Neuraal netwerk met fractieorde voor het detecteren van procesafwijkingen in de productie van glasvezelkabels

Waarom kleine storingen in kabel‑fabrieken ertoe doen

Elke videogesprek, cloud‑backup en online game steunt op licht dat door haarfijne glazen vezels raast. Het maken van die vezels is een precies vak: een kleine schommeling in temperatuur of spanning kan kilometers kabel veranderen in duur afval. Dit artikel beschrijft een nieuw type kunstmatige intelligentie die een glasvezelproductielijn in realtime bewaakt en leert subtiele problemen te herkennen lang voordat ze zichtbaar worden in de uiteindelijke kwaliteitscontroles, wat helpt materiaal, energie en geld te besparen.

De hartslag van een vezelfabriek in de gaten houden

Moderne glasvezelkabels worden in meerdere stappen gemaakt: glas wordt tot dunne vezels getrokken, gecoat met beschermende polymeren, in kunststofbuizen gedrukt, in bundels gedraaid en omhuld met buitenlagen. Bij elke stap volgen tientallen sensoren drukken, temperaturen, snelheden en spanningen. Op de extrusielijn die hier is bestudeerd sturen 232 sensoren elke seconde een nieuwe meting, jarenlang achter elkaar. Meestal draait de lijn soepel, maar defecten worden vaak pas aan het eind van de productie ontdekt, wanneer de afgewerkte kabel wordt getest op signaalverlies of mechanische gebreken. Die vertraging maakt het moeilijk precies te weten wanneer en waarom een fout begon, en het enorme datavolume maakt handmatige monitoring onmogelijk.

Machines leren zelfstandig afwijkend gedrag te vinden

Om dit aan te pakken schakelden de onderzoekers een familie diep‑leer modellen in, zogenaamde recurrente neurale netwerken, die goed zijn in het lezen van reeksen zoals spraak, tekst of sensorsignalen. In plaats van precies te vertellen hoe elk defect eruitziet, ontvangt het model alleen zwakke aanwijzingen: sommige productieruns zijn gelabeld als problematisch, andere als schoon. Het team comprimeert eerst de ruwe sensordata met een wiskundig hulpmiddel dat de wavelet‑transformatie heet, welke elk signaal opsplitst in kort‑ en langetermijnpatronen. Ze clusteren deze patronen vervolgens om een set typische proces“toestanden” te bouwen, variërend van normale werking tot verschillende typen abnormaal gedrag. Deze toestanden dienen als benaderende trainingslabels, waardoor het netwerk kan leren welke temporele patronen vaak aan slecht product voorafgaan.

Een nieuw soort geheugen voor neurale netwerken

De kerninnovatie van het werk is een herontworpen geheugencel in het netwerk, genaamd FD‑LSTM (Fractional‑Derivative Long Short‑Term Memory). Standaard LSTM‑cellen beslissen bij elke tijdstap hoeveel van het verleden ze onthouden of vergeten met vaste wiskundige functies. De auteurs vervangen deze door "fractionele" versies die het model in feite een instelbaar, gradueel geheugen voor het verre verleden geven. In plaats van alleen op recente sensormetingen te reageren, kan de FD‑LSTM gebeurtenissen die vele minuten eerder plaatsvonden soepel meewegen, wat cruciaal is in een proces waar langzame verschuivingen in druk, temperatuur of vezelspanning geleidelijk tot defecten leiden.

Het model testen op een live productielijn

Het team evalueerde hun aanpak op 2,5 jaar echte data van een vezel‑buis extrusielijn in een industriële fabriek. Ze sneden de continue sensorstroom in korte vensters van ongeveer vier minuten en trainden meerdere modellen onder strikt gecontroleerde omstandigheden, waarbij alleen de manier van geheugenbeheer werd gevarieerd. De FD‑LSTM behaalde ongeveer 96,7% nauwkeurigheid en een hoge F1‑score (een afweging tussen precisie en recall), en presteerde beter dan een klassieke LSTM en dan meer traditionele methoden zoals random forests, support vector machines en eenvoudigere recurrente netwerken. Een belangrijk instelpunt in het ontwerp is de fractieorde, die bepaalt hoe ver terug in de tijd het model effectief "kijkt." Waarden iets onder de standaardinstelling werkten het beste, wat suggereert dat langzaam ontwikkelende drift, eerder dan plotselinge pieken, de belangrijkste boosdoeners zijn op deze productielijn.

Van datastromen naar betere kabels en groenere fabrieken

Buiten de statistiek scheidt het verbeterde model zwakke, langzaam opbouwende anomalieën duidelijk van gezonde toestanden—precies wat fabrieksingenieurs in rumoerige data moeilijk kunnen zien. Door operators eerder te waarschuwen kan het systeem de tijd die de lijn in off‑spec omstandigheden doorbrengt verkorten, wat afval en onnodig energiegebruik vermindert. Hoewel deze studie zich richtte op één vezel‑buis lijn, betogen de auteurs dat hetzelfde fractiegeheugen‑idee toepasbaar is op elk industrieel proces waar veel sensoren een complex, langzaam driftend systeem volgen—van chemische reactors tot elektriciteitsnetten of intensieve‑zorg monitoren. Simpel gezegd lijkt het schenken van een meer genuanceerd gevoel voor tijd aan neurale netwerken ze betere hoeders van zowel productkwaliteit als hulpbronnenefficiëntie te maken.

Bronvermelding: Gomolka, Z., Zeslawska, E. & Olbrot, L. Fractional-order neural network for detecting process deviations in optical fiber cable manufacturing. Sci Rep 16, 6677 (2026). https://doi.org/10.1038/s41598-026-37770-x

Trefwoorden: productie van glasvezels, industriele anomaliedetectie, fractieneurale netwerken, tijdsreeks-sensoren, predictief onderhoud