AI en predictive maintenance als game changers
Veel potentieel, maar ook onnodige twijfels
AI is here to stay. Hoewel het nog niet dé oplossing is waarop bedrijven hopen, zijn er toch al heel wat toepassingen die gebaat zijn bij een doordachte implementatie van artificiële intelligentie. In dit artikel overlopen we enkele concrete technieken en manieren waarbij AI het verschil maakt.
AI ALS GAME CHANGER
NÓG SLIMMER ONDERHOUD MET AI
ALGORITMEN EN BIG DATA
TRILLINGSMETINGEN EN AI
Maintenance nooit meer hetzelfde dankzij artificiële intelligentie
De opmars van AI verloopt sneller dan de bedenkers ooit hadden durven dromen. Werden AI-tools binnen de (proces)industrie aanvankelijk voornamelijk gebruikt bij (proces)automatisering, robotica en het optimaliseren van processen, ook binnen de maintenancewereld heeft het fenomeen inmiddels zijn intrede gedaan. Dankzij de door AI beschikbare realtime-informatie over de gesteldheid en prestaties van machines en apparatuur is het een ware gamechanger doordat onderhoudsprofessionals steeds beter in staat zijn grote assetproblemen voor te blijven.
Het rendement van AI staat of valt bij de input. Een bedrijf moet daarom eerst en vooral leren (de kwaliteit van) de eigen data op waarde te schatten. De meetmethodiek is mede bepalend voor de kwaliteit van de output en ook dat is een leerproces. Zo is het bij sensoren de vraag hoeveel en waar die nodig zijn. Dikwijls worden extra sensoren gezien als een kostenpost, en heeft men te weinig oog voor het uiteindelijke rendement. Verder worden historische gegevens vaak overschreven bij de vervanging van een component waardoor nuttige informatie, nodig voor de identificatie van storingsgevoelige componenten, verloren gaat.
Niet alleen wordt met AI de werkelijkheid maximaal benaderd, het systeem kan bovendien beter en objectiever vergelijkingen maken met eerdere gebeurtenissen. In de praktijk kan dat zelfs worden gecombineerd met een proces(simulatie)model om zo elke situatie snel, objectief en correct in te kunnen schatten. Verder is de gebruiker in staat te anticiperen op veranderende externe omstandigheden, bijvoorbeeld wijzigingen in de productie- en/of kwaliteitseisen.
Lees meer over de impact van AI op industrieel onderhoud!
Smart Maintenance wordt slimmer door AI
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.
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.
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.
Lees meer over de troeven van AI voor onderhoud!
Predictive maintenance: onderhouden is vooruitzien
Predictive maintenance heeft het in zich de betrouwbaarheid van kapitaalgoederen te vergroten, de onderhoudskosten te verlagen en de uptime van installaties te verhogen, maar is complex en moeilijk realiseerbaar. Binnen het PrimaVera-project is een team van wetenschappers en bedrijven bezig nieuwe big data-algoritmen te ontwikkelen, om daarmee storingen beter te kunnen voorspellen en onderhoud beter te kunnen plannen.
Bij de invoering van predictive maintenance – en feitelijk bij elke vorm van data analytics – is het van belang goed voor ogen te hebben wat een bedrijf of organisatie met de verzamelde data wil bereiken: het verrichten van onderhoud, het vergroten van de uptime of het verlagen van de kosten. Hier is het advies: klein beginnen.
Lees meer over het ontwikkelen van algoritmen voor onderhoud!
Trillingsmetingen voor predictief onderhoud
Trillingen in machines zijn vaak een betrouwbare indicatie voor problemen zoals uitlijnfouten, onbalans en slijtage. Hierdoor nemen het geluidsniveau en het energieverbruik toe en de productiesnelheid en kwaliteit van de producten af. In het slechtste geval valt de machine volledig uit of wordt er schade berokkend aan mens, milieu of de machine zelf. Met alle kosten en leed van dien.
Eén van de meest gebruikte methodes om de conditie van machines te monitoren, is dan ook het meten van trillingen van roterende delen. Al meer dan tachtig jaar geleden werd hierover reeds geschreven maar waren de mogelijkheden nog beperkt. Door ontwikkelingen op het vlak van sensoren, communicatie, analysesoftware, rekenkracht en AI vormen trillingsmetingen en -analyses inmiddels een betrouwbare manier om onderhoud op basis van conditie uit te voeren en zelfs te voorspellen.
