SMED
Van theorie naar praktijk
SMED (Single Minute Exchange of Dies) is een beproefde techniek voor het verkorten van de omsteltijd van productiemachines. Bij het toepassen van de SMED-methode wordt er vaak uitsluitend gefocust op het verkorten van de effectieve stilstand van de machines, terwijl ook de uitloop- en opstartperiodes zorgen voor verminderde output. AI helpt je om deze periodes te evalueren en te optimaliseren, zo verkort je efficiënt de stilstand van machines.
Toepassingen
De uitloop- en opstartperiodes vormen een groot deel van de stilstand van machines. Vaak zijn deze periodes echter moeilijk om precies te definiëren, waardoor ze minder grijpbaar zijn voor verbeteringen. Artificiële intelligentie kan SMED optimaliseren door deze periodes meer grijpbaar te maken. De sleutel ligt daarbij voornamelijk in het verwerken van de data rondom de machines, zoals het interpreteren van sensorische machinedata, het bepalen welke machineonderdelen vervanging nodig hebben, en het analyseren en optimaliseren van de deelprocessen rondom de uitloop – en opstartperiodes.
Vereisten
Data
- Sensorregistraties van productieproces
- ~Meting + timestamp
- ~Voor 1-N sensoren
- Log van machine-instellingen
- ~Setting + timestamp
- Optioneel: Log van operaties en herstellingen
- ~Start/stop timestamps + reden
Hardware
- Sensoren
- Standaard dataopslag en -verwerkingscapaciteit
Algoritme
Afhankelijk van de beschikbare data
- Classificatie-algoritme – Voor een time window van metingen voorspellen of we op een kantelpunt staan of niet. Alternatief: voor een time window van metingen voorspellen wat de verwachtte kwaliteit van de output is.
- ~Recurrent neural networks zoals Long-Short Term Memory networks
- ~Extreme gradient boosting techniques
- Regressiealgoritme – Voor een time window van metingen voorspellingen hoeveel tijdseenheden we nog verwachten voordat we aan het kantelpunt zitten.
- ~Recurrent neural networks zoals Long-Short Term Memory networks
- ~Extreme gradient boosting techniques
- Anomalie detectie algoritme
- ~Neurale auto-encoders
- ~Statistische tolerantie intervallen
Aandachtspunten
- Data uit verschillende hoeken moet verzameld worden. Sensor-metingen moeten ontsloten worden en gekoppeld met centrale databank. Ook machine-instellingen moeten ontsloten worden en gekoppeld met deze databank.
- Meerdere sensoren zorgt voor meerdere zorgen. In geval van meerdere sensoren
- ~Integratie met sensor kan verschillend zijn
- ~Timestamps van metingen dienen gesynchroniseerd
- ~Metingen aan verschillende frequenties (1x per 2 sec vs. 1x per minuut vs. enkel bij overschrijden van grenswaarde) dienen opgevangen te worden
- ~Time lags tussen metingen in de productielijn. Positie van sensoren op verschillende plaatsen in de lijn kan een invloed hebben op data preparatie en design keuzes in het algoritme. De productie-output die opgemeten wordt door een sensor aan het einde van het proces, werd een aantal tijdseenheden geleden gemeten door een sensor aan het begin van het proces.
- Betrouwbaarheid van de sensoren moet gemonitord worden. Volg metingen op en doe af en toe een test om afwijkingen te detecteren. Zorg voor voldoende onderhoud en voer zo nodig reparaties uit.
- Manueel labelen van data streams is aangewezen. Deze taak is voor een algoritme aanzienlijk makkelijker wanneer er data bestaat waarvoor expliciet aangegeven is waar het kantelpunt zich bevindt. Dit kan gebeuren aan hand van manuele labeling.
- Maar ook zonder menselijke annotaties kan er geleerd worden. Indien het in de historische sensordata niet bekend is waar het kantelpunt ligt, dan val je terug op anomaly detection techniques die een onderverdeling proberen maken tussen “normaal” gedrag en “abnormaal” gedrag. Hier bestaan technieken voor, maar deze zijn moeilijk te valideren qua accuraatheid en over het algemeen minder performant dan wanneer je gelabelde data zou hebben.
- ~Deze methodes gaan er overigens van uit dat het normale gedrag ook het meest frequente gedrag is. Wanneer start- en stop- momenten bijna even frequent voorkomen als operationele momenten, dan wordt dit niet als een normaal patroon beschouwd in de data.
Stappenplan
- Vastleggen van doelstellingen SMED optimalisatie en definiëren van TO BE werkproces
- Vastleggen van gekende eigenschappen opstartfase en/of uitloopfase a.h.v. beschikbare domeinkennis
- Identificeren en ontsluiten van geregistreerde informatie uit sensors, machine-instellingen, productie-opdrachten etc.
- Analyseren beschikbare informatie, indien nodig opstarten betere en/of nieuwe metingen
- Voorverwerken van data
- ~Verwerken van outliers
- ~Eventuele feature engineering: expliciet toevoegen van berekende/afgeleide eigenschappen aan dataset. Toe te voegen features te ontdekken a.h.v. gesprekken met domeinexperts
- Ontwikkelen oplossing voor automatische detectie van kantelpunten
- ~Hetzij via classificatie/regressie op gelabelde dataset
- ~~Labelen van dataset
- ~~Opsplitsen in training en test data
- ~~Normaliseren van dataset
- ~~Trainen van algoritme
- ~~Valideren van predictie-accuraatheid
- ~Hetzij via clustering/profiling van tijdreeksen van data
- ~~Normaliseren van dataset
- ~~Opsplitsen dataset in relevante time windows
- ~~Toepassen van clustering en/of profiling algoritmes
- ~~Identificeren en labelen van clusters die kantelpunten beschrijven.
- ~~Valideren van algoritmes met domein experts
- Uitrollen oplossing
- ~Operationaliseren van data pipeline
- ~Implementeren van TO-BE SMED proces met geïntegreerde detectie-oplossing
- ~Informeren en trainen van werknemers
Interessante links
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
