Wat is Machine Learning?
Machine Learning (ML) is een deelgebied van kunstmatige intelligentie (AI) waarin een computer uit voorbeelddata een model leert dat voorspellingen doet, gegevens classificeert of afwijkingen herkent, zonder dat een programmeur elke regel en elk scenario vooraf uitschrijft. De term werd in 1959 gemunt door IBM-onderzoeker Arthur Samuel, die een damprogramma bouwde dat beter speelde naarmate het meer partijen had gespeeld. In industriële omgevingen vormt Machine Learning de basis van Predictive Maintenance, visuele inspectie, anomaliedetectie en procesoptimalisatie.
Een ML-model ontdekt patronen in historische data en past die kennis toe op nieuwe data. Het resultaat is altijd een waarschijnlijkheid, geen zekerheid.
🧠 Hoe werkt Machine Learning?
Een veelgebruikte definitie komt van Tom Mitchell (1997): een programma leert van ervaring E voor een taak T als zijn prestatie P op die taak verbetert met meer ervaring. In de praktijk betekent dit dat een algoritme de parameters van een model aanpast totdat de fout op voorbeelddata zo klein mogelijk is.
Een ML-toepassing kent twee duidelijk gescheiden fasen:
- Training - het algoritme leert verbanden uit historische data, bijvoorbeeld uit een historian of tijdreeksdatabase. Dit vraagt veel rekenkracht en gebeurt meestal in een datacenter of de cloud.
- Inferentie - het getrainde model wordt toegepast op live data en geeft een uitkomst, zoals “lager defect binnen drie weken” of “product afkeuren”. Dat kan lokaal op een edge-apparaat of IPC, dicht bij de machine.
Belangrijk misverstand: een ingezet model leert niet vanzelf bij. Het blijft hetzelfde totdat iemand het opnieuw traint. Verandert het proces, bijvoorbeeld door een nieuwe grondstof of een vervangen pomp, dan worden de voorspellingen geleidelijk slechter. Dat heet data drift (de invoer verandert) of concept drift (het verband tussen invoer en uitkomst verandert).
🔍 Welke soorten Machine Learning zijn er?
| Type | Hoe het leert | Industriële voorbeelden |
|---|---|---|
| Supervised learning | Van gelabelde data: invoer én juiste uitkomst zijn bekend | Kwaliteitsclassificatie (goed/afkeur), restlevensduur van een pomp voorspellen, energieverbruik voorspellen |
| Unsupervised learning | Zonder labels; zoekt zelf structuur of clusters | Clusteren van bedrijfstoestanden, afwijkingen in sensordata of netwerkverkeer vinden |
| Semi-supervised learning | Weinig gelabelde en veel ongelabelde data | Defectherkenning als slechts een paar foutbeelden beschikbaar zijn |
| Reinforcement learning | Door beloning en straf op acties in een omgeving | Robotbewegingen leren, strategieën testen in een simulatie of digital twin |
In fabrieken wordt supervised learning het meest gebruikt, omdat de vraag meestal concreet is: is dit product goed of fout, en hoeveel dagen gaat dit lager nog mee? Unsupervised learning is waardevol als storingen zeldzaam zijn en er dus nauwelijks voorbeelden van “fout” bestaan. Reinforcement learning wordt in OT vooral offline gebruikt, in een simulatie, en zelden direct op een draaiende installatie.
🧱 Welke algoritmes worden het meest gebruikt?
| Algoritme | Type | Typische OT-toepassing |
|---|---|---|
| Lineaire en logistische regressie | Supervised | Soft sensor die een labwaarde schat uit procesvariabelen |
| Decision trees en random forests | Supervised | Classificeren van stilstandoorzaken, uitlegbare voorspellingen |
| Gradient boosting | Supervised | Voorspellen van kwaliteit of energieverbruik uit tabeldata |
| Support Vector Machines (SVM) | Supervised | Classificatie bij kleine datasets |
| K-means clustering | Unsupervised | Bedrijfstoestanden van een machine groeperen |
| Isolation forest | Unsupervised | Afwijkende metingen of afwijkend netwerkverkeer markeren |
| Neurale netwerken | Beide | Beeld- en geluidsherkenning via Deep Learning |
Voor tabel- en tijdreeksdata uit sensoren presteren klassieke algoritmes zoals random forests en gradient boosting vaak even goed als neurale netwerken, met minder data en betere uitlegbaarheid. Deep learning loont vooral bij camerabeelden (Vision), geluid en trillingsspectra.
🏭 Waar wordt Machine Learning in industrie en IT toegepast?
- Predictive Maintenance - storingen voorspellen uit trilling, temperatuur en stroomopname, als vervolgstap op conditiebewaking
- Visuele inspectie - krassen, vlekken of verkeerde etiketten herkennen met camera’s en Vision AI
- Procesoptimalisatie - advies over setpoints voor minder energie of hogere opbrengst, naast klassieke regelingen zoals MPC
- OEE-analyse - patronen vinden in microstops en stilstandredenen
- Cyber-anomaliedetectie - afwijkend verkeer van een PLC of SCADA-systeem signaleren, gekoppeld aan een SIEM binnen Cybersecurity
- Tekstanalyse - storingsmeldingen, logbestanden of onderhoudstickets automatisch classificeren
- Vraagvoorspelling - productieplanning en voorraad afstemmen op verwachte vraag
Voor de bredere context van deze toepassingen in fabrieken en procesinstallaties, zie Industrial AI.
🔧 Hoe zet u een ML-project in OT stap voor stap op?
Veel teams volgen een variant van CRISP-DM, een procesmodel uit 1996 dat later in een Europees ESPRIT-project is uitgewerkt. Het kent zes fasen: business understanding, data understanding, data preparation, modeling, evaluation en deployment. Vertaald naar een fabriek:
- Formuleer een meetbare vraag - bijvoorbeeld “waarschuw twee weken voordat pomp P-101 uitvalt”, niet “doe iets met AI”.
- Verzamel en begrijp de data - haal tijdreeksen uit de historian of via een Unified Namespace; controleer bemonsteringsfrequentie, eenheden en tijdstempels.
- Maak de data schoon - verwijder sensorfouten, vul gaten, label storingen met hulp van onderhoudsmonteurs. Dit kost vaak het grootste deel van de projecttijd; Industrial DataOps helpt dit structureel te regelen.
- Train en valideer - splits de data, bijvoorbeeld 70/15/15 of 80/20 voor training en test. Bij tijdreeksen splitst u chronologisch, anders “kijkt” het model in de toekomst en lijkt het beter dan het is.
- Beoordeel met procesmensen - een model dat 95% juist voorspelt maar elke zeldzame storing mist, is onbruikbaar. Kijk naar gemiste detecties en valse alarmen.
- Zet het model in - meestal adviserend via edge computing of op niveau 3 van het Purdue-model, nooit in de veiligheidsfunctie. De PLC en het veiligheidssysteem blijven de besturing houden.
- Monitor en hertrain - bewaak drift en plan hertraining na proceswijzigingen, onderhoud of seizoenseffecten.
🔐 Welke risico’s en regels gelden voor Machine Learning?
- Datakwaliteit - een model is nooit beter dan zijn trainingsdata; verkeerde tijdstempels of gemanipuleerde meetwaarden raken direct de data-integriteit.
- Uitlegbaarheid - vooral neurale netwerken zijn een “black box”. Operators moeten een advies kunnen begrijpen en overrulen.
- Aanvallen op ML - NIST beschrijft in NIST AI 100-2 E2025 (maart 2025) onder meer evasion (invoer zo manipuleren dat het model zich vergist), poisoning (trainingsdata vervuilen) en privacyaanvallen. MITRE ATLAS catalogiseert zulke technieken naar het voorbeeld van ATT&CK.
- Geen veiligheidsfunctie - een ML-model is statistisch en niet deterministisch, en past daarom niet zomaar binnen functionele veiligheid.
- Regelgeving - de AI Act (Verordening (EU) 2024/1689) geldt sinds 1 augustus 2024. AI-geletterdheid is verplicht sinds 2 februari 2025. ML als veiligheidscomponent in kritieke infrastructuur of in een machine kan als hoog risico gelden. Na de digitale omnibus gelden die verplichtingen vanaf 2 december 2027 voor kritieke infrastructuur (bijlage III) en vanaf 2 augustus 2028 voor producten zoals machines (bijlage I).
| Norm of kader | Jaar | Waar het over gaat |
|---|---|---|
| ISO/IEC 22989 | 2022 | Begrippen en terminologie voor AI en ML |
| ISO/IEC 23053 | 2022 | Raamwerk voor AI-systemen die machine learning gebruiken |
| ISO/IEC 23894 | 2023 | Risicomanagement voor AI |
| ISO/IEC 42001 | 2023 | Managementsysteem voor AI, vergelijkbaar met ISO 27001 |
| NIST AI RMF 1.0 | januari 2023 | Vier functies: Govern, Map, Measure, Manage |
✅ Wat zijn de voordelen en beperkingen?
| Voordelen | Beperkingen |
|---|---|
| Herkent patronen in duizenden signalen tegelijk | Vraagt voldoende, representatieve en gelabelde data |
| Vroege waarschuwing vóór storingen of kwaliteitsafwijkingen | Wordt slechter bij drift en moet hertraind worden |
| Automatiseert repeterende inspectie- en analysetaken | Uitkomst is een waarschijnlijkheid, geen garantie |
| Verbetert met nieuwe data, mits u hertraint | Uitlegbaarheid en acceptatie door operators zijn lastig |
❓ Veelgestelde vragen
Wat is het verschil tussen AI, Machine Learning en Deep Learning?
AI is de overkoepelende term voor systemen die uit invoer afleiden hoe ze voorspellingen of beslissingen genereren. Machine Learning is het deelgebied waarin modellen dat leren uit voorbeelddata. Deep Learning is een vorm van Machine Learning met meerlaagse neurale netwerken, vooral sterk in beeld en geluid.
Leert een Machine Learning-model zelf bij tijdens gebruik?
Een Machine Learning-model in productie leert meestal niet zelf bij; het blijft gelijk totdat het opnieuw wordt getraind. Als het proces verandert, nemen de prestaties geleidelijk af door data drift of concept drift. Daarom hoort monitoring en geplande hertraining bij elke ML-toepassing.
Hoeveel data heeft Machine Learning nodig?
Hoeveel data Machine Learning nodig heeft, hangt af van het algoritme en de vraag. Klassieke algoritmes werken vaak al met enkele maanden procesdata, terwijl deep learning voor beeldherkenning honderden tot duizenden gelabelde beelden per foutklasse vraagt. Belangrijker dan de hoeveelheid is dat de data alle relevante bedrijfstoestanden en storingen bevat.
Mag Machine Learning een machine of installatie besturen?
Machine Learning wordt in OT vrijwel altijd adviserend ingezet, terwijl de PLC of het DCS de feitelijke besturing houdt. Een ML-model gedraagt zich statistisch en is daardoor lastig te valideren voor veiligheidsfuncties. Als ML toch een veiligheidscomponent vormt, kan het onder de hoog-risico-eisen van de AI Act vallen.
Waar draait een Machine Learning-model in een fabriek?
Een Machine Learning-model wordt meestal centraal getraind in een datacenter of de cloud en daarna voor inferentie uitgerold op een edge-apparaat of industriële pc dicht bij de machine. Zo blijft de reactietijd kort en hoeft procesdata niet continu de fabriek te verlaten. Leg die verbinding bij voorkeur aan via een gescheiden netwerkzone volgens IEC 62443.
Hoe kan een aanvaller een Machine Learning-model misleiden?
Een aanvaller kan een Machine Learning-model misleiden door trainingsdata te vervuilen (poisoning) of door invoer subtiel te manipuleren zodat het model een verkeerde uitkomst geeft (evasion). NIST beschrijft deze aanvallen in NIST AI 100-2 E2025. Bescherm daarom datapijplijnen, modelbestanden en de toegang tot trainingsomgevingen net zo goed als andere OT-systemen.
📌 Samengevat
Machine Learning laat systemen patronen leren uit data en die toepassen op nieuwe situaties, voor voorspellend onderhoud, visuele inspectie, anomaliedetectie en procesoptimalisatie. In OT werkt ML vooral adviserend naast de besturing; succes hangt af van goede data, toetsing met procesmensen, bewaking van drift en beveiliging van het model, binnen de kaders van de AI Act en normen als ISO/IEC 23053. Het verbindt de werelden van IT en Cybersecurity met de fabrieksvloer.