Q
terug

De impact van AI en data in de maakindustrie – voorspelbaarheid vergroten

Technologische ontwikkelingen zorgen ervoor dat de maakindustrie in de volgende fase van haar ontwikkeling is gekomen: Industry 4.0. Innovatieve AI-, machine learning- en IoT-oplossingen kunnen daarbij machineonderhoud voorspellen, de efficiëntie van de organisatie verbeteren en operationele risico’s en kosten minimaliseren. Mede door de grote hoeveelheid beschikbare data wordt dit steeds beter mogelijk. Toch blijkt uit onderzoek dat bedrijven niet goed weten hoe ze de mogelijkheden van AI moeten verkennen. In deze reeks bekijken we de impact van deze trends op de gehele- en ICT-organisatie in het bijzonder. We laten zien hoe organisaties in de maakindustrie hun processen sneller, beter en slimmer kunnen maken, door hun data tot leven te brengen.

Risicobeheer binnen complexe productiebedrijven vormt een grote uitdaging. Het voorkomen van uitval van machines en systemen door het tijdig identificeren van risico’s wordt steeds belangrijker. Het kunnen bepalen van het juiste onderhoudssmoment van een machine of onderdeel en van het optimale moment voor een overstap, voorkomt eventuele storingen en uitval.

Onderhoud is al zo oud als de eerste industriële revolutie. In industriële processen gebruiken we nu eenmaal materialen, en materialen en onderdelen slijten, zelfs als ze niet worden gebruikt. Als we niets doen, ontstaan er problemen in deze processen en falen ze, of nog erger, lopen ze helemaal stuk met alle gevolgen van dien. Kortom, onderhoud is nodig, maar we doen dat het liefst wel zo weinig en zo kort mogelijk. Bijvoorkeur op vooraf geplande momenten en op zo’n manier dat de kans op onverwachte verstoringen en eventueel noodonderhoud binnen de gestelde kaders valt. Daarnaast dient de kwaliteit van de geproduceerde producten zo dicht mogelijk te komen bij de beoogde doelstellingen. Om dat optimum te bereiken, proberen we te anticiperen op wat er gaat komen. We proberen te voorspellen wat wel of niet gebeurt als we onderhoud wel of niet doen.

Slimmer onderhoud met AI

Dat proberen te voorspellen doen we al best lang, maar met de inzet van machine learning en AI kan het steeds beter. Een eenvoudige vorm van predictive maintenance die we nu al toepassen, is op basis van ervaringen uit het verleden tot bepaalde onderhoudsintervallen komen en die gebruiken om te proberen eventuele problemen met de kwetsbaarste componenten vóór te zijn. Om een vergelijking te maken: het was lange tijd heel normaal dat bij een auto na iedere 15.000 kilometer naar de garage moest voor een onderhoudsbeurt. Vandaag de dag zie je op dat vlak steeds meer een predictive maintenance-insteek. Veel moderne auto’s hoeven niet meer naar de garage voor onderhoud, maar op basis van intelligentie die aangeeft wanneer er behoefte kan zijn aan die onderhoudsbeurt. Daarbij kan die soms ruim voor of na die intervallen van 15.000 kilometer liggen.

Data verzamelen

Hoewel er zeker voorbeelden van predictive maintenance te vinden zijn, staan we nog aan het begin. Uit een recent onderzoek van Quint uit begin 2021 blijkt dat veel respondenten aangeven de gegevens uit hun productiestraten te halen maar nog niet of nauwelijks te gebruiken voor datascience-doeleinden. Het is juist deze inzet van slimme AI in combinatie met de groeiende beschikbaarheid van bruikbare data waarmee flinke stappen op het gebied van predictive maintenance mogelijk zijn geworden.

Hoe kun je dan beginnen met het toepassen van AI en data om betere predictive maintenance mogelijk te maken? En hoe past het in een groter digital factory-programma? Door het verzamelen van data tijdens de productieprocessen en door deze met machine learning-modellen te analyseren, kunnen er inzichten komen waarmee bijvoorbeeld de onderhoudsafdeling beter en sneller onderhoud kan uitvoeren of de kwaliteitsmedewerkers een goed oordeel kunnen vormen over de kwaliteit van de geproduceerde goederen.

Anomaly detection: afwijkingen vaststellen

De volgende vraag is: hoe komen we er achter hoe de productieprocessen zich gedragen? Dat kunnen we doen door op zoek te gaan naar afwijkend gedrag, ofwel anomaly detection. Vaak opereren machines en processen binnen gedefinieerde bandbreedte die aangeven wanneer zaken nog wel acceptabel zijn en wanneer niet meer. Door niet alleen te kijken naar de gevallen waarbij zaken buiten de grenzen vallen, de afwijkingen die heel zichtbaar zijn, maar ook naar de zaken die binnen de grenzen vallen, kunnen we toch afwijkend gedrag binnen die bandbreedtes inzichtelijk maken en daarmee krijgen we inzicht in afwijkingen vóórdat ze de gestelde bandbreedtes overstijgen met alle gevolgen van dien.

Predictive quality: kwaliteit controleren

Naast anomaly detection kunnen we ook AI inzetten op het gebied van kwaliteitscontrole. Het kan zo bijdragen aan het verkleinen van de hoeveelheid geproduceerde producten die afgekeurd worden. We spreken dan ook meer over predictive quality dan over predictive maintenance. Lang niet alle productieprocessen zijn al zo ver of lenen zich ervoor om van ieder afzonderlijk geproduceerd product een goede kwaliteitscontrole uit te voeren. In sommige sectoren is het een must: denk aan de medische sector. Maar in andere sectoren is het te veel, te duur en niet rendabel toepasbaar. Vaak wordt dan gebruikgemaakt van op steekproeven gebaseerde kwaliteitscontroles. Het nadeel daarvan is dat een negatieve steekproef een hele batch aan producten diskwalificeert. Als een steekproef negatief uitvalt, is ook vaak niet goed vast te stellen waarom dat zo is. Meestal is het een lastig en tijdrovend proces omdat er allerlei parameters zijn die de kwaliteit kunnen beïnvloeden.

Tijdens een analyse van die parameters ligt de productie stil. Vaak gooien we dan ook de hele batch weg, stellen de productie terug in een basispositie en hervatten de productie ervan uitgaande dat de kwaliteit zo weer op een acceptabel niveau komt. Ook hier kun je door continu meten en de inzet van AI veel beter iets zeggen over de kwaliteit van een batch en zelfs over de kwaliteit van ieder afzonderlijk product binnen zo’n batch. De inzichten van machine learning-modellen die zich hierop richten, kunnen we bijvoorbeeld inzetten om een snelle analyse te doen bij een negatieve steekproef. Zo’n analyse kan iets zeggen over de afzonderlijk geproduceerde producten binnen de negatieve batch, waardoor je niet alle producten hoeft weg te gooien, maar je prima een gedeelte van de geproduceerde producten kunt behouden omdat er een grote mate van zekerheid is dat die beter zijn dan dat ene steekproefproduct. Op basis van deze analyses zou je ook kunnen vaststellen op welke details van de kwaliteitskenmerken de producten niet goed scoren en bepalen welke aanpassingen nodig zijn om het productieproces weer op orde te krijgen zonder dat alles weer naar een basispositie gebracht moet worden, wat veel meer tijd, inspanning en soms ook materiaal kost.

Valkuilen bij predictive maintenance

Naast anomaly detection en predictive quality zijn er nog meer manieren waarop predictive maintenance vorm kan krijgen. Maar welke vorm je ook kiest, een aantal valkuilen ligt altijd op de loer.

  • Aannemen dat alle data beschikbaar is. Data is de grondstof voor Industry 4.0, maar dat betekent niet dat iedereen zomaar genegen is om die data af te staan aan anderen of, als men dat wel was, opnieuw wordt overwogen om de data niet meer te delen. Het is van groot belang om je daarvan bewust te zijn en eventueel nu al met leveranciers afspraken te maken over de beschikbaarheid van data.
  • Aannemen dat data onbruikbaar is. Soms wordt gedacht dat de beschikbare data van beperkte kwaliteit is. Toch kan AI helpen om data die op het oog niet zo waardevol lijkt mogelijk toch waardevol te maken. Simpelweg omdat AI verbanden in data kan zien die wij niet zo snel kunnen vinden.
  • Het idee dat alles connected moet zijn. Buzzwords als IoT en cloud zijn hot topics binnen Industry 4.0 en zeker ook relevant bij predictive maintenance en de inzet van AI. Maar het is ook weer niet zo dat je daar per se mee bezig moet zijn om met Industry 4.0 bezig te kunnen zijn. Ze kunnen zeker van waarde zijn, maar ook deze nieuwe stappen kun je met kleine stapjes introduceren binnen een organisatie.

Next Steps

De valkuilen hoeven je zeker niet tegen te houden om tot actie over te gaan. Zoals zo vaak geldt ook hier: think big, act small. Je kunt op ieder moment starten, maar besef dat een eerste traject ook vooral een leertraject zal zijn voor de mensen en de organisatie. Waak er wel voor dat het niet blijft bij een leertraject of een proof of concept. Want de stap om AI zoals bijvoorbeeld bij predictive maintenance daadwerkelijk onderdeel te laten worden van de operationele productieprocessen en er daadwerkelijk de vruchten van te plukken, is een stap die de praktijk lastiger is dan op het eerste gezicht lijkt. Zeker niet onmogelijk en goed te doen, maar zeker niet zo evident als het lijkt.

Heb je het idee dat predictive maintenance iets voor jouw organisatie kan zijn, dan kan een stappenplan er grofweg zo uitzien.

  1. Kies samen met bijvoorbeeld de onderhoudsafdeling één of meer machines/productielijnen die voor verbetering vatbaar zijn (te veel storingen, te hoge uitval enzovoort).
  2. Valideer of er proces- en/of kwaliteitsdata beschikbaar is.
  3. Bepaal welke inzichten realiseerbaar en van toegevoegde waarde kunnen zijn.
  4. Realiseer deze inzichten en gebruik ze in productie.