果冻传媒

Alexander Teeuwen werkt al zeven jaar als software engineer bij Gooiland Elektro, waar hij aan de industri毛le automatisering van HVAC (heating, ventilation and airconditioning) van luxe jachten werkt. Hij volgde de expert track van het 鈥楳astering Data & AI鈥�-programma om zijn technische kennis te verdiepen, met name op het gebied van machine learning. Daniel Kapitan (DK) sprak met hem over wat het programma hem heeft gebracht en over zijn Mastering project om een digital twin te maken.

DK: Kan je om te beginnen vertellen waarom je voor het mastering data science & AI programma van EAISI Academy hebt gekozen? 

鈥淢et een achtergrond in de industri毛le automatisering ben ik bij Gooiland Elektro gaan werken als software engineer. Inmiddels werk ik daar ruim zeven jaar en ik was op zoek naar een manier om mijn kennis te verbreden. In de OT-wereld (operational technology) wordt AI nog nauwelijks toegepast. Terwijl er zoveel te leren valt van IT (information technology). Ik zocht een stevige, technische opleiding om die kloof te overbruggen. EAISI Academy sprak me aan omdat de expert track van het programma een grondige technische basis biedt en je leert AI ook echt praktisch inzetten.鈥� 

DK: Hoe heb je de opbouw van het programma ervaren?

"Voordat ik hier aan begon had ik nog geen kennis van statistiek, ik moest in het begin dus wel even aan de bak om meer kennis te krijgen over dit onderwerp. Ook de materie over hoe je algoritmes nu traint en valideert  was voor mij allemaal nieuw. Er was in de eerste module dus meteen genoeg te leren en ik heb dit dan ook met veel plezier gedaan.

"De tweede module, Applications, vond ik de leukste. Omdat je in teamverband aan een project werkt, word je uitgedaagd om om te gaan met de complexiteit van samenwerken aan 茅茅n vraagstuk. Overigens was dat niet lastig vanwege het team (integendeel), maar juist omdat je zelf nog volop bezig was om de stof en je eigen project te begrijpen. Daardoor was het lastig om je kennis en gedachtegangen goed over te brengen op anderen 鈥� je was immers zelf ook nog aan het 鈥榢looien鈥�. Ik zou deze module zeker aanraden aan iedereen die interesse heeft in het onderwerp. Sterker nog, ik zou hem graag nog eens doen (met hetzelfde team uiteraard), om met de opgedane kennis een betere versie van het project neer te zetten."

"De derde en laatste module, Mastering, vond ik de meest waardevolle 茅n de meest pittige. In deze fase werk je zelfstandig en pas je je opgedane kennis toe op een zelfgekozen project. Gelukkig sta je er niet helemaal alleen voor: de begeleiding van een mentor helpt enorm om op koers te blijven. Wat me opviel, is dat het werken met deze materie inmiddels wat vertrouwder aanvoelt. Je kunt experimenten uitvoeren waarvan de uitkomsten steeds vaker overeenkomen met wat je vooraf had verwacht 鈥� voor mij een duidelijk teken dat ik de materie beter begin te begrijpen."

DK: Waar ging je mastering project over? 

鈥淗et doel van mijn project was het ontwikkelen van een digitale tweeling van een luchtbehandelingsinstallatie, gebaseerd op data van de echte installatie 鈥� dus niet op een wiskundig model. Als software engineer bij Gooiland Elektro bouw ik besturingssoftware voor klimaatinstallaties op jachten, die pas aan boord worden opgebouwd 茅n afgesteld. Met een nauwkeurige digitale tweeling kan dat afstellen ook elders plaatsvinden, wat helpt om systemen effici毛nter en comfortabeler in te regelen. De basis voor het project was een wetenschappelijk artikel over data-gedreven digitale tweelingen, waarvan ik de resultaten succesvol heb gereproduceerd.鈥� 

DK: Als jouw mentor vond ik het bijzonder om te zien dat toen je eenmaal op stoom kwam ineens heel veel experimenten hebt gedaan met de data van een HVAC systeem. Kan je vertellen wat je hebt gedaan en hoe je dat hebt ervaren? 

鈥淚k onderzocht ook een techniek die probeert te achterhalen welke variabelen verantwoordelijk zijn voor welke uitkomsten. Bijvoorbeeld: het inschakelen van een bevochtiger verhoogt het vochtgehalte. Hoewel dit tot op zekere hoogte werkte, bleek de techniek niet geschikt voor systemen met feedbackloops 鈥� iets waar klimaatinstallaties juist vol mee zitten. Denk aan de koelklep: als die verder open gaat, daalt de temperatuur, wat weer invloed heeft op andere onderdelen van het systeem. Hierdoor werd duidelijk dat deze techniek nu nog niet toereikend is.

Voor het digitale tweelingmodel heb ik twee voorspeltechnieken vergeleken: een eenvoudig regressiemodel en een neuraal netwerk. Aanvankelijk gaven beide vergelijkbare resultaten, maar bij diepere analyse bleek het neuraal netwerk beter om te kunnen gaan met de onderlinge afhankelijkheden binnen het systeem. Bijvoorbeeld: als de temperatuur van het koelwater stijgt, verandert de hele dynamiek van het systeem 鈥� iets waar een neuraal netwerk beter op inspeelt.

De grootste uitdaging ontstond toen het neuraal netwerk voorspellingen moest doen buiten de bekende dataranges. Bij een test waarbij de koelklep werd gevarieerd, voorspelde het model juist een stijging van de temperatuur in plaats van een daling. Na analyse bleek dit te komen doordat de trainingsdata ook de werking van de bestaande controller bevatte 鈥� die regelt alles richting bepaalde setpoints. Voor een bruikbare digitale tweeling moet juist die regeltechniek buiten beschouwing blijven. De huidige uitdaging is dan ook: hoe zet je de bestaande regeling effectief buitenspel?鈥� 

DK: Nu je kunt terugkijken op het geheel, wat zou je aan toekomstige deelnemers mee willen geven?

鈥淛uich niet te vroeg. Ik heb vaak juichend achter mijn computer gezeten omdat de voorspelling bijna in zijn geheel op de echte data lag, om er vervolgens achter te komen dat er toch nog ergens een lek zat in de data. Een model zal altijd een uitkomst geven en soms lijkt die uitkomst ook erg goed te zijn. Stel jezelf altijd de vraag is dit de uitkomst die ik had verwacht en kan ik het model gemakkelijk onderuit halen of blijft het stabiel.

Het zit niet altijd mee en je programma/computer gaat een keer crashen. Koester de momenten dat het w茅l lukt 鈥� die zijn goud waard."