Bewezen AI-toepassingen in de productie

Predictive maintenance: van reactief naar voorspellend onderhoud

De meeste maakbedrijven onderhouden hun machines reactief (repareren als het kapot is) of preventief (onderhoud op vaste intervallen). Beide benaderingen hebben nadelen: reactief onderhoud betekent ongeplande stilstand op het slechtst denkbare moment, preventief onderhoud betekent regelmatig te vroeg of onnodig ingrijpen.

Predictive maintenance voegt daar een derde weg aan toe: onderhoud op het moment dat het nodig is, voorspeld op basis van data. Sensoren meten continu trillingen, temperaturen, energieverbruik en geluidspatronen. AI-modellen, getraind op historische storingsdata en machineparameters, herkennen de subtiele afwijkingen die vooraf gaan aan een storing, vaak weken voordat een mens iets merkt. Zo voorspel je bijvoorbeeld wanneer een lager of pomp kapot dreigt te gaan, in plaats van dat vaste tijdsintervallen bepalen wanneer je ingrijpt.

Het resultaat: minder ongeplande stilstand, langere levensduur van machines, lagere onderhoudskosten en beter planbare onderhoudsmomenten. En er is een bijkomend voordeel dat vaak onderbelicht blijft: predictive maintenance borgt de kennis van de meest ervaren onderhoudsmonteur, de collega die 'hoort' dat een machine niet lekker loopt, in een systeem dat voor iedereen beschikbaar is.

Voorspellend onderhoud werkt bovendien niet alleen binnen de eigen fabriek. Scheepsbouwer Damen koppelt sensordata van schepen via API's aan het onderhoudsplan van elk schip, waarna onderhoudstaken automatisch worden geactiveerd. Daarmee verschuift onderhoud van een reactieve kostenpost naar een voorspelbare, planbare dienst, ook voor de klanten van Damen.

Quality control en machine vision

Visuele inspectie is in veel maakbedrijven nog mensenwerk: een medewerker die producten controleert op krassen, bramen, maatafwijkingen of montagefouten. Dat werk is monotoon, vermoeiend en foutgevoelig. Zelfs de beste inspecteur mist afwijkingen na een paar uur geconcentreerd kijken.

Machine vision draait dit om. Camera's leggen elk product vast en AI-beeldherkenning vergelijkt de beelden met wat een goed product is. Het systeem herkent afwijkingen die het menselijk oog niet ziet, werkt met constante nauwkeurigheid en inspecteert desgewenst honderd procent van de productie in plaats van steekproeven.

Moderne vision-systemen zijn bovendien lerend: elke gedetecteerde afwijking maakt het model beter. En de data die de inspectie oplevert, is waardevol op zichzelf: welke afwijkingen komen steeds terug, bij welke materialen, op welke machines? Zo wordt kwaliteitscontrole een bron van procesverbetering in plaats van alleen een eindcontrole.

Praktijkvoorbeeld: AWL beoordeelt lasnaden met AI-ondersteunde vision

AWL ontwikkelt robotlasinstallaties voor de automotive-industrie. De kwaliteitscontrole van lasnaden gebeurde voorheen grotendeels visueel, door operators. Met steun vanuit het BRAINS-project bouwde AWL een demonstrator waarmee AI-ondersteunde vision-technologie lasnaden automatisch beoordeelt.

De opstelling maakt beelden van het gelaste product en laat daar AI-algoritmes op los, die de lassen controleren op vorm, afmetingen, locatie en typische defecten zoals spetters of gaten. Twee lessen uit dat traject zijn breed toepasbaar:

• Ten eerste bleek de keuze van de lichtbron cruciaal: hoewel er veel hightech opties beschikbaar waren, werkte een simpele, conventionele lichtbron uiteindelijk het best.
• Ten tweede ging veel tijd zitten in het selecteren en trainen van geschikte AI-modellen, samen met kennispartners en studenten.

Minstens zo interessant is wat de demonstrator oplevert naast de inspectie zelf. Het systeem helpt AWL om ervaring op te doen met AI, waardevolle data te verzamelen en kennis uit te wisselen met partners. Dat maakt vervolgstappen mogelijk, zoals het realtime bijsturen van het lasproces. Menselijke expertise blijft daarbij nodig: het systeem ondersteunt de operator, maar vervangt hem niet.

Waarom juist deze toepassingen volwassen zijn

Predictive maintenance en machine vision zijn om drie redenen de meest toegankelijke instap in AI voor maakbedrijven:

• De businesscase is helder - stilstand en kwaliteitskosten zijn direct meetbaar, dus het rendement van de oplossing ook.
• De technologie is kant-en-klaar beschikbaar - veel machine- en softwareleveranciers bieden voorspellend onderhoud en vision-inspectie als module of dienst, zonder dat je zelf modellen hoeft te bouwen.
• De schaal past bij het mkb - je kunt beginnen met één kritieke machine of één productlijn en uitbreiden op basis van resultaat.

Pak het multidisciplinair aan

Een terugkerend advies uit de praktijk is om een business-uitdaging als de implementatie van predictive maintenance niet bij één afdeling te beleggen, maar multidisciplinair aan te pakken. Breng mensen met verschillende soorten kennis bij elkaar en laat ze samenwerken aan het vraagstuk. Concreet gaat het om vier soorten kennis:

• Bedrijfskundige kennis: waar zit de businesscase en welk probleem lossen we op?
• Machine- en onderhoudskennis: hoe gedraagt deze machine zich en welke signalen gaan aan een storing vooraf?
• Systeemtechnische kennis: hoe krijgen we de data uit de besturing en sensoren?
• Data-analytics- en AI-kennis: welk model past hierbij en hoe trainen en valideren we het?

De ervaring van AWL sluit hierop aan: het selecteren en trainen van de juiste AI-modellen gebeurde daar samen met kennispartners en studenten. Je hoeft alle kennis dus niet zelf in huis te hebben, als je maar zorgt dat de juiste disciplines aan tafel zitten.

Zo begin je

• Identificeer je meest kritieke machine. De machine waarvan stilstand het meeste kost of die het vaakst voor verrassingen zorgt.
• Controleer welke data die machine al levert. Moderne besturingen registreren vaak meer dan er gebruikt wordt; oudere machines zijn met sensoren uit te rusten.
• Analyseer je storingshistorie handmatig als eerste stap: welke storingen komen terug en welke signalen gingen eraan vooraf?
• Vraag je machineleverancier naar predictive-maintenance-opties. Veel leveranciers bieden dit inmiddels als standaarddienst.
• Kies voor vision-inspectie één productielijn of productfamilie met terugkerende kwaliteitsissues en start daar een pilot met meetbare criteria.
• Stel een klein multidisciplinair team samen en houd er rekening mee dat praktische zaken, zoals belichting bij vision-toepassingen, vaak bepalender zijn dan de keuze van het algoritme.

Voorspellend onderhoud en slimme kwaliteitscontrole zijn geen toekomstmuziek. Het zijn bewezen toepassingen waarmee maakbedrijven vandaag kunnen beginnen en die vaak binnen een jaar hun investering terugverdienen.

Wil je weten hoe jouw bedrijf ervoor staat op het gebied van AI? Doe de Smart Industry Assessment of vraag een vrijblijvend adviesgesprek aan via smartindustry.nl.