Industrie

Wanneer de omgeving waarin een robot opereert dynamisch is, moet een robot snel kunnen reageren op veranderingen in de omgeving en is er nood aan een zogenaamd closed-loop controle algoritme, waarbij de robot niet blindelings een plan uitvoert, maar steeds nieuwe sensor informatie analyseert en verwerkt en het plan online wordt aangepast. Dit zorgt natuurlijk voor strikte eisen op de verwerkingstijd van de sensor informatie, aangezien dit bepaalt hoe snel de robot kan reageren op veranderingen. De robot kan ook zelf op zoek gaan naar informatieve data, door bijvoorbeeld dichter te gaan kijken waar nodig (‘active sensing’).

Die manier van robot controle is ook veelal aanwezig in het geval van mobiele robots zoals autonome voertuigen of drones, die de facto te maken hebben met complexe omgevingen waar snelle reactietijden cruciaal zijn.

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

Voor het verwerken van sensor informatie wordt steeds vaker gebruik gemaakt van “deep learning” technieken, waarbij steeds grotere modellen worden ingezet. Binnen het onderzoeksprogramma wordt bekeken hoe die technieken zo snel en (energie) efficiënt mogelijk kunnen worden uitgevoerd, enerzijds door het model slim aan te passen, en anderzijds door het ontwikkelen van op maat gemaakte hardware platformen. Door co-design van zowel de machine learning modellen als het hardware platform, kunnen we performante systemen bouwen die instaan voor de real-time controle van robots.

Deze AI technieken worden gebruikt zowel voor deelproblemen (bv object classificatie en segmentatie), als voor end-to-end oplossingen met behulp van “reinforcement learning”. Zo onderzoeken we ook hoe een robot lokaal steeds kan bijleren van zijn ervaringen, door gebruik te maken van hetzij impliciete beloningssignalen (bijvoorbeeld het voorspellen van toekomstige sensor data), hetzij expliciete beloningssignalen (bijvoorbeeld ‘object vastgegrepen of niet’).

Resultaten en demonstratoren

Demonstrator 1. Robot grijpt een object (‘Real-time object grasping’). Op de robot arm staat een in-hand camera, waardoor de robot zelf het viewpoint bepaalt. Daarmee demonstreren we modellen die kunnen worden ingezet voor real-time object grasping, alsook modellen die de robot voorzien van een begrip van zijn werkruimte, waarbij de robot zelf op zoek gaat naar informatieve data, door bijvoorbeeld dichter te gaan kijken waar nodig. Cruciaal daarbij is dat onze modellen enkele grootteordes minder parameters en data vergen dan doorgaans in de state-of-the art. Zo kan de robot bijvoorbeeld het grijpen van een object leren in enkele minuten na slechts één demonstratie.

o   E. De Coninck, T. Verbelen, P. Van Molle, P. Simoens, and B. Dhoedt, “Learning robots to grasp by demonstration,” ROBOTICS AND AUTONOMOUS SYSTEMS, vol. 127, 2020.

o   T. Van de Maele, T. Verbelen, O. Catal, C. De Boom, and B. Dhoedt, “Active vision for robot manipulators using the free energy principle,” FRONTIERS IN NEUROROBOTICS, vol. 15, 2021.

Demonstrator 2. AGV (‘zelf-navigerende robot’) zoekt zijn positie en verkent de omgeving. In het geval van navigerende robots bouwen we modellen die een laagdimensionale representatie geven van de sensor data. De modellen kunnen gebruikt worden om efficiënt de locatie van de robot in de ruimte te vinden. Dit is cruciaal in zogenaamde ‘simultaneous localization and mapping’ of SLAM algoritmen. Door gebruik te maken van geleerde representaties, kan ons model verschillende datamodaliteiten combineren in een compacte map, terwijl traditionele SLAM methodes gebruik maken van minder schaalbare datastructuren zoals puntenwolken of bezettingsrasters “occupancy grids”.

o  O. Catal, W. Jansen, T. Verbelen, B. Dhoedt, J. Steckel, “LatentSLAM: unsupervised multi-sensor representation learning for localization and mapping”, ICRA 2021.

Connecteren

•   Contactpersoon: imec/UGent: Tim Verbelen
•  Onderzoeksgroepen:  UGent (IDLab), KU Leuven (MICAS), imec

Industriële autonome voertuigen (AGVs) worden frequent ingezet o.a. in de maakindustrie, de logistiek, de landbouw en kunnen steeds meer taken autonoom uitvoeren. De AGVs moeten ook een steeds grote variatie aan taken kunnen uitvoeren en een grote variatie aan objecten: van gelijkaardige objecten tot objecten die sterk van elkaar verschillen. 

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

We ontwikkelen nieuwe AI-methodes voor intuïtief bestuurbare industriële autonome voertuigen. Het voertuig moet taken kunnen uitvoeren op basis van gesproken commando’s, het navigeren in complexe omgevingen en daarbij obstakels ontwijken.

Een eenvoudige gebruikersinterface is nodig om het voertuig makkelijk te kunnen besturen met gesproken commando’s. De interface is multimodaal (een combinatie van beeld- en spraakherkenning). De gebruiker kan opdrachten geven aan het voertuig, en daarbij  verwijzen naar objecten die gedetecteerd worden met behulp van de camera's op het voertuig. Dit laat toe om met een beperkte set van gesproken commando's complexe acties uit te voeren. 

De uitdagingen liggen in 1/ data-efficiënt leren omdat het verzamelen van data zeer tijdrovend is, 2/ het begrijpen van gesproken commando’s in een industriële omgeving. 3/ het analyseren van complexe visuele scenes en 4/ het multimodale aspect (combinatie van spraak en visie), waarbij de gebruiker in gesproken commando’s kan verwijzen naar objecten die de camera’s op het voertuig in beeld brengen en 5/ het navigeren in complexe omgevingen waarbij de AGV beperkte plaats heeft om te navigeren.. 

Gebruikte AI technieken:

1.  Een voertuig wordt op een data-efficiënte manier geleerd in complexe omgevingen te navigeren en om obstakels te ontwijken en met behulp van reinforcement learning. Het gebruik van een simulator laat toe om te leren zonder dure experimenten in de fysieke opstelling.

2.   Gesproken commando’s (in het Nederlands) worden direct omgezet van spraak naar commando’s zonder de omzetting van spraak naar tekst (Spoken language understanding)

3. en 4.   Analyse van visuele scenes, de herkenning van objecten en relaties tussen objecten, de herkenning van objecten uit spraakcommando’s (representation learning, action recognition,...)

Resultaten en demonstratoren

De AI-methodes worden geïllustreerd in twee opstellingen.

Opstelling 1 Een tractor die uitgerust is met meerdere sensoren waaronder een camera's en een vork om objecten te verplaatsen. De tractor is bestuurbaar in het Nederlands (waarbij richting en snelheid kunnen aangegeven worden). Met behulp van de camera’s detecteert de tractor de objecten die verplaatst moeten worden. De gebruiker kan ook naar deze objecten verwijzen in de commando’s.  Volgende taken kunnen al uitgevoerd worden: het verplaatsen van objecten en het interpreteren en uitvoeren van spraakcommando’s.  [SD(1] [QL2]  

Opstelling 2 Een AGV in een bureau-omgeving. Deze set-up illustreert (in simulatie) het gebruik van reinforcement learning voor navigatie in een complexe omgeving.  

 Connecteren

• Contactpersoon Opstelling 1: Flanders Make, Quiten Lauwers
• Contactpersoon Opstelling 2: UAntwerpen (IDLab), Tom De Schepper
• Onderzoeksgroepen:  KU Leuven (PSI)

Verhogen van productiviteit, vergrijzing bevolking, verhogen van kwaliteit, verminderen van ergonomische belasting, kostenreductie, schaarste op de arbeidsmarkt, etc. zijn allemaal redenen om robotica te introduceren in productieomgevingen. Het gros van de industriële robotsystemen is geprogrammeerd om repetitief een om meerdere eenvoudige taken uit te voeren en heeft weinig of geen perceptie van zijn werkomgeving. 

De toenemende vraag naar gepersonaliseerde producten aan lage kost dwingt ons echter een nieuwe generatie van slimme robot systemen te ontwikkelen die i) kan samenwerken met mensen of andere robots, ii) flexibel inzetbaar is voor verschillende productvarianten. 

AI technieken laten toe dergelijke slimme, flexible robotsystemen te realiseren. 

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

Binnen het programma onderzoeken we hoe met behulp van AI technieken slimme, flexible robotsystemen opgezet worden. Het betreft enerzijds i) het gebruik van beeldverwerkingstechnieken die toelaten met beperkte configuratietijd de werkomgeving te monitoren, ii) virtuele wereld representatie op te bouwen die kan gebruikt worden in iii) (reactieve) taak- en iv) bewegingsplanning van het multi-robotsysteem.       

Concreet worden volgende AI technieken gebruikt:

1. Reinforcement learning voor dynamic task scheduling 

2. Reinforcement learning voor bewegingsplanning 

3. Task-based robot controle framework dat toelaat elementaire robot taken makkelijk te hergebruiken en te koppelen aan AI blokken. 

Resultaten en demonstratoren

Op basis van Skiros, werd een modulair, taak-gebaseerd robotcontrole framework opgezet dat toelaat te interfacen naar diverse robot systemen. Het framework laat toe de hoger beschreven AI componenten te integreren en aldus verbeterde prestaties van het robotsysteem te bekomen. Zo laat de gerealiseerde module voor taakscheduling op basis van reinforcement learning toe snel te reageren op nieuwe orders, verstoringen, rekeninghoudend met de eigenschappen van de robot systemen, maar vooral ook met de competenties en vaardigheden van operatoren.     

Zie ook: https://vimeo.com/603989678

Connecteren

• Contactpersonen:  Flanders Make: Maarten Witters, Robbert Hofman, Ali Bin Junaid, Abdel Bey-Temsamani
• Onderzoeksgroepen: VUB (AI Lab, R&MM)

De toenemende vraag naar gepersonaliseerde producten zet de productiesystemen onder druk. De productvariabiliteit en-complexiteit stijgen om te voldoen aan de marktvraag, terwijl de levertermijnen en productiekosten beperkt moeten blijven. Ondernemingen zijn daarom genoodzaakt hun productiesystemen flexibeler te maken en maken daarvoor gebruik van nieuwe technologie (Industrie4.0). Operatoren blijven in deze nieuwsoortige flexible productieomgevingen een cruciale rol vervullen, gegeven de menselijke creativiteit, handigheid, hun snel lerend vermogen, probleem oplossend denkvermogen, etc. maar hebben wel nood aan ondersteuning: informatie over hoe een specifieke  productvariant dient vervaardig te worden, robotische toestellen die zware of repetiteve taken kunnen overnemen, etc.  

Statische digitale werkinstructieplatformen en robots kunnen voorgeprogrammeerde procedures doorlopen, maar kunnen de informatie of acties niet of moeilijker aanpassen aan nieuwe situaties en interactie met de operator.    Dankzij een multi-modale interface kan een operator bijvoorbeeld met spraak gerichte ondersteuning vragen van een robot. Het is ook een mogelijkheid om vragen te stellen over de wijze waarop bepaalde assemblage taken uitgevoerd dienen te worden. De overeenkomstige instructies zijn vervolgens zichtbaar op een scherm of via smart glasses. De realisatie van een dergelijke assist is een samengaan van een reeks AI-technieken: spraakherkenning, beeldverwerking, formele kennisrepresentatie, robotische taak- en bewegingsplanning, ...

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

1/ Spraakherkenning voor interactie met de digitale assistent,    

2/ Multi-modale perceptie door combinatie van spraakverwerking en multi-modale beeldverwerking  

3/ Formele kennisrepresentatie en voorbeeld-gedreven kenniscaptatie voor assemblage omgevingen

4/ Virtuele voorstellingen maken van de werkomgeving 

5/ Recommender filtering om de meest relevante informatie of assistentie aan te reiken aan de operator. 

Resultaten en demonstratoren

Er is een prototype van een digitale assistent die toelaat spraak-gedreven werkinstructies aan te reiken of de robot aan te sturen. De spraakgebaseerde interface voor de digitale assistent connecteert daarvoor met  het skill-gebaseerd framework voor multi-robot samenwerking, om vandaaruit het operator informatiesysteem aan te sturen. Het system is toegepast ter ondersteuning van de assemblage van  lichtschakelaarvarianten.  

 Connecteren

Contactpersonen:  Flanders Make: Maarten Witters, Robbert Hofman, Ali Bin Junaid, Abdel Bey-Temsamani
Onderzoeksgroepen: KU Leuven (PSI), UGent (WAVES), UAntwerpen (CLiPS, IDLab), VUB (AI Lab, DiMa, MOBI)
 

Een grote uitdaging bij het gradueel automatiseren van industriële processen is het garanderen van de veiligheid in ruimtes waar zowel mobiele robots als mensen actief zijn. Sensoren op de robots bewaken de veiligheidsmarge rondom de robot en zorgen ervoor dat de robot tot stilstand komt wanneer een persoon of andere robot gevaarlijk dichtbij komt. Die manier van werken beperkt echter de snelheid waaraan de robots zich veilig kunnen voortbewegen en zorgt vaak voor onwenselijke stilstand met een verlies aan productiviteit tot gevolg. Het aanpassen van de industriële site om het aantal robot-persoon interacties te verminderen kost dan weer een grote investering en is moeilijk gradueel door te voeren.

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

Binnen het AI-Onderzoeksprogramma werken onderzoekers aan AI-gebaseerde methodes om altijd betrouwbaar de positie en de beweging van menselijke en geautomatiseerde actoren op een industriële site in kaart te brengen. Daarvoor wordt data van verschillende types sensoren gecombineerd, typisch camera met radar of lidar, en worden zowel vast gepositioneerde sensoren in de productieomgeving als sensoren op de autonome voertuigen zelf beschouwd. De focus ligt daarbij op twee aspecten: de betrouwbaarheid van het systeem in alle omstandigheden en de efficiëntie van het perceptienetwerk.

Om te verzekeren dat personen ook in moeilijke lichtomstandigheden goed waargenomen worden, worden in dit onderzoek baanbrekende neurale netwerken ontwikkeld voor het verwerken van radardata, die de performantie van traditionele verwerkingsmethoden ver overstijgen. De informatie van de radar wordt gecombineerd met camera-analyse in robuuste coöperatieve sensorfusiealgoritmen, waarbij de sensoren gedeeltelijk verwerkte informatie met elkaar uitwisselen om elkaars perceptie selectief gevoeliger te maken en zo een verhoogd onderscheidend vermogen te realizeren zonder meer valse detecties te veroorzaken.

Om de computationele kost van de neurale netwerken te beperken, worden manieren onderzocht om de verwerking gedistribueerd en selectief in te schakelen, waarbij rekening gehouden wordt van blind spots van individuele sensornodes maar ook van de topologie van de omgeving, die het onnodig maakt om het volledige gezichtsveld voortdurend te onderzoeken met de hoogste nauwkeurigheid.

Resultaten en demonstratoren

Demonstrator 1: Autoverkeer in een moeilijke drukke stadsomgeving.  Door het selectief inschakelen van neurale netwerken op basis van de scene-topologie, werd een snelheidswinst met een factor zes gerealiseerd ten opzicht van een methode uit de literatuur, zonder verlies aan kwaliteit, geëvalueerd op een publieke dataset.

Demonstrator 2: Radar-video localisatie van personen. Een sensornode bestaande uit een 77GHz automotive-grade radarsensor en een eenvoudige RGB-camera gebruikt een neuraal netwerk om de positie van personen in de ruimte weer te geven, ook bij weinig licht, sterk tegenlicht of diepe schaduwen. Het netwerk kan ofwel generisch zijn (getraind op een grote, algemene dataset) ofwel getraind specifiek voor de ruimte waarin de sensornode geplaatst wordt. De specifieke training kan volledig automatisch door tijdelijk een lidarsensor toe te voegen aan het systeem.

Connecteren

• Contactpersoon: imec/UGent: David Van Hamme
• Onderzoeksgroepen: UGent (IDLab, IPI), imec (AdvanceRF)

Meer informatie

Publicaties uit het onderzoeksprogramma:

o   Dimitrievski M, Van Hamme D, Veelaert P, Philips W. Cooperative Multi-Sensor Tracking of Vulnerable Road Users in the Presence of Missing Detections. Sensors. 2020; 20(17):4817. 

o   Dimitrievski, M., Shopovska, I., Van Hamme, D., Veelaert, P., & Philips, W. (2020). Weakly supervised deep learning method for vulnerable road user detection in FMCW radar. In 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC), Proceedings. Rhodes, Greece (Virtual Conference): IEEE. 

Connecteren

• Contactpersoon: Flanders Make: Dries Verhees
• Onderzoeksgroepen:   Universiteit Antwerpen (Vision Lab), Universiteit Gent  (IPI, IDLab), KULeuven (STADIUS)

Om te voldoen aan marktvragen, worden producten steeds complexer en worden lichtgewicht multi-materiaal-producten verlijmd. Verlijmen is een zeer complex proces dat bestaat uit diverse proces stappen, waarbij de vele proces– en omgevingsparameters een groot effect hebben op het eindresultaat. Het ontwerp van een dergelijke multi-materiaalverbinding gebeurt door een verlijmingsexpert, vaak ondersteund door experimenteel werk, hetgeen kostelijk en tijdrovend is. Gegeven de veelheid van ontwerpkeuzes, de complexe afhankelijkheden, meerdere vaak conflicterende objectieven, kan AI hier ondersteuning bieden.

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma
We onderzoeken het gebruik AI-technieken voor: 1/ ondersteuning bij het selecteren van de optimale lijm voor een  specifieke toepassing, gebruik makend van data sheets, expertkennis en experimentele resultaten en 2/ het vinden van een goede set procesparameters met een minimaal aantal experimenten, rekening houdend met conflicterende objectieven.

Gebruikte AI technieken:

1.   Voor de interactieve ondersteuning voor het selecteren van de lijm is een database opgesteld met data van de lijmleveranciers en expertkennis. De data over de lijmen wordt via “automatische documentanalyse” uit de tabellen van de datasheets gehaald. Constraint Decision Modeling and Notation (cDMN) laat lijmexperten toe hun kennis op een intuïtieve manier in te voeren. “Symbolisch redeneren” selecteert de lijmen die voldoen aan de voorwaarden.

2.   De parameterbepaling gebruikt data-efficiënte methodes voor het ontwerp van experimenten (DoE), Surrogate-modelling en optimalisatie via Active Learning (Bayesiaanse Optimalisatie).

Resultaten en demonstratoren

Er is een prototype van zowel de interactieve ondersteuning voor lijmselectie als de parameterselectiesoftware (momenteel voor experimenten met 1 objectief en een beperkt aantal parameters).

Connecteren

-      Contactpersoon: Flanders Make, Jeroen Jordens, Maarten Witters, Abdel Bey-Temsamani

-      Onderzoeksgroepen: Universiteit Gent, IDLab Gent, KU Leuven DTAI en Uhasselt (Research Group Logistics).

Meer informatie

- Proeftuin voor mechanische verbindingen en verlijmingstechnieken (JMlab)

In de industrie zijn er heel veel machines die op elkaar lijken of die werken in gelijkaardige omstandigheden of met gelijkaardige belastingen. Bij de instelling van dergelijke machines kan tijd bespaard worden door gebruik te maken van informatie van andere reeds ingestelde machines in het machinepark (de fleet). Ook monitoring of controle van machines uit een machinepark kunnen geoptimaliseerd worden door gebruik te maken van info van meerdere machines uit het machinepark.

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

Als eerste toepassing wordt het instellen van de regelaar van een machine in het park versneld door gebruik te maken van de instellingen van gelijkaardige machines. Vooral bij niet-identieke machines waarbij het model niet volledig gekend is en bij een grote variatie aan taken kan daarmee grote tijdswinst worden geboekt t.o.v. bestaande manuele of modelgebaseerde methodes.

In de volgende stappen zal naast het versneld instellen ook de machinecontrole tijdens normale machinewerking verbeterd worden. Daarbij zullen de algoritmes de sturing aanpassen terwijl de machine werkt, rekening houdend met de huidige status van de machine en de sturing en zullen de algoritmes moeten leren uit het gedrag dat gezien wordt terwijl de sturing reeds aangepast wordt. Eenmaal dit lukt, zal het mogelijk worden om de sturing aan te passen aan variabele omstandigheden tijdens normale machinewerking, en het delen van kennis tussen gelijkaardige machines zal dit proces efficienter maken en de nodige leertijd beperken.  

Resultaten en demonstratoren

In deze toepassing wordt een opstelling gebruikt die representatief is voor verschillende bewegingen in onder andere weefgetouwen, compressoren en stuurkolommen. De opstelling bestaat uit 3 kruk-drijfstang systemen die continue gelijkaardige doch niet-identieke heen en weer gaande bewegingen uitvoeren. 

Voor het versneld instellen van nieuwe taken en/of nieuwe taken is een eerste aanpak gebaseerd op supervised learning gebruikt. Met zowel een random forest methode als een methode met een neuraal netwerk kan op basis van deze data een model gevonden worden dat voor nieuwe taken en/of systemen leidt tot een snellere convergentie naar een goede regelaar dan een traditionele model-gebaseerde aanpak. Voor de training is een gelabelde dataset met voorbeelden van goed instelde regelaars voor verschillende taken en systemen gebruikt. In het geval van de NN-gebaseerde methode werd daarenboven ook een simulator gebruikt om de trainings-set uit te breiden. 

Connecteren

Contactpersoon: Flanders Make, Bruno Depraetere, Abdel Bey-Temsamani
Onderzoeksgroepen:  VUB

Meer informatie

• Zie ook  toepassing "Controle van windmolens in een windmolenpark" in het toepassingsdomein Energie.

Anomaliedetectie en conditiegebaseerd onderhoud van industriële machines zijn geen onbekend terrein voor het gebruik van AI. Ondanks de voordelen hebben veel industriële bedrijven nog onvoldoende vertrouwen in de mogelijkheden, de prestaties en de betrouwbaarheid van de methoden voor anomaliedetectie en het voorspellen van de resterende levensduur.

Er is nood aan verder onderzoek naar:

1.     Real-time anomaliedetectie voor complexe industriële machines met een grote variabiliteit in de faling, de operationele conditie en andere externe verstoringen waarbij data schaars, ongelabeld of van slechte kwaliteit is. 

2.     Energie-efficiënte AI systemen die tegelijkertijd real-time hoogfrequente signalen decentraal  (edge) kunnen verwerken en beslissingen nemen met behulp van energiezuinige AI-geoptimaliseerde processors.

Het onderzoek binnen het Vlaams AI Onderzoeksprogramma

De onderzoeksgroepen bestuderen: 

1.     Data-efficiënte AI oplossingen voor anomaliedetectie in industriële machines onder hoge variabiliteiten: hoe kunnen kennisgebaseerde modellen en data-gedreven methodologieën gecombineerd worden in een hybride methodologie? Hoe kan AI gebaseerde data generatie en augmentatie de anomalie detectie verbeteren? (Onderzoeksuitdaging "AI-driven Data Science")

2.     Energie-efficiënte AI op de edge: oplossingen voor anomaliedetectie in industriële machines (Onderzoeksuitdaging "AI in the Edge")

3.     Toepassing van AI voor “health aware control” (Onderzoeksuitdaging "Multi-agent collaborative AI")

Volgende AI-technieken worden onderzocht: 

1.     Voor data-efficiënte AI-oplossingen: Convolutional Neural Networks (CNN), Wavelet Scattering Networks (WSN), Transfer learning gebaseerd op Domain Adversarial Neural Networks (DANN), Deep Support Vector Data Description (SVDD), Variational Autoencoders (VAE).

2.     Voor energie-efficiënte AI edge oplossingen: Spiking Neural Networks (SNN) met op maat ontwikkelde edge hardware en supervised, unsupervised, hybrid edge-cloud Autoencoders (AE).

Demonstratoren en resultaten

Lagers zijn cruciale mechanische componenten in veel industriële machines maar zijn ook onderhevig aan slijtage wat kan leiden tot ongeplande stilstand. Deze use case maakt gebruik van hoog frequente (ruizige) experimentele machine data verkregen uit levensduur testen van lagers uitgevoerd in de Flanders Make Smart Maintenance proeftuin. Verschillende AI-methodes worden onderzocht en vergeleken op vlak van detectie snelheid, nauwkeurigheid, data-efficiëntie en rekentijd.

Die methodes worden vergeleken met een “state of the art” baseline bestaande uit methodes die gebruik maken van klassieke statistische features (bijvoorbeeld rms, kurtosis, peak), methodes gebaseerd op fysische modellen (bijvoorbeeld fout frequenties op basis van envelop analyse), klassieke machine / deep learning methodes (bijvoorbeeld 1D CNN).

Connecteren

• Contactpersoon: Flanders Make: Ted Ooijevaar
• Onderzoeksgroepen:  KU Leuven (DTAI, LMSD), UGent (EElab, IDlab), imec, VUB

Meer informatie

BOURGANA, Taoufik, BRIJDER, Robert, OOIJEVAAR, Ted, et al. Wavelet Scattering Network Based Bearing Fault Detection. In : PHM Society European Conference. 2021. p. 8-8.

Zie toepassing "Preventief Onderhoud en “Prognostic Health Management” van windmolens" in het toepassingsdomein Energie.