Het DAP2CHEM-project, een initiatief van Catalisti, versnelde de overgang naar Industrie 4.0 in de Belgische life science sector. De kern van dit project was de samenwerking tussen kennispartners, industriële spelers en implementatiepartner Cronos, waarbij AI-expertise van de OECO Groep werd ingezet om real-time, data-gedreven procesoptimalisatie te realiseren.
De overgang van AI-concepten uit het lab naar de fabrieksvloer bracht uitdagingen met zich mee. Het waarborgen van betrouwbare AI in de praktijk, het verzamelen van bruikbare data en het opzetten van de juiste IT-OT connectiviteit waren essentieel.
DAP2CHEM leidde tot een succesvolle proof-of-concept. Het project zorgde voor inzicht in reinforcement learning voor setpoint optimalisatie, verbeterde IT-OT architecturen en toonde hoe AI schaalbaar kan worden ingezet in de sector.
Door de complexe productieprocessen in de life science sector, wordt er altijd op zoek gegaan naar een verbeteringen op vlak van productie efficiëntie. Data-gedreven optimalisatie met AI is dan ook veelbelovend. Het DAP2CHEM project toont dit in de praktijk aan. Dit initiatief van Catalisti bracht imec, KU Leuven, Ajinomoto, Janssen, P&G en Cronos, waar de OECO Groep een onderdeel van is, samen om Industrie 4.0 in de chemische en farmaceutische sector te versnellen met behulp van AI.
Binnen DAP2CHEM werden meerdere concrete use cases uitgewerkt om het potentieel van AI voor procesoptimalisatie te demonstreren. Bij Procter & Gamble werd ingezet op computer vision voor de inline inspectie van waspods op een snelle productielijn. De uitdaging hier was om afwijkingen te detecteren bij willekeurig gevormde objecten die in hoog tempo voorbijkomen.
Bij Ajinomoto en Janssen lag de focus op reinforcement learning voor het optimaliseren van chemische reactoren. Het doel was om de reactietijden te verkorten en de procesparameters efficiënter in te stellen. Hierbij werd gebruik gemaakt van simulatiemodellen die het gedrag van de chemische reacties zo nauwkeurig mogelijk nabootsten.
Op basis van deze simulaties kon een AI-agent getraind worden om de optimale setpoints te vinden. Bij Janssen werd de overstap gemaakt naar een echte reactor, waarbij de AI-agent suggesties deed die door een operator konden worden opgevolgd in een test-setup.
De vertaalslag van AI-concepten vanuit een R&D-omgeving naar de fabrieksvloer was een flinke uitdaging. De projectpartners merkten al snel dat een productieomgeving significant verschilt van een gecontroleerde R&D-setting. Factoren als de beschikbaarheid van consistente en betrouwbare data, de integratie met bestaande IT- en OT-systemen, en de noodzaak voor robuuste en betrouwbare oplossingen, bleken cruciale randvoorwaarden voor een succesvolle implementatie.
De ervaringen binnen DAP2CHEM benadrukken het belang van een pragmatische aanpak bij het implementeren van AI in de industrie. Hoewel het potentieel van AI voor procesoptimalisatie groot is, is een succesvolle uitrol afhankelijk van een solide IT-OT-infrastructuur, realistische verwachtingen over de prestaties van AI-modellen in de praktijk, en de blijvende rol van menselijke expertise. De menselijke operator blijft in de nabije toekomst essentieel voor het interpreteren van AI-suggesties, het bewaken van processen en het ingrijpen waar nodig.
Peter Snauwaert
Pieter Schoevaerts
Saskia Kinds
Matthias Rombaut
.jpg)
