Smart Maintenance wordt slimmer door AI

De toegevoegde waarde van artificiële intelligentie in de onderhoudswereld

Het gebruik van AI – voluit: artificiële (kunstmatige) intelligentie – neemt een hoge vlucht in vele sectoren. Ook de onderhoudssector plukt voorzichtig zijn voordelen van de mogelijkheid om een machine te laten denken en autonoom te laten handelen als een mens. De praktijk leert inmiddels dat AI een waardevolle aanvulling is voor 'smart en predictive maintenance', dat hierdoor sneller en betrouwbaarder werkt dan bij het gebruik van algoritmen alleen. Dit komt onder meer omdat AI realtime inzicht levert en bovendien zelflerend is. Voorspellend onderhoud krijgt hiermee een nieuwe dimensie.

Voordat we dieper ingaan op de voordelen van AI voor specifiek (voorspellend) onderhoud, is het goed om eerst te begrijpen wat artificiële intelligentie nu eigenlijk is. Het woord 'intelligentie' is bekend en wordt doorgaans beschouwd als een eigenschap waarover vooral mensen beschikken. Met intelligentie is de mensheid in staat om op basis van uiteenlopende soorten input (wat we zien, horen, proeven, ruiken en voelen) en ervaring te handelen in een specifieke situatie.

Wanneer het over artificiële intelligentie gaat, wordt gedoeld op kunstmatige intelligentie. Om dit type intelligentie te creëren, wordt gebruikgemaakt van verschillende algoritmes en methoden waarmee een machine of installatie in staat is de omgeving te analyseren, te leren en autonoom beslissingen te nemen. Vooral het autonoom beslissen en het bijbehorende zelflerende karakter maakt AI wezenlijk anders dan automatisering en smart industry of smart maintenance op basis van data alleen.

Het grote verschil tussen voorspellend onderhoud op basis van data, maar zónder AI, is dat de traditionele aanpak in principe veel faaldata nodig heeft om een betrouwbare voorspelling te maken. Deze faaldata ontbreken vaak in voldoende mate, wat het uiteindelijk lastig maakt om de gewenste betrouwbaarheid én snelheid van de voorspelling te bereiken. Door het zelflerend vermogen van AI-algoritmes is deze hoeveelheid data hier niet nodig om toch betrouwbaar(der) en snel(ler) te voorspellen.

Eigenschappen en voordelen AI

Inmiddels wordt AI toegepast voor onder meer (financiële) analyses, e-commerce, autonome voertuigen, communicatie (chatbots), beeld- en spraakherkenning maar ook in de industrie en meer specifiek: het onderhoud. De doeleinden van de toepassingen lopen uiteen, van het verhogen van de efficiëntie en veiligheid tot aan het maximaliseren van winsten, het verlagen van het energieverbruik en het optimaliseren van processen. Bijvoorbeeld in de productie of logistiek.

AI bestaat in verschillende vormen. Specifiek voor (voorspellend) onderhoud zijn supervised en unsupervised machine learning van belang evenals reinforcement learning en deep learning. In het eerste geval wordt een machine gecontroleerd 'ingeleerd'. Dat betekent dat een algoritme via vaste regels de machine aanleert wat de relatie is tussen bepaalde gegevens; de uitkomst is van te voren bekend. Bij unsupervised machine learning is de uitkomst van te voren niet bekend maar kiest het algoritme op basis van wat het al weet voor een vergelijkbare oplossing.

Een groot verschil met voorspellend onderhoud zonder AI, is het feit dat deze aanpak veel faaldata nodig heeft om een betrouwbare voorspelling te doen

Reinforcement learning wordt gebruikt wanneer weinig data beschikbaar is en de intelligentie wordt opgebouwd op basis van 'trial and error'. Bij deep learning ten slotte komen we bij de complexere vormen waarbij verschillende gelaagde neurale netwerken gecombineerd tot een juist antwoord moeten leiden. Iedere laag leert over specifieke eigenschappen die vervolgens worden gecombineerd.

De bovengenoemde eigenschappen illustreren deels de voordelen van AI voor de onderhoudswereld, specifiek voor voorspellend onderhoud. Naast het zelflerende karakter en de mogelijkheid tot autonoom handelen, is AI gericht op het letterlijke 'hier en nu'. Dankzij de intelligentie kunnen de oplossingen veel data gelijktijdig verwerken, waardoor ze realtime-inzicht geven in de toestand van een machine en de bijbehorende onderhoudsbehoefte op dat moment.

De mogelijkheid om realtime te reageren hangt ook samen met de mogelijkheden van edge computing, waarbij data realtime wordt verwerkt en het mogelijk is om direct in te grijpen in het proces op basis van AI-voorspellingen. Tegelijkertijd zijn deze industriële edge computers met elkaar verbonden.

Door de hoge nauwkeurigheid zijn faalmomenten bovendien steeds beter en in een eerder stadium vast te stellen. Omdat het AI-brein wordt getraind om specifieke situaties te herkennen, is het signaal niet alleen 'er is iets mis', maar bij de productiemachine van bijvoorbeeld planken luidt de boodschap: "De vorm van de planken nadert het tolerantieniveau. Het snijgereedschap op positie 4 is aan vervanging toe. Plan een onderhoud binnen 6 uur."

Tot slot is en blijft AI een technische oplossing die niet moe wordt, een maandagochtendhumeur heeft of verveeld raakt. Hiermee zijn de oplossingen vaak sneller, goedkoper en uiteindelijk nauwkeuriger. Daarbij is het wel belangrijk om in alle gevallen mensenrechten en cyber security in acht te nemen om te voorkomen dat AI voor criminele doeleinden wordt ingezet. Een hoofdstuk apart.

Toepassingen in het onderhoud

Het toepassen van AI in de praktijk in het kader van voorspellend onderhoud vraagt kennis en ervaring. De modellen moeten hun conclusies immers baseren op een veelheid aan informatiebronnen en beschikken over de juiste algoritmes om de verschillende verbanden betrouwbaar vast te stellen. Met betrekking tot de bronnen valt te denken aan domeinkennis, op fysica gebaseerde modellen, CAD-bestanden, simulaties, traditionele regelkringen maar ook kennis en ervaring van de operator. Hiermee is te voorkomen dat AI verkeerde beslissingen neemt die machine of het product kunnen beschadigen of 'de wetten van de fysica tarten'.

AI kan uiteindelijk ondersteunen binnen alle soorten onderhoud. Van fout- en storingsdetectie en condition-based maintenance tot voorspellend onderhoud. In alle gevallen door data te identificeren en patronen te herkennen die met het menselijk brein niet zomaar zichtbaar worden. Het is vervolgens aan de intelligentie om afwijkingen in deze patronen te vertalen naar mogelijk toekomstige problemen en deze te communiceren.

Daarbij is naar wens ook een koppeling te maken met het planningssysteem dat het onderhoudsproces efficiënter maakt en kan verbeteren. Bijvoorbeeld door te ondersteunen in de planning en het optimaliseren van de beschikbaarheid van assets in combinatie met het voorspelde onderhoud. De planning is hiermee gebaseerd op de daadwerkelijke onderhoudsbehoefte van een machine en niet op een schema gericht op preventief onderhoud.

In de praktijk

Evenals bij de ontwikkelingen op het vlak van industriële automatisering, en later Smart Industry of Industrie 4.0, is de implementatie van AI voor voorspellend onderhoud ook een kwestie van: klein beginnen, laaghangend fruit plukken en langzaam uitbouwen tot het gewenste niveau. Hiervoor is veel kennis en ervaring nodig, wat betekent dat voor praktisch elk bedrijf samenwerking met een specialist onvermijdelijk is. Dit geldt zeker voor de kmo's.

Het eenvoudig beginnen en het plukken van laaghangend fruit is gebaseerd op het starten met vaststellen wat er binnen een omgeving überhaupt al aan data wordt geproduceerd. Bijvoorbeeld bij andere afdelingen maar ook door componenten als regelaars. Wanneer dit onvoldoende is, dan zal van een asset het belangrijkste faalmechanisme moeten worden bepaald en een bijpassende parameter om het aankomend falen te kunnen detecteren. Veelal zijn dit factoren zoals trillingen, druk of temperatuur. Tot zover is het proces hetzelfde als wordt doorlopen bij smart maintenance.

Het grote verschil bij AI-toepassingen is vervolgens het schrijven van het juiste algoritme dat niet alleen gebruikmaakt van de data over trillingen of temperatuur, maar deze ook kan koppelen aan ervaringsgegevens, faalmodellen, CAD-bestanden, digital twins enzovoorts. Een algoritme in een model dat gaandeweg kan leren wat het verband is tussen alle gegevens en hiermee uiteindelijk in staat is een eigen conclusie te trekken. De praktijk leert nu al dat deze modellen beter én sneller in staat zijn om de levensduur van bijvoorbeeld lagers te voorspellen dan mogelijk is met state-of-the-art benchmark algoritmes. Ook wanneer er maar een beperkte hoeveelheid 'trainingsgegevens' beschikbaar is.

Cruciaal bij AI-toepassingen is het schrijven van het juiste algoritme dat verkregen data kan koppelen aan ervaringen

Het schrijven van deze algoritmen is zéker het werk van experts en wordt in praktisch alle gevallen uitbesteed. Bijna even vaak meer dan de moeite waard: investeringen worden uiteindelijk terugverdiend door lagere onderhoudskosten, minder afkeur, een hogere kwaliteit en minder ongeplande stilstand.

Praktijkvoorbeeld
Een producent van wisbladen en wisarmen wilde voor de productielijn van ruitenwissers de uptime optimaliseren door over te schakelen naar voorspellend onderhoud. De praktijk wees uit dat de tandriemen het kritieke onderdeel waren. Na een haalbaarheidsstudie van Flanders Make werden sensoren geselecteerd en geplaatst om op basis van trillingen de conditie van de tandriemen te monitoren. AI-algoritmes bleken in staat om het falen van tandriemen op een afstand van twee weken te voorspellen. Dit geeft het bedrijf in alle gevallen voldoende tijd om de betreffende tandriem te vervangen in een reguliere onderhoudsbeurt en ongeplande stilstand te voorkomen.

Met medewerking van 3Bplus, Bemas, Festo, Flanders Make, HSO, Kapernikov, Nedtrax, NVDO en OnLogic