Introductie
In de maakindustrie is veel afhankelijk van het fysieke eindproduct. Traditioneel heb je het fysieke product nodig om te zien hoe een machine zich op locatie gedraagt. Hoe reageert de machine op de ontworpen software? Wat gebeurt er bij een productwijziging? En hoe verhouden afzonderlijke componenten zich tot elkaar wanneer de machine draait?
Die afhankelijkheid van fysieke prototypes of testopstellingen zorgt vaak voor vertraging en hogere kosten. Pas wanneer een machine of onderdeel daadwerkelijk gebouwd is, wordt duidelijk of aannames uit het ontwerpproces kloppen.
Tegelijkertijd ontwikkelt software zich razendsnel. Virtuele mogelijkheden in ontwerp en simulatie bieden daarom enorme voordelen. Bij MechDes benutten we deze digitale tools intensief: in een virtuele omgeving kunnen we ontwerpen testen, experimenteren en delen met klanten of stakeholders via VR- en AR-visualisaties.
Zo nemen we ook deel aan het innovatieproject PARADAIM van EFRO Oost 2021-2027. Onder initiatief en leiding van Perron038 in Zwolle werken verschillende partners uit de maakindustrie samen aan een actueel vraagstuk: hoe integreren we Artificial Intelligence (AI) in het engineeringsproces? Denk bijvoorbeeld aan het inzetten van AI om realistisch gedrag van systemen te simuleren en ontwerpen al in een vroeg stadium te testen.
Hoe vaker een ontwerp getest wordt, hoe sneller ontwerpfouten zichtbaar worden. En hoe eerder een fout wordt ontdekt, hoe kleiner de impact op planning, kosten en doorlooptijd. Daarom breiden we onze virtuele activiteiten in het ontwerpproces continu uit. Twee kernvragen begeleiden dit proces:
- Is het virtuele model voldoende realistisch?
- Biedt het virtuele model echte meerwaarde ten opzichte van een fysiek model?
Wanneer het antwoord op beide vragen ‘ja’ is, zetten we een virtueel model op en gebruiken dit om te testen en simuleren. Dat kan een volledige machine zijn, maar vaak gaat het om specifieke onderdelen of complexe processen die moeilijk voorspelbaar zijn. Voorspelbaarheid is essentieel, want een opdrachtgever wil weten waarin hij investeert: wat is de cyclustijd van een machine en wat is de terugverdientijd?
Digital Twin of virtueel model: wat is het verschil in de ontwerpfase van machines?
De term Digital Twin wordt vaak genoemd bij virtuele modellen. Bij MechDes gebruiken we deze term echter niet standaard in de ontwerpfase. Een Digital Twin impliceert immers een digitale tweeling van een bestaande fysieke machine. Tijdens het ontwerpen bestaat die fysieke machine nog niet, waardoor het concept van een echte Digital Twin nog niet van toepassing is.
Wij spreken daarom liever van een digitaal of virtueel model. Toch zijn er belangrijke overeenkomsten: het model moet zich zo realistisch mogelijk gedragen. Fysische gedragingen zoals schuiven, vallen, vervormen, versnellen en botsingen moeten in het virtuele model realistisch zijn, zodat engineers betrouwbare simulaties kunnen uitvoeren.
Op deze manier biedt een digitaal model dezelfde inzichten als een toekomstige fysieke machine, maar al in een veel eerder stadium. Dit versnelt het ontwerpproces en beperkt risico’s bij complexe of innovatieve machineconcepten.
Artificial Intelligence in engineering: nieuwe mogelijkheden voor ontwerp en analyse
Naast virtuele simulaties heeft ook Artificial Intelligence een snel groeiende invloed op engineering. Hoe AI precies wordt toegepast, is nog volop in ontwikkeling, maar duidelijk is dat experimenteren een must is.
Het laaghangende fruit, bijvoorbeeld het gebruik van getrainde AI-chatbots in een gesloten digitale omgeving, wordt al ingezet om documentatie en kennisdeling te ondersteunen. Complexer, maar ook veelbelovender, is het trainen van AI modellen op basis van bedrijfsspecifieke data, voor bedrijfsspecifieke functionaliteit geïntegreerd met bestaande engineering software pakketten. Koppeling met bestaande engineeringsoftware biedt potentieel om ontwerpen sneller en slimmer te analyseren.
Om AI succesvol toe te passen is diepgaande kennis nodig over modellen, datasets en integratie met bestaande software. Mede door de steun van EFRO Oost 2021-2027 kunnen we binnen het PARADAIM-project samen met partners dit soort toepassingen verkennen.
Een belangrijke eerste les is dat data-organisatie cruciaal is: zonder gestructureerde, toegankelijke data is betrouwbare AI onmogelijk. Data vormt de basis waarop modellen leren en voorspellingen doen.
AI-gedreven collision detection in SolidWorks-assemblies
Een concrete toepassing van AI binnen MechDes is het analyseren van botsingen in SolidWorks-ontwerpen. Machineontwerpen bestaan uit assemblies en onderdelen die tijdens beweging of assemblage met elkaar in aanraking kunnen komen. Botsingen kunnen statisch of dynamisch zijn.
SolidWorks heeft standaard een Interference Detection Manager, die alle overlappende onderdelen detecteert. In de praktijk levert dit echter honderden tot duizenden meldingen, waarvan in de meeste gevallen ruim 95% irrelevant is. Voorbeelden van niet-relevante botsingen zijn:
- Botsingen tussen bout en moer door overlap van de draad
- Sensoren waarvan het meetbereik overlap veroorzaakt
- Botsingen in koopdelen die constructief geen probleem vormen
Het handmatig identificeren van relevante botsingen blijft daardoor tijdrovend. Het doel van ons AI-model is een intelligente filter te creëren die irrelevante botsingen automatisch wegfiltert. Engineers geven feedback op de resultaten, waarna het model leert welke botsingen relevant zijn. Zo ontwikkelt het machine learning-model stap voor stap eigen logica en kan voorspellingen doen.
Belangrijke ontwerpvragen zijn onder andere:
- Welke dataset is geschikt om het model betrouwbaar te trainen?
- Welk type AI-model past bij dit probleem?
- Hoe stel je de modelparameters optimaal in?
Deze aanpak laat zien dat AI niet alleen draait om algoritmes, maar ook om kennis van engineering en data.
Kwaliteit waarborgen bij AI-toepassingen in engineering
Kwaliteit is sinds de oprichting een kernwaarde bij MechDes. Om hoge kwaliteit te waarborgen zijn consistente processen, duidelijke afspraken en ervaren engineers essentieel.
Innovatie kan op gespannen voet staan met kwaliteit: nieuwe technologieën introduceren onzekerheden. Daarom moet het gebruik van nieuwe tools en AI-functionality zorgvuldig worden geïntegreerd. Ontwikkeling alleen is onvoldoende; implementatie en training zijn minstens zo belangrijk.
Nieuwe technologie vraagt om heldere onboardingsprocessen en aandacht voor change management. Alleen dan kan een goed ontwikkeld hulpmiddel daadwerkelijk waarde toevoegen zonder het risico op fouten of inconsistenties.
Het succesvol toepassen van nieuwe technieken is minstens zo belangrijk als de ontwikkeling zelf: zelfs de beste tool levert slechte resultaten op wanneer deze verkeerd wordt gebruikt.
De volgende stap: AI verder integreren in engineeringprocessen
Het PARADAIM-project loopt tot in 2027. Gedurende dit traject verzamelen we ervaring met AI in engineering en voeren we proof-of-concepts en demonstrators uit om de toegevoegde waarde te testen.
Met de opgedane kennis zullen we AI steeds beter kunnen integreren in dagelijkse engineeringactiviteiten. Het doel is om innovatie en kwaliteit hand in hand te laten gaan, zodat we betrouwbare, doordachte en efficiënte oplossingen blijven leveren voor onze klanten.
Daarnaast biedt het project inzicht in hoe virtuele simulaties en AI elkaar versterken: van digitale modellen en botsingsanalyse tot voorspellende engineering. Zo zetten we stappen richting een toekomst waarin ontwerpen sneller, veiliger en efficiënter gerealiseerd kunnen worden.
Over PARADAIM
In het innovatieproject PARADAIM werken de ondernemingen AWL, MechDes Engineering, Hollander Techniek, Van den Bos CM, Verbruggen en HGG Profiling Specialists samen met de kennisinstellingen Windesheim en University of Twente, en onder penvoerderschap van Perron038, aan de realisatie van een virtueel product-development-proces gebaseerd op een AI-ondersteund Digital Model van nieuwe machines, sensoren en besturingssystemen.
De partners in PARADAIM zetten data-acquisitie en AI-analyse in voor het proces van ontwerp, ontwikkeling en virtual commissioning van een Digital Model van een nieuwe productiemachine. Op basis van een aldus geoptimaliseerd Digital Model wordt vervolgens de "Physical twin" van de nieuwe machine gerealiseerd. Naast een kwaliteitsoptimalisatie en dus hogere marktwaarde van het eindproduct verwachten de industriële partners hiermee enorm veel ontwikkel- en inbedrijfsstellingstijd - en daarmee gepaard gaande kosten - te besparen.
PARADAIM is het derde en afsluitende project na de EFRO Oost 2021-2027-projecten PRISMA en BRAINS. Hierbij stonden data-acquisitie en AI-analyse centraal voor het verbeteren van productieprocessen. PRISMA richtte zich op het verzamelen van data via sensoren en camera’s, en BRAINS gebruikte de data om machineprestaties te verbeteren. De penvoerder Perron038 speelt een verbindende rol in kennisdeling en praktijktoepassingen binnen het consortium.
