Productieprocesanalyse
Van theorie naar praktijk
Je wil als producent graag je productie optimaal laten verlopen, maar in de praktijk is dat niet altijd evident. Een productieproces bestaat namelijk uit een hele aaneenschakeling van kleinere deelprocessen. Veel bewegende onderdelen dus, en dat loopt wel eens mis. Een productieprocesanalyse helpt om kleinere deelprocessen nauwkeuriger op te volgen. Door AI te benutten, optimaliseer je deze analyse en herleid je menselijke fouten tot een minimum. Voordelen die je zo kan bekomen: kostprijsreductie, stilstandreductie, afvalreductie en outputverhoging.
Toepassingen
Tijdens een productieprocesanalyse wil je graag zo gedetailleerd mogelijk je productieproces in kaart brengen. Maar het groot aantal mogelijke procesparameters bemoeilijkt deze taak vaak. Hierdoor beperken producten zich snel tot een analyse van enkel de kritische parameters. Helaas laat je zo ook de kansen tot een betere optimalisatie links liggen.
AI biedt de mogelijkheid om meer parameters sneller en grondiger te analyseren. Denk daarbij bijvoorbeeld aan de duurzaamheid van het wijnmaakproces in kaart brengen met niet enkel de typische parameters zoals CO2-uitstoot, maar ook bredere parameters zoals insecticidengebruik, bodemkwaliteit, en biodiversiteitsmanagement. Of de parameters van het droogproces van zoete aardappelschijfjes (zoals temperatuur en schijfdikte) nauwkeuriger in kaart brengen, waardoor je machines energie-efficiënter kan afstellen.
Je wil natuurlijk ook graag dat alle deelprocessen optimaal verlopen, wat vaak niet het geval is. Het nauwgezet opvolgen van de verschillende deelprocessen met behulp van AI kan hierin een rol spelen. Denk bijvoorbeeld aan het optimale moment voor het afdanken van (kook)olie te voorspellen, wat de performantie verbetert en het afval vermindert.
Voor bepaalde deelprocessen heb je dan weer experts nodig. Cacaoboeren hebben bijvoorbeeld soms experts nodig om de aroma's en verwerkingsparameters van cacaobonen te analyseren tijdens het fermentatieproces. Wanneer deze experts echter niet voorhanden zijn, kan eenAI-systeem (getraind door deze experts) de cacaoboeren helpen om de juiste proceskeuzes te maken. Gelijkaardige systemen zijn ontwikkeld voor het doorgeven van expertise omtrent koffieattributen, voedselgeuren, en rijstselectie.
Kortom, AI kan helpen om jouw productieproces beter onder controle te krijgen door procesparameters in kaart te brengen en deelprocessen onder controle te krijgen.
Vereisten
Data
- Event data – Een chronologische reeks van gebeurtenissen met bijhorende beschrijvende data per gebeurtenis. Starten, voltooien en onderbreken van een activiteit zijn voorbeelden van gebeurtenissen, maar ook een verandering van een situatie, een meting op tijd Tof het overschrijden van een drempelwaarde kan een gebeurtenis zijn.
- ~inclusief timestamp en beschrijvende informatie zoals type event, geassocieerde resources etc.
- ~Voorbeeld:20220226-163122.256-Cleaning Started
- Alternatief: activity log
Hardware
- Standaarddataopslag én dataprocessing
- Optioneel:Sensoren in productieproces
Algoritme
- Processmining technieken
- ~Inductive Miner
- ~Evolutionary Tree Miner
- ~Split Miner
Aandachtspunten
- Beschikbaarmaken van event data vraagt inspanning. Events worden zelden in een standaardformaat gelogd en worden typisch lokaal opgeslagen (bijv. in de logs van elke machine apart) i.p.v. in een centrale database. Je mag je verwachten aan een niet-verwaarloosbare effort om event data te ontsluiten en te transformeren en aggregeren.
- Data kwaliteit is niet per definitie gewaarborgd. Event data is bij uitstek gevoelig aan noise in de dataset, net doordat logging opeen gedecentraliseerde manier plaatsvindt. Extra effort is vereist om data kwaliteit te controleren en te verbeteren.
- Process discovery legt vaak een chaotischprocesmodel bloot. In een proces dat loosely defined is en niet afgedwongen wordt door bijv. een workflow engine, is het de verwachting dat het ontdekte procesmodel zeer chaotisch is, met veel verschillende alternatieve procesuitvoeringen. Visuele analyse van dergelijke diagrammen zijn weinig waarde toevoegend. Afgeleide, geautomatiseerde analyses zoals Bottle neck detecties, resource consumption etc. kunnen echter nog steeds gebeuren.
Stappenplan
- Identificeer het proces-in-focus. Bepaal scope en doelstellingen van je analyse.
- Identificeer welke beslissing je wenst te verbeteren met je procesanalyse
- Identificeer databronnen die event data capteren (of zouden moeten capteren)
- Ontsluit de geïdentificeerde event data of start met het loggen hiervan
- Controleer en verbeter datakwaliteit
- Bouwdata pipeline voor extractie en aggregatie van event data
- Pas process discovery techniek toe op event data
- ~Pas process discovery techniek toe
- ~Evalueer performance maatstaven en finetune algoritme
- Analyseer discovered process vs. documented/expected process
- Pas advanced process performance analytics toe
- ~Bottleneck detection
- ~Resource consumption
- ~Throughput times
- ~...
Interessante links
- Process mining: data science in action.
- bupaR: Enabling reproducible business process analysis. Knowledge-Based Systems
- Automated discovery of process models from event logs: review and benchmark.
- Detecting train reroutings with process mining: A Belgian application.
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
