Stapsgewijs toe naar een data-gedreven organisatie

21 oktober 2021

Veel bedrijven zijn zó bezig met hun dagelijkse business dat ze vergeten de data die ze al genereren om te zetten in informatie. Waarmee kansen onbenut blijven om onder meer stilstand te reduceren of aan voorspellend onderhoud te doen. Welke stappen moeten bedrijven zetten om slim gebruik te kunnen maken van hun data en Artificial Intelligence (AI)?

Artificial Intelligence dook in de jaren ’50 op in de vorm van regelsystemen. Vanaf de jaren ’80 kwam daar machine learning bij. Het afgelopen decennium is ‘deep learning’ opgekomen, gebaseerd op neurale netwerken. Onder meer in Silicon Valley maakt deze ontwikkeling een enorme groei door. Mark Peters, innovatieversneller Smart Industry bij IJssel Technologie, heeft het tijdens een studiereis van het FME-platform ‘AI for Industry’ met eigen ogen kunnen zien.

Witte raven

“Dit moeten we ook in Nederland handen en voeten geven”, zegt Peters. Mark Roest, managing director van VORtech, beaamt: “We zitten in een prachtige tijd om dingen slimmer te doen, maar bedrijven pakken nieuwe technologieën relatief traag op – enkele witte raven buiten beschouwing gelaten.” VOrtech en IJssel Technologie zijn net als Siemens en IBM betrokken bij het platform ‘AI for Industry’ van FME, dat innovatieve technologie versneld naar de markt wil brengen. Ze hebben meegewerkt aan een road map voor bedrijven die willen starten met AI. Peters: “De meeste bedrijven verzamelen al data, maar waar het écht om gaat is dat je goede data hebt en er vervolgens slimmigheid uithaalt.”

Predictive maintenance

Peters en Roest verzorgden onlangs samen met Ronald Teijken (IBM) een sessie over predictive maintenance tijdens het jaarevent van het platform ‘AI for Industry’ bij Siemens in Den Haag. Ze lichtten de stappen toe die nodig zijn om op basis van data onderhoud te kunnen voorspellen. Peters heeft meegewerkt aan projecten om stilstand-tijden in de staalindustrie te verkorten. Hiertoe werden de meest kritische assets (machines en machineonderdelen) uitgerust met apparatuur om zaken als temperatuur, trillingen en toerental te meten. Peters: “Oudere, ervaren onderhoudsmonteurs kunnen vaak horen dat er iets aan de hand is met hun machine. Die signalen wil je veel eerder oppikken, zodat je in de maanden voorafgaand aan een grote productiestop kunt plannen wat er moet gebeuren.”

Ketensamenwerking

In tijden van vergrijzing en een oplopend tekort aan technici komt er gelukkig steeds meer technologie bij om de conditie van machines te monitoren. “Nieuwe machines worden intelligenter en verstrekken meer informatie”, aldus Ronald Teijken, channel manager voor AI-applicaties bij IBM. “Oudere machines kunnen worden uitgerust met sensoren. Hierdoor kan men vanuit verschillende processen data genereren en analyseren.” Dit klinkt volgens Teijken eenvoudiger dan het in werkelijkheid is. “Data zit niet alleen in je eigen fabriek, maar ook in je supply chain. Je moet samenwerken binnen de keten om je proces goed te kunnen monitoren. Voor het verwerken van big data zijn technische tools nodig, en je moet data ook kunnen opslaan. Met al deze zaken krijgen zowel multinationals als het MKB te maken.”

Cyber security

Om data uit diverse OT-systemen te kunnen halen, is een goede integratie tussen IT en OT vereist. De dataverwerking kan via de cloud of edge control gebeuren. Teijken: “Edge is belangrijk om snel beslissingen te kunnen nemen. Een zelfrijdende auto kan niet eerst aan de cloud vragen wat hij moet doen, want dan is het al te laat. Ook veel industriële processen vereisen snelle beslissingen. Dit vereist intelligentie aan de rand van je netwerk: edge. Maar als je met edge of cloud gaat werken, moet je goed nadenken over cyber security. Onderschat dat niet.”

Interdisciplinaire uitdaging

Het detecteren van ‘early warning’ in een zee van data kunnen data-analisten niet alleen. Ze zijn aangewezen op de kennis van operators en de machinebouwer. Mark Roest: “Niet alle data die uit een machine komen, zijn bruikbaar. De slechte data moeten er eerst uitgefilterd worden voor je gaat analyseren. Operators kunnen hierbij helpen, aangezien zij het beste begrijpen hoe hun machines werken. Hun kennis is ook nodig bij de analyse en classificatie van data en bij het opstellen van een model dat berekent hoe lang de machine nog meekan.”

Werkbare oplossingen

Resultaten uit data-analyse worden terug geleverd aan de werkvloer, in de vorm van dashboards die productiemedewerkers voorzien van real time informatie. Roest: “Om te borgen dat dit werkbare oplossingen zijn, is weer input van operators nodig. Deze mensen zijn kortom aan beide kanten van het spectrum essentieel. Het gaat altijd om een combinatie van vakmannen, techniek en bedrijfskundige kennis.”

Blijven verbeteren

Data-gedreven organisaties kunnen hun Overall Equipment Effectiveness (OEE) voortdurend blijven verbeteren. Hiertoe worden kwaliteits-, proces- en onderhoudsdate geïntegreerd binnen één omgeving. Peters: “Bij dit traject zijn naast een AI-specialist verschillende andere kennisdragers betrokken. Denk aan de kwaliteits- en onderhoudsmanager. Geen enkel bedrijf heeft tegenwoordig nog alle kennis zelf in huis. Dat is het mooie aan het FME-platform ‘AI for Industry’: je kunt gebruik maken van elkaars kennis en ervaring om je digitale transformatie te versnellen.”

Platform AI for Industry

Meer weten over of aansluiten bij het FME-platform AI for Industry? Kijk dan op FME-platform 'AI for Industry'.

Ook Siemens gebruikt AI voor predictive maintenance

In de Electronics Works Amberg (EWA) produceert Siemens plc’s. Een onderdeel hiervan zijn printplaten. Voor de montage moeten gaten worden geboord. Deze ogenschijnlijk simpele stap is risicovol doordat een agressieve stof die vrijkomt tijdens het boren ervoor kan zorgen dat de lagers van de boorspindels vastlopen. Daniel Kofman, business developer hightech-systemen: “Vroeger werden de spindels na een aantal maanden tegen hoge kosten preventief vervangen om de betrouwbaarheid van het proces te garanderen. Door het nauwgezet monitoren van de procesdata kan nu vastgesteld worden wanneer het risico op vastlopen groot wordt. Enkele dagen hiervoor kan de spindel vervangen worden. Bij de oplossing worden de modellen getraind in de Mindsphere-cloud. Het werkelijk monitoren bij de machine vindt plaats op een Edge device. Met deze op AI gebaseerde oplossing kunnen de spindels vaak maanden langer worden ingezet dan voorheen. Dit levert jaarlijks een besparing in de gehele productielijn van honderdduizenden euro’s op doordat spindels langer gebruikt worden en onvoorziene stilstand tot nul is gereduceerd.”