerd en worden waardevolle inzichten verkregen.

Dit project is mogelijk gemaakt door de Regio Deal, ondersteund door de Provincie Overijssel en de Rijksoverheid.
 

VOOR MEER INFORMATIE OVER ML2NC, NEEM GERUST CONTACT OP MET

Barry te Dorsthorst

Barry te Dorsthorst

Research Engineer

Reinier Stribos

Research Engineer

Privacyoverzicht

Deze site maakt gebruik van cookies, zodat wij je de best mogelijke gebruikerservaring kunnen bieden. Cookie-informatie wordt opgeslagen in je browser en voert functies uit zoals het herkennen wanneer je terugkeert naar onze site en helpt ons team om te begrijpen welke delen van de site je het meest interessant en nuttig vindt.