Artificial Intelligence (AI) verandert steeds vaker de productieprocessen op de werkvloer door datagestuurde besluitvorming mogelijk te maken en verbeteringen in de productie te bevorderen. Deze technologie helpt fabrikanten om uitdagingen aan te pakken en hun operaties te optimaliseren door geavanceerde analytische mogelijkheden te gebruiken. De Open Industry 4.0 Alliance schreef er een interessante whitepaper getiteld ‘Optimizing Shopfloor Production via AI – An Overview of 3 Use Cases’ over.
Door productiedata als prestatiemetrieken van machines, operationele parameters en de resultaten van kwaliteitscontroles vast te leggen en te analyseren, kunnen AI-systemen inefficiënties blootleggen, correctieve acties aanbevelen en workflows stroomlijnen. Dit resulteert volgens de opstellers van de whitepaper in een verbeterde productconsistentie, verminderde productiestilstanden en een betere benutting van de bronnen. Daarnaast vermindert het de behoefte aan handmatige toezicht en maakt het apparaat betrouwbaarder, wat leidt tot een vlottere en kostenefficiëntere productie.
De whitepaper behandelt drie belangrijke toepassingen van AI: kwaliteitscontrole, predictieve ofwel voorspelbare kwaliteit en toestandsmonitoring. Elke toepassing richt zich op een ander stadium van de productie en biedt interessante manieren om de prestaties en betrouwbaarheid op de werkvloer te verbeteren.
1. Kwaliteitscontrole - Kwaliteitscontrole zorgt ervoor dat producten voldoen aan de vereiste standaarden door defecten tijdens de productie te detecteren. Traditionele methoden, zoals visuele inspecties en steekproeven, missen volgens de auteurs vaak subtiele of interne defecten, wat leidt tot inefficiënties en hogere kosten. Geavanceerde kwaliteitscontrolesystemen overwinnen deze uitdagingen door middel van real-time monitoring, waarbij problemen vroegtijdig worden geïdentificeerd om afval te verminderen, herstelwerk te minimaliseren en consistentie te verbeteren. Deze focus op het oplossen van defecten tijdens de productie vormt de basis voor predictieve kwaliteit, die een stap verder gaat door defecten te voorkomen voordat ze optreden.
2. Predictieve of voorspelbare kwaliteit - Predictieve kwaliteit richt zich op het voorkomen van defecten door productiedata te analyseren en procesparameters in real-time aan te passen. Deze aanpak zorgt voor een consistente productkwaliteit en adresseert potentiële problemen vroegtijdig, zelfs tijdens het ontwerp en de instelling, om defecten later in het proces te verminderen. In tegenstelling tot kwaliteitscontrole, zo stellen de auteurs vast, die defecten detecteert en oplost tijdens de productie, voorkomt predictieve kwaliteit defecten bij de bron. Deze proactieve focus kan goed gekoppeld worden aan toestandsmonitoring, wat ervoor zorgt dat de productielijn die deze processen ondersteunt, betrouwbaar functioneert.
3. Toestandsmonitoring - Toestandsmonitoring zorgt voor de betrouwbaarheid en efficiëntie van machines door continu prestatiedata te controleren, zoals temperatuur, druk of trillingen. Door deze gegevens te analyseren, kunnen vroege tekenen van slijtage of afwijkingen worden gedetecteerd, waardoor tijdig ingegrepen kan worden om ongeplande stilstanden te voorkomen en de levensduur van apparatuur te verlengen.
Technische inzichten
Moderne benaderingen van kwaliteitscontrole vertrouwen op geavanceerde technieken zoals anomaliedetectie en computer vision om technische uitdagingen tijdens de productie aan te pakken. Anomaliedetectie werkt door het kwaliteitsniveau van het huidige relevante onderdeel te vergelijken met de patronen van de totale productie om een anomaliescore te bepalen. Als deze score een drempelwaarde overschrijdt, wordt het onderdeel als defect beschouwd, wat tijdig ingrijpen door de operator of een assistentiesysteem mogelijk maakt.
Computer vision biedt een methode voor het inspecteren van visuele gegevens door middel van hogeresolutiecamera's en algoritmen om defecten te identificeren. In tegenstelling tot conventionele beeldverwerking, die zich richt op eenvoudigere kenmerken, analyseren computersysteem visuele patronen en kunnen complexere defecten aanpakken, zoals onregelmatigheden in getextureerde oppervlakken of gelaagde materialen. Deze systemen kunnen ook multidimensionale analyse incorporeren door visuele gegevens te combineren met andere invoer, zoals procesparameters, om subtiele defecten bloot te leggen die anders onopgemerkt zouden blijven.
Een belangrijk aspect van deze technologieën is de mogelijkheid om diverse gegevensbronnen te verenigen in een samenhangend kader. Door beeldgegevens, productieparameters en historische trends te combineren, bieden deze methoden een gestructureerde benadering om afwijkingen in het productieproces te begrijpen. Voorbeeld: door informatie over oppervlaktecondities te integreren met operationele gegevens, kan een dieper begrip van de oorsprong van defecten worden verkregen en kunnen detectiecriteria worden verfijnd.
Deze technische methoden worden voortdurend verfijnd door middel van iteratieve trainingsprocessen. Algoritmen worden getraind op uitgebreide datasets om variabele omstandigheden in de productie aan te kunnen, zoals veranderende productvormen of materiaaleigenschappen. Deze iteratieve benadering zorgt ervoor dat de systemen zich kunnen aanpassen aan de complexiteit van moderne productieomgevingen terwijl ze consistentie en precisie behouden.
Uitdagingen en beperkingen
Het integreren van geavanceerde technologieën in productieprocessen brengt verschillende uitdagingen met zich mee die moeten worden aangepakt, stellen de auteurs van de whitepaper. Een belangrijk probleem in alle toepassingen is de kwaliteit en de beschikbaarheid van gegevens. Productieomgevingen produceren vaak onvolledige gegevens over geïsoleerde systemen die bovendien vaak op verschillende plaatsen worden vastgelegd. Het verzekeren dat deze gegevens correct (dus ontdaan van ruis), georganiseerd en toegankelijk zijn, is cruciaal voor effectieve implementatie van AI. In veel gevallen kan de bestaande infrastructuur de hoeveelheid en de variatie van gegevens die op de werkvloer worden geproduceerd, niet aan. Daarom zijn vaak technische aanpassingen nodig om bronnen te verenigen, bijvoorbeeld gegevens die van leveranciers moeten komen.
Een andere uitdaging ligt volgens de auteurs in de vaak beperkte dekking van sensoren. Hoewel veel machines zijn uitgerust met PLC's die nuttige informatie leveren, ontbreken bij oudere apparaten of systemen vaak voldoende (digitale) sensoren om cruciale gegevens te verzamelen. Het retrofitten van deze machines met moderne sensoren is vaak noodzakelijk om gaten in de gegevensverzameling te sluiten. Zelfs met voldoende infrastructuur is het volgens de opstellers van de whitepaper echter moeilijk om volledige dekking van alle relevante parameters te realiseren, wat belangrijke gebieden onbewaakt kan laten.
Naarmate productiesystemen meer met elkaar verbonden raken, nemen cybersecurityrisico's toe. Het beschermen van gegevens en infrastructuur is van vitaal belang om de operationele integriteit te behouden. Tegelijkertijd kampen veel organisaties met een tekort aan personeel dat is getraind om geavanceerde technologieën te beheren. Opleidingsprogramma's en ondersteuning die hiervoor geregeld moet worden, zijn cruciaal om medewerkers te helpen zich aan te passen aan nieuwe systemen en processen.
Hoe maak je hierbij nu gebruik van AI?
Het toepassen van AI in de productie vereist een duidelijke begrip van de huidige situatie en een gestructureerde, iteratieve benadering, menen de auteurs. Afhankelijk van de situatie, kunnen we op verschillende punten beginnen, maar het identificeren van waar we nu staan, is cruciaal. We zullen een aantal stappen moeten doorlopen, gevend e auteurs van de whitepaper aan:
Stap 1. Beoordeel de huidige situatie - Dit omvat het identificeren van bedrijfsdoelen en het bepalen of de gegevens en infrastructuur klaar zijn om AI te ondersteunen. Belangrijke overwegingen zijn de kwaliteit, beschikbaarheid en structuur van de beschikbare gegevens en de capaciteit van de operationele technologie om AI-oplossingen aan te kunnen. Het verkrijgen van managementondersteuning is essentieel - of door leiderschapsafstemming of door overtuigende zakelijke argumenten. Als er weinig expertise op dit gebied is, kan externe hulp waardevol zijn.
Stap 2. Definiëer toepassingen en succesfactoren - Het identificeren van een specifieke toepassing waar AI meetbare waarde kan bieden, is cruciaal. Deze stap omvat het afstemmen van stakeholders op projectdoelen, het selecteren van relevante prestatie-indicatoren (KPI's) en het bepalen van beïnvloedbare én niet-beïnvloedbare parameters. Gegevensexploratie op dit stadium helpt relaties tussen variabelen en procesresultaten te vestigen, waardoor een sterke basis voor AI-ontwikkeling wordt gelegd.
Stap 3. Ontwikkel en valideer een proof of concept - Een proof of concept (PoC) is essentieel om de haalbaarheid en potentiële rendabiliteit te demonstreren. Deze fase omvat het testen van algoritmen, het analyseren van prestaties en het iteratief verfijnen van modellen op basis van experimentele resultaten. Het proces valideert niet alleen het potentieel van AI, maar bouwt ook vertrouwen op bij stakeholders.
Stap 4. Integreer en operationaliseer - Om waarde te bieden, moet AI naadloos worden geïntegreerd in bestaande systemen. Deze stap omvat het koppelen van AI-oplossingen aan operationele werkstromen, het instellen van dashboards om inzichten te bieden en het verzekeren van duurzame ondersteuning die implementatie, monitoring en schaalbaarheid ondersteunt.
Stap 5. Verbeter en schaal voortdurend verder op - AI-systemen vereisen voortdurende verfijning om effectief te blijven. Aanpassingen op basis van nieuwe gegevens en inzichten zorgen ervoor dat het systeem zich kan aanpassen aan veranderende productieomgevingen. Geslaagde implementaties kunnen vervolgens worden uitgebreid over productielijnen of faciliteiten, waardoor de impact wordt gemaximaliseerd.
Conclusie
De integratie van geavanceerde benaderingen zoals kwaliteitscontrole, predictieve kwaliteit en toestandsmonitoring vormt een cruciale stap naar slimmere en efficiëntere productieprocessen, stellen de auteurs van de whitepaper vast. Deze technologieën adresseren de belangrijkste uitdagingen waarmee industrieën vandaag de dag worden geconfronteerd, van het verbeteren van productkwaliteit tot het verzekeren van de betrouwbaarheid van apparatuur en het optimaliseren van productiewerkstromen.
Om echter het volledige potentieel van deze verbeteringen te realiseren, is samenwerking nodig. Uitdagingen zoals het verenigen van gegevensilo's, het verzekeren van interoperabiliteit en het aanpakken van tekorten in vaardigheden zijn te groot voor één bedrijf om alleen op te lossen. Dit is waarom de Open Industry 4.0 Alliance is opgericht. Deze organisatie richt zich op het samenbrengen van fabrikanten, technologieleveranciers en stakeholders om samen oplossingen te creëren. Belangrijke principes die men hierbij hanteert, zijn daarom: openheid, interoperabiliteit en praktische implementatie.