Meteen naar de inhoud

Hoe maak je met machine learning van je fabriek een lerende fabriek

De laatste ‘paar’ jaar is iedereen bezig met het bouwen van zogenaamde dashboards. In fabrieken houdt men de productiehoeveelheden, verspilde materialen, ongeplande stilstand, gebruik van belangrijke apparatuur en nog veel meer gegevens bij, over kortere of langere perioden. Maar waarom?
Lerende fabriek machine learning

IN HET KORT

Dit is de kop

Om productieprocessen echt te verbeteren hebben we data nodig uit verschillende bronnen

Dit is de kop

Dashboards helpen ons die data om te zetten in bruikbare informatie

Dit is de kop

Machine Learning helpt ook bij de analyse van data, en mits op de juiste manier toegepast maakt het ook onverwachte correlaties zichtbaar

Op basis van deze KPI’s beslist het management over wat er in de fabriek moet veranderen. Dit betekent vaak dat een diepgaand onderzoek nodig is om uit te vinden wat er werkelijk aan de hand is. Om fabrieken te helpen verbeteren, moeten wij ervoor zorgen dat de juiste veranderingen worden doorgevoerd en daarvoor moeten wij ervoor zorgen dat de bron van de gegevens die aan de KPI’s ten grondslag liggen, duidelijk is. Als een deel van een fabriek bijvoorbeeld te kampen heeft met ongeplande stilstand, betekent dat getal niets als er geen onderliggende gegevens over de oorzaak beschikbaar zijn. Onderbezetting, machinebreuk, materiaaltekort – dit kunnen allemaal onderliggende redenen zijn die ook moeten worden bijgehouden.

Het is interessant om te zien hoe dit werkt in een slimme fabriek. Wij hebben ons tot doel gesteld om de gegevens in een fabriek of een groep fabrieken te gebruiken om de productie- en logistieke processen automatisch te verbeteren. Dat betekent niet alleen de verzamelde gegevens in een dashboard plaatsen, maar ook een geautomatiseerd systeem de gegevens laten interpreteren en verbeteringen laten voorstellen. Het mechanisme hiervoor is machine learning.

“Het is mijn visie om de gegevens die we op verschillende niveaus verzamelen (machines, processen, productieaantallen, materiaalstroom, enzovoort) te voeden aan een machine learning algoritme, of set van algoritmen, gericht op het optimaliseren van de fabriek.”

De lerende fabriek

Het is mijn visie om de gegevens die we op verschillende niveaus verzamelen (machines, processen, productieaantallen, materiaalstroom, enzovoort) te voeden aan een machine learning algoritme, of set van algoritmen, gericht op het optimaliseren van de fabriek. De reikwijdte van dergelijke algoritmen kan variëren naargelang van de behoeften van de fabriek: de productiesnelheid verbeteren, materiaalverliezen beperken of de processen duurzamer maken. De uitdaging hierbij is het verzamelen van de juiste gegevens. Of eigenlijk is dat het niet… De uitdaging is het systeem zelf in staat te stellen zoveel mogelijk gegevens te verzamelen.

Laten we dat eens bekijken vanuit een menselijk perspectief. Stel dat we een KPI-dashboard hebben dat ons vertelt dat de productie elke vierde week van de maand daalt. Om de oorzaak te achterhalen, moeten we naar de onderliggende gegevens kijken voor een trigger. Als onze KPI bijvoorbeeld rechtstreeks gebaseerd is op het aantal afgewerkte producten dat de fabriek verlaat en de uitvaltijd van de eindverpakkingsafdeling, geeft dat ons een aanwijzing waar we moeten kijken, maar niet waar we naar moeten zoeken. Het kan zijn dat er voor die vierde week onderhoud is gepland op zo’n manier dat het de productieprocessen beïnvloedt. Het kan ook zijn dat te veel operators in de laatste week van de maand tegelijk vrij nemen of dat het bestelproces zodanig is dat in die vierde week bepaalde onderdelen of materialen niet meer voorradig zijn.

Dit zeer eenvoudige voorbeeld toont al aan dat het heel moeilijk is om te voorspellen welke gegevens moeten worden verzameld en gecombineerd om te analyseren wat er moet gebeuren. Machine learning lijkt, op het eerste gezicht, het probleem niet op te lossen. Hoe kunnen we een algoritme definiëren dat het werk voor ons doet? Hebben algoritmen geen input parameters nodig om hun werk te doen? Gelukkig is dat bij machinaal leren niet helemaal waar, in die zin dat de parameters misschien niet van tevoren bekend hoeven te zijn.

Er zijn verschillende machine learning benaderingen om problemen op te lossen. De gesuperviseerde en de onbewaakte aanpak.

Er zijn verschillende machine learning benaderingen om problemen op te lossen. Bij de aanpak onder toezicht krijgt het algoritme een gelabelde reeks gegevens om van te leren: het type gegevens dat het krijgt is vooraf bepaald en het gebruikt die kennis bij de analyse. Zo kan het het effect van bepaalde vooraf gedefinieerde parameters op bijvoorbeeld de productiesnelheid voorspellen – vergelijkbaar met een menselijke analist die naar een dashboard kijkt. Bij de aanpak zonder toezicht worden niet-gelabelde gegevens verstrekt, zonder dat daaraan een vooraf bepaalde betekenis is gekoppeld. Hierdoor kan het algoritme patronen in verschillende gegevensreeksen met elkaar in verband brengen, ook al weet het niet wat ze betekenen. Natuurlijk moet de betekenis later door menselijke gebruikers worden toegevoegd, wat ook moeilijk kan zijn.

De combinatie van de twee, semi-toezichtgestuurd leren, is een interessante weg om te onderzoeken voor slimme fabrieken. Het idee is om een algoritme te voeden met gegevens van een fabriek, de bekende elementen te labelen (stilstand, onderhoud, logistieke aantallen) en een algoritme dat te laten correleren met andere gegevens om patronen te ontdekken die we nog niet hebben gezien. Een mogelijk, schijnbaar vergezocht voorbeeld: hoe beïnvloedt het verkeer op donderdag de materiaalinname van een fabriek op die dag, en indirect de productiesnelheid op vrijdag?

Data ophalen mag proces niet verstoren

Machine learning zou een fabriek echt slim maken, maar er zijn wel wat voorwaarden aan verbonden. We hebben gegevens nodig, we hebben gegevensbronnen nodig en we moeten ervoor zorgen dat we gegevens verzamelen op een manier die niet ingrijpt op de bestaande systemen. We kunnen de machines, de computersoftware en de machinebesturingen in de fabriek niet zomaar veranderen om deze schijnbaar “willekeurige” gegevens te verzamelen.

Onze uitdaging is duidelijk. We zijn ermee bezig.

TIPS

Dit is de kop

Onderschat nooit het belang van data die verkregen kan worden uit zelfs de kleinste component in een productielijn

Dit is de kop

Machine learning is niet de oplossing voor alles, maar correcte toepassing kan hele interessante resultaten opleveren

Delphino consultancy

Delphino consultancy

Alle diensten waarbij u een specialist in software- en systeemarchitectuur nodig heeft.

Bekijk Bedrijf
Schrijf je in voor onze nieuwsbrief en ontvang updates.