AI troubleshooting in de chemie
Voor heel wat ingenieurs in de industrie bestaat het grootste deel van hun dagtaak uit het oplossen van problemen. Het zoeken naar oorzaken kan een tijdrovende bezigheid zijn – die op zijn beurt grotendeels bestaat uit het analyseren van data. Dat zou dus een kolfje moeten zijn naar de hand van agentic AI.
De Industrial AI Podcast had onlangs een boeiend gesprek met Scott Duncan – een Amerikaanse ingenieur die vanuit zijn ervaring in de chemie en zijn fascinatie voor artificiële intelligentie het plan had opvat om een agentic manufacturing troubleshooting assistant te bouwen. Een van de boeiende aspecten aan het verhaal is dat hij zelf weinig ervaring had met programmeren en dat hij daarom niet enkel een assistent bouwde die werkt op basis van AI maar dat hij ook een beroep deed op AI om de assistent zelf te bouwen.
Op zijn website geeft hij een voorbeeld van een probleem dat de assistent wist op te lossen – een realistisch scenario waarin de operator van een plant een alarm gekregen had dat de stoomtemperatuur van een boiler te laag geworden was. De assistent slaagde erin zes mogelijke oorzaken van dit probleem te identificeren en vervolgens op basis van reële data vijf van die mogelijke oorzaken te elimineren.
Om dat voor elkaar te krijgen heeft de LLM niet alleen toegang nodig tot procesdata maar moet het model ook een inzicht verwerven in hoe de verschillende elementen in een plant op elkaar inspelen.
De assistent van Scott Duncan is daartoe opgebouwd uit vier verschillende databanken. De eerste is de Historian die in process plants typisch alle sensordata logt. De tweede databank zijn de alarm logs van het DCS-systeem, waarin dus ook de foutmelding terug te vinden is waarvan men de oorsprong wil opsporen. De derde databank is een knowlegde graph waarin de structuur en de onderlinge relaties tussen elementen van de plant vastgelegd wordt De vierde databank noemt Scott de vector database. Die bevat alle mogelijke documentatie die relevant kan zijn voor het model om een redenering op te bouwen. Het is wat men ongestructureerde data noemt.
Die laatste databank is waar de assistent in dit geval de zes mogelijke oorzaken van een te lage temperatuur vond. De knowledge graph is even belangrijk omdat die context en betekenis geeft aan de data in de twee eerste databanken. Het maken van knowledge graphs wordt gezien als een van de cruciale elementen in het goed functioneren van dit soort toepassingen. Het is een databank met een heel specifieke structuur. Fascinerend in dit verhaal is dat de knowledge graph zelf ook via AI gemaakt werd door input te geven over hoe de plant in mekaar zit.
In het podcast interview gaat Scott Duncan zelf ook in op een aantal bedenkingen die bij het hele verhaal gemaakt kunnen worden. Een daarvan is de cruciale vraag voor industriële toepassingen: in hoeverre kan het antwoord van zo een digitale assistent vertrouwd worden? Een deel van de oplossing is dat de assistent zo geprogrammeerd werd om elke stap die hij neemt – zoals het raadplegen van data of het trekken van een conclusie – te loggen zodat de hele redenering nagekeken kan worden door iemand met ervaring in de materie.
Scott Duncan schetst in dat verband een vrij realistisch beeld van AI in de industrie. Hij meent dat LLM’s een enorme hulp kunnen zijn bij troubleshooting maar dat ze nog lang niet in staat zijn om mensen met kennis en ervaring in de materie te vervangen. Hij verwacht daarom niet dat AI op korte termijn de manier waarop plants gerund worden, drastisch zal veranderen.
Een tweede bedenking is dat de plant waar de toepassing op losgelaten werd, hier relatief beperkt was in omvang. Duncan vond een plant in China waarvan heel wat data publiek beschikbaar was – inclusief de Historian databank met een dertigtal tags die gedurende een aantal dagen gelogd werden. In grote plants spreekt men echter al snel over duizenden tags wat de scope aanzienlijk verandert omdat ook de knowledge graph heel snel in complexiteit toeneemt.
De agentic manufacturing troubleshooting assistant staat intussen op Github als open source software om geïnteresseerden de gelegenheid te geven om de mogelijkheden verder te verkennen.
© Productivity.be, 07/09/2026, Foto: scottduncanai.com