De troef van AI in machinebesturingssystemen
Verbetert voorspellend onderhoud, energie-efficiëntie en kwaliteit
In een productieomgeving kan kunstmatige intelligentie – of: AI – op verschillende vlakken een belangrijke bijdrage leveren. Door het bijvoorbeeld te integreren in automatiseringsproducten, zijn prestaties en functionaliteit te verbeteren. De kern van de oplossing ligt daarbij in voorspelbaarheid. Hiermee versterkt AI bijvoorbeeld voorspellend onderhoud en verhoogt de Overall Equipment Effectiveness (OEE), wat leidt tot meer efficiëntie, lagere kosten en betere productkwaliteit.
Technische AI
In de huidige tijd zijn AI-systemen in staat om vanuit grote hoeveelheden data, in combinatie met slimme algoritmes, patronen te herkennen en in een vroegtijdig stadium storingen of gebeurtenissen te voorspellen. Ook ‘onverwachtse’. De basis hiervoor ligt in het verzamelen en analyseren van ‘goede’ data. Daarvoor biedt in eerste instantie de bestaande machineconfiguratie waarschijnlijk al een veelheid aan mogelijkheden. Een gemiddelde besturing of CPU verzamelt voor zijn eigen taak immers al heel wat gegevens die bruikbaar zijn voor analyse.
Peter Potters is product marketing manager bij Festo voor noordwest Europa op het gebied van pneumatische aandrijvingen, vacuüm en industriële AI. Hij weet: "Je kunt ook ‘slimme’ sensoren toevoegen. Deze werken met edge computing en zorgen ervoor dat ze alleen relevante – afwijkende – meetdata doorsturen. Hiermee beperk je het transport van grote hoeveelheden data en bijbehorende kosten. Investeer bovendien in een goede validatie van de data: heb je de juiste grootheid op de juiste plek gemeten?"
Vervolgens is het belangrijk om de benodigde algoritmes op de juiste manier in te leren zodanig dat ze betrouwbare resultaten leveren. Dit kan het beste met bestaande data maar ook met gesimuleerde data omdat ‘faaldata’ nu eenmaal niet en grote hoeveelheden beschikbar zijn.
…en organisatorisch
AI is echter niet alleen een technologische evolutie, maar ook een organisatorische. IT en operations moeten samenwerken om het volledige potentieel te benutten. Medewerkers moeten AI leren kennen en zelf ervaren wat het oplevert.
Het verzamelen van data (zoals flow, druk of temperatuur) en het versturen ervan (via bijvoorbeeld Profinet, IO-Link, EtherCAT, Ethernet/IP of Modbus), is een taak van de operationele afdeling. Voor het beheer van het IT-systeem waar de onderhoudsapplicatie op draait, is een goede samenwerking met de IT-afdeling cruciaal. De laatste zorgt ervoor dat de data via duidelijke dashboards aan de operations wordt gepresenteerd.
Potters: "De interactie tussen mens en AI – de human-machine interface – is tot slot cruciaal voor adoptie. Gebruikers moeten AI zien als een aanvulling op hun expertise, niet als vervanging. Meestal gebeurt de interactie via een dashboard die bijvoorbeeld weergeeft waar een bepaalde storing zich bevindt en meer informatie geeft om de oorzaak te achterhalen. Menselijke vaardigheden blijven vervolgens echter nodig voor aanpassingen en reparaties op locatie."
Wat kun je ermee?
Qua toepassingen noemt Potters onder meer het verbeteren van onderhoud, energie-efficiëntie en kwaliteit van het product. Hij legt uit: "De kern van AI ligt wat ons betreft in de mogelijkheid om zaken in een vroeg stadium te voorspellen. Bijvoorbeeld slijtage, een lekkage of een aankomende storing. Vanuit Festo detecteren we dit middels de integratie van Festo Automation Experience (Festo AX). Dit is software die we in verschillende automatiseringsoplossingen kunnen integreren. AI is daarbij niet alleen geschikt voor nieuwe machines, maar ook als ‘retrofit’ bij al oudere machines en installaties te integreren."
Op dit moment heeft Festo softwareoplossingen voor pneumatische cilinders, (elektrische) servo-aandrijvingen en energiebesparing. Daar zullen in de toekomst nog modules bijkomen voor onder meer vacuüm- en proceskleppen voor andere toepassingen.
Voorbeeld
Als voorbeeld noemt Potters de toepassing van de software voor de bewaking van de functionaliteit van een specifieke klem in de automotive. Bij een dergelijke grootschalige productie zijn micro-uitvaltijden en storingen een serieus probleem. Deze industrie is dus gebaat bij een vroegtijdig herkenning van aankomende storingen om deze op een regulier onderhoudsmoment te kunnen oplossen.
Potters: "De klemmen zijn te bewaken door gegevens vanuit de PLC continu te monitoren. Hiermee is een getraind AI-model in staat om bijvoorbeeld wrijving, lekkage en slijtage vroegtijdig op te sporen. Een (zeer) langzame verslechtering van de cyclustijd wordt direct opgemerkt en aangegeven maar ook ander afwijkend gedrag detecteert het model direct. Het resultaat: een stabiel productieproces en een vermindering van ongeplande stilstand met maar liefst 15%. In dit geval levert AI dus een bijdrage in voorspellend onderhoud. Ga je kijken naar het opsporen van luchtlekkages of wrijving, dan draagt het oplossen daarvan bij aan het verlagen van het energieverbruik. De kwaliteit van een productie is tot slot gebaat bij iedere verbetering van het proces en het voorkomen van storingen."
Conclusie
AI hoeft niet direct moeilijk te zijn. Begin kleinschalig, en vraag om hulp. Creëer zo draagvlak in de organisatie en wees je bewust dat een AI-gedreven bedrijfsmodel vraagt om nieuwe vaardigheden en een andere mindset. Potters: "Hiermee kunnen bedrijven productiviteit verhogen, energie besparen, kwaliteitsverlies voorkomen en nieuwe businessmodellen ontwikkelen via data-analyse. Essentieel om concurrerend te blijven."
