Ga naar de inhoud

Omarmen van AI om de effectiviteit van de apparatuur te verhogen

Aangezien data de nieuwe olie is, zitten productiebedrijven op een echte oliebron. De machines waarmee ze hun producten maken, genereren ook een schat aan gegevens. Met behulp van datawetenschap en kunstmatige intelligentie kunnen ze deze verborgen schat ontsluiten en hun werking drastisch verbeteren.

Bijna alle elektronische apparaten zijn tegenwoordig uitgerust met één of meer sensoren. Ze verzamelen een schat aan gegevens – over hoe de systemen het doen, wat ze doen en in welke omstandigheden ze dat doen. Al deze gegevens kunnen van grote waarde zijn voor uw bedrijf. Het grootste deel van het potentieel wordt momenteel echter onbenut gelaten. Dit is jammer, want het geeft een bedrijf een unieke kans om de zogenaamde overall equipment effectiveness (OEE) te verbeteren.

OEE is een maatstaf voor de mate waarin uw productieproces wordt benut in termen van faciliteiten, tijd en materiaal, in vergelijking met het volledige potentieel, gedurende de periodes dat het gepland is om te draaien. Het identificeert het percentage van de productietijd dat werkelijk productief is. Een OEE van 100 procent betekent dat u foutloze producten maakt (100 procent kwaliteit), op maximale snelheid (100 procent prestaties), zonder onderbreking (100 procent beschikbaarheid). Door OEE en de onderliggende verliezen te meten, krijgt u belangrijke inzichten over hoe u uw productieproces systematisch kunt verbeteren.

Opzetten machinebewaking

Het meten van OEE betekent het ophalen van gegevens uit uw systemen en deze naar de cloud sturen voor analyse. Dit brengt een aantal uitdagingen met zich mee. Een belangrijk obstakel is het sentiment: misschien is er in uw bedrijf het gevoel dat u liever niet toestaat dat uw gegevens buiten uw eigen organisatie worden opgeslagen, met name gegevens die bedrijfsgevoelige informatie kunnen onthullen. Met de juiste beveiligingsmaatregelen kan het risico dat uw gegevens in verkeerde handen vallen echter worden geminimaliseerd, terwijl met anonimisering eventuele privacyproblemen adequaat kunnen worden aangepakt. En u kunt altijd besluiten om de gegevens die u echt een concurrentievoordeel opleveren niet vrij te geven.

Gezien het feit dat dit sentiment kan worden aangepakt, is er de uitdaging om de gegevensverwerkingspijplijn op te zetten. Uw machinepark bevat waarschijnlijk systemen van verschillende leveranciers, elk met hun eigen besturings- en communicatietechnologie, van verschillende leeftijden, van nieuw met moderne mogelijkheden tot tientallen jaren oud met beperkte besturing en connectiviteit. In het begin kost het enige moeite om uw systemen en hun datastromen op elkaar af te stemmen en samen te brengen in één omgeving waar u uw OEE kunt beoordelen.

Wanneer u de infrastructuur op orde heeft en uw pijplijn operationeel is, is er de uitdaging om alle gegevens die daaruit voortkomen, zinvol te gebruiken. Dit ziet er misschien uit als een berg werk, die veel tijd en moeite kost om te beklimmen. Maar met specialistische hulp en intelligent gebruik van intelligent gereedschap, kunt u ook echt klein en overzichtelijk beginnen.

Aansluiting op het netwerk

Het creëren van een gegevensverwerkingspijplijn begint met het aansluiten van uw machinepark op uw bedrijfsnetwerk. Vervolgens worden de gegevens uit de machinebesturingssystemen gehaald en naar de cloud gestuurd waar ze veilig worden opgeslagen voor verdere analyse. Er is een groot scala aan data anayltics tools beschikbaar die gebruikt kunnen worden om uw gegevens om te zetten in waardevolle informatie die wordt teruggestuurd naar een dashboard op uw persoonlijke computer.

De nieuwere systemen in uw machinepark zijn waarschijnlijk uitgerust met sensoren en draadloze connectiviteit die toegang op afstand tot de sensorgegevens van de machine mogelijk maken. Oudere machines moeten wellicht achteraf worden uitgerust met dergelijke sensoren en een netwerkverbinding. De hardware die hiervoor nodig is, is goedkoop en eenvoudig achteraf in te bouwen.

Het is mogelijk dat uw systemen niet zijn uitgerust om alle gegevens te leveren die u nodig hebt om uw OEE adequaat te beoordelen. Het is bijvoorbeeld mogelijk dat ze een belangrijke eigenschap niet meten of dat de bemonsteringsfrequentie te laag is. Het achteraf inbouwen van sensoren biedt een eenvoudige manier om dergelijke tekortkomingen aan te pakken.

Voorbewerking van de gegevensstromen

Verschillende systemen maken gebruik van verschillende communicatieprotocollen, zoals Modbus, MTConnect of OPC UA. Om de gegevens uit verschillende bronnen te kunnen correleren, moeten de verschillende datastromen op een uniforme manier worden gestructureerd. Hierbij speelt kunstmatige intelligentie (AI) een belangrijke rol. Er kunnen machine learning (ML)-algoritmen worden ontwikkeld die de ruwe data die in de cloud zijn opgeslagen, analyseren op (terugkerende) patronen en dienovereenkomstig structureren. Onbeheerd leren leidt bijvoorbeeld de organisatie van de data in en construeert een model zonder vooraf bestaande labeling en zonder menselijk toezicht. Meestal is het echter efficiënter om een servicemonteur te laten assisteren bij het interpreteren van de gegevens.

Eenmaal gestructureerd zullen de gegevens moeten worden opgeschoond en voorbereid op de analyse. Er kan wat ruis door elkaar heen komen, bijvoorbeeld door sensor hik en andere eenmalige gebeurtenissen die niet relevant zijn voor uw OEE-beoordeling. Sommige ML-technieken kunnen deze zinloze grillen identificeren en eruit filteren, zodat uw gegevens klaar zijn voor het zware werk.

De hoeveelheid data die door machines wordt geproduceerd kan op zichzelf al een probleem vormen, waardoor de capaciteit van uw netwerkverbinding met de cloud wordt overschreden. In dit geval wordt een extra “edge computing”-laag tussen het machinepark en de cloud geplaatst om het volume van de gegevens die naar de cloud worden verplaatst voor te bereiden en te verminderen. Edge computing stelt u ook in staat om inzicht te krijgen in de werking van het machinepark op een eerder moment of in de situatie dat uw internetverbinding uitvalt.

Het onttrekken van informatie uit gegevens

Voor krachtigere analyses kunnen ML- en andere AI-algoritmen worden losgelaten op het datameer in de wolk. Ze halen waardevolle informatie uit de opgeslagen, gestructureerde en opgeschoonde data. Zo kunnen ze bijvoorbeeld zoeken naar wat bekend staat als de “zes grote verliezen” van OEE: productieafkeuringen en -afkeuringen bij het opstarten (kwaliteit), kleine stops en snelheidsverlies (prestaties) en geplande downtime en storingen (beschikbaarheid). Met de resultaten, gepresenteerd in het dashboard, kunt u de juiste handelswijze bepalen.

Zo kan anomaliedetectie bijvoorbeeld zeldzame gebeurtenissen identificeren die mogelijk verdacht zijn, doordat ze aanzienlijk afwijken van het merendeel van de gegevens. Meestal zullen de afwijkende gebeurtenissen zich vertalen naar een soort probleem, zoals een machine die in een inherent andere staat terechtkomt dan typisch voor een bepaalde bewerking. Het detecteren van dergelijke uitschieters kan wijzen op een potentieel kwaliteitsprobleem met een onderdeel dat wordt vervaardigd of op een prestatieprobleem met de machine zelf.

De cloud serice providers bieden allerlei geautomatiseerde hulpmiddelen voor het bouwen van ML-toepassingen. Deze out-of-the-box producten zijn eenvoudig te gebruiken en toch zeer generiek. Als u het maximale uit uw applicatie wilt halen, zult u waarschijnlijk uw eigen modellen moeten ontwikkelen. Dit vereist meestal een diepgaande kennis over wat een goede dataset voor uw applicatie is en vereist specialistische expertise op het gebied van datawetenschap.

Inzet van datawetenschappers

In deze AI-ondersteunde transformatie- en besluitvormingsprocessen spelen datawetenschappers dus een sleutelrol. Zij verenigen statistieken, gegevensanalyse, machinaal leren en hun verwante methoden om actuele fenomenen met gegevens te begrijpen en te analyseren. In plaats van alleen maar getallen te zien, begrijpt een datawetenschapper wat ze betekenen en hoe hij de AI-toolbox moet gebruiken om de gewenste informatie te verkrijgen.

U kunt een datawetenschapper inhuren of u kunt de dienst kopen bij een adviesbureau. De belangrijkste reden om er zelf een in te huren is dat een interne specialist uw domein snel onder de knie kan krijgen. Bovendien zorgt het inhuren van een eigen specialist ook voor continuïteit en voorkomt het dat het proces na afloop van een project fout loopt. Het is ook veel gemakkelijker om gegevens intern te gebruiken dan ze te delen met een externe partij waar het vertrouwen niet direct is ingeworteld.

Aan de slag

Met specialistische expertise en adequate tooling is het vrij eenvoudig om van uw machinepark een datafabriek te maken. Door uw productiesystemen aan te sluiten en hun sensormetingen automatisch te laten verwerken en presenteren, kunt u waardevolle inzichten krijgen in de kwaliteit, prestaties en beschikbaarheid van uw productie. U krijgt de beschikking over bruikbare informatie die u in staat stelt deze parameters af te stemmen en uw OEE te verhogen.

Alle benodigde expertise en tooling is direct beschikbaar. U kunt klein beginnen en het zo houden, door hulp van buitenaf in te roepen om de zaken op gang te brengen en een periodieke controle te laten uitvoeren. Of u kunt het zo groot maken als u wilt, door uw eigen datawetenschappelijke machinerie op te zetten. Hoe dan ook, u kunt er veel voordeel uit halen door uw gegevens goed aan te boren en de middelen ervan te gebruiken om uw productieproces te smeren.

De leden van de High Tech Software Cluster kunnen u helpen met specialistische expertise en essentiële tooling. Neem contact met ons op voor meer informatie.

HTSC

HTSC

Het High Tech Software Cluster is een samenwerkingsverband van ruim 30 innovatieve softwarebedrijven, onderzoeksorganisaties en onderwijsinstellingen die u ondersteunen om de digitalisering van uw bedrijf betaalbaar en praktisch te maken.

Lees meer
Schrijf je in voor onze nieuwsbrief en ontvang updates.