Predictief onderhoud
Van theorie naar praktijk
Je verwacht van je productieapparatuur dat ze zo lang mogelijk blijft werken en zo weinig mogelijk stilstaat. Het falen van productieapparatuur kan enorm doorwegen op het productieproces, vooral wanneer dit falen onverwacht gebeurt. Het onderhoud van productieapparatuur is daarom van essentieel belang. Door AI in te zetten, kun je nauwkeuriger inschatten waar en wanneer apparatuur zal falen. Dit laat je toe een onderhoudsschema te generen op basis van de werkelijke staat van machines, onverwachte stilstand te vermijden, je onderhoudskosten te verlagen, en de levensduur van apparatuur te verlengen.
Toepassingen
Machineonderhoud kun je op verschillende manieren benaderen: correctief, preventief, en predictief. Bij correctief onderhoud (oftewel Run-to-Failure) hou je de machine simpelweg in werking tot er zich een probleem voordoet. Dit type onderhoud heeft natuurlijk als nadeel dat je vaak onverwachte stilstand van machines hebt. Om die onverwachte stilstand deels te vermijden, kun je preventief onderhoud toepassen. Je controleert dan regelmatig machines, bijvoorbeeld op basis van hun functie en leeftijd. Daar vang je al een groot deel van de te voorkomen problemen mee op. Echter blijven zowel correctief als preventief onderhoud giswerk.
Predictief onderhoud maakt jouw onderhoudsproces echter heel wat slimmer. AI voorspelt - op basis van data uit camera's en sensoren in de machines - waar en wanneer er waarschijnlijk een probleem zich zal voordoen. Je laat het onderhoud dus niet wachten tot een probleem zich daadwerkelijk voordoet, noch volg je een vast onderhoudsschema, je speelt in op de werkelijk staat van de machine. Daardoor voer je onderhoud uit enkel wanneer het effectief nodig is, zonder dat je onverwacht de productie moet stilleggen. Overigens, hoe meer je dit soort onderhoud toepast, hoe meer een AI kan bijleren over de machines en hoe nauwkeuriger de voorspellingen worden.
Neem bijvoorbeeld de productie van pasta. Vanuit een technisch standpunt is het onderhoud van de productiemachines in deze sector plannen vaak moeilijk. Wegens de constante veranderingen in producten (bv. verschillende soorten pastavormen), doen problemen zich vaker voor op onregelmatige momenten. Je kan niet simpelweg zeggen: na een periode X valt deze machine stil. Maar met behulp van AI kun je dergelijke veranderingen echter zeer goed in kaart brengen, waardoor je wel heel accuraat een voorspelling kunt maken, zelfs in heel variabele situaties.
Een systeem voor predictief onderhoud opzetten is echter niet altijd even makkelijk. Je moet namelijk al je machines voorzien van de juiste camera's en sensoren waaruit AI-data kan halen. Traditioneel zitten deze camera's en sensoren vast aan de machines zelfs. Wil je dat vermijden, dan kun je een robot met sensoren rond te laten lopen om, net zoals een werknemer, data omtrent de machines op te nemen. Een dergelijke robot kan zeer nuttig zijn voor gevaarlijke werkplekken, alsook voor plekken waar hygiëne een topprioriteit is en menselijk contact vermeden moet worden (zie toepassing veiligheid en hygiëne).
Vereisten
Data
- Sensordata over machine-omstandigheden en output.
- ~Temperaturen, omwentelingen, vochtigheid, hardheid…
- ~Inclusief timestamps
- Machine-instellingen
- Historische herstellingen
- ~Timestamp, dringendheid, herstelling, downtime, kosten
- ~Historische pannes
- Timestamp, reden, downtime, kosten
Hardware
- Sensoren
- Optioneel: Camera
Algoritme
- Classificatie algoritme – Toewijzen van maintenance actie (of inactie) aan een resource op elk moment T.
- Regressie algoritme – Voorspellen van Remaining useful life of Time between breakdowns.
- Anomalie detectie algoritmes
- Optimalisatie algoritme
Aandachtspunten
- Domeinkennis is noodzakelijk. Domeinkennis over de resource kan best ingezet worden om aan feature engineering te doen en het zo voor de algoritmes makkelijker te maken om tot accurate voorspellingen te komen. Dit is voornamelijk het geval wanneer er onvoldoende data is om met neurale netwerken aan de slag te gaan.
- Data preprocessing kan een struikelblok vormen. Vooral wanneer men probeert te voorspellen op basis van een data stream van quasi-continue metingen. Er moet nagedacht worden over zowel (1) de technische infrastructuur als (2) de data transformaties die uitgevoerd moeten worden.
- Denk na over het TO BE procesmodel. Je predictief onderhoud dient straks te kaderen in een werkbaar operationeel proces. Ontwerp dit procesmodel voordat je overgaat op het algoritmisch gedeelte. Test indien nodig de werkbaarheid van het TO BE proces. Doe ook dit (nog voordat je werkt aan het predictief algoritme. Zelfs een perfect voorspellend algoritme is nutteloos wanneer het niet ingekoppeld kan worden op de werkvloer.
- Bepaal wat je exact wilt voorspellen. Afhankelijk van hoe je het TO BE procesmodel ontwerpt, kan je een ander type voorspelling nodig hebben. Zo is er een verschil tussen enerzijds het voorspellen van de verwachtte tijd tot de volgende faling en anderzijds het suggereren van een (of geen) onderhoudsactie. Bepaal duidelijk de verwachtte output voor het algoritme.
- Beschikbare data kan je mogelijkheden beperken. Afhankelijk van wat je juist wenst te voorspellen heb je andere data nodig. Deze is niet noodzakelijk beschikbaar of makkelijk te verwerven. Bijv. Indien je wilt voorspellen wanneer een machine zijn volgende breakdown zal krijgen, dan heb je historische data nodig waaruit je kan afleiden wanneer er effectieve breakdowns plaatsgevonden hebben. Wegens voor de hand liggende redenen is het wellicht niet wenselijk om een dergelijke dataset vanaf nul aan te leggen. In dit geval ga je ofwel een andere opzet moeten kiezen ofwel met schattingen van experts moeten werken.
Stappenplan
- Ontwerpen van TO BE procesmodel voor uitvoeren van onderhoud
- Opstellen design en target-architectuur van oplossing
- ~Identificatie van beschikbare data en benodigde data
- ~Identificatie van te voorspellen variabele (remaining life, next action…)
- Ontwerpen PoC en trainen van een ML model
- ~Verzamelen van dataregistraties van resource/tool en werkomstandigheden
- ~Verzamelen van dataregistraties m.b.t. herstellingen en onderhoud
- ~Opsplitsen dataset in training en test set
- ~Trainen en finetunen van ML model
- ~Selectie van beste ML oplossing
- Ontwerpen van data pipeline
- ~Extractie en aggregatie van data sources
- Ontwerpen en deployen van eerste operationele oplossing
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.