Efficiënte productie door IoT en AI

Efficiënte productie door IoT en AI

Uiteindelijk zal elke producent Internet of Things en Artificial Intelligence technologie gaan inzetten voor het efficiënter maken van productie. Het is een trend die gaande is in sectoren zoals industrie, landbouw, energie en gezondheidszorg.

Efficiënte productie

Producenten in elke sector voelen de druk op hulpbronnen zoals grondstoffen en fossiele brandstoffen, de kwaliteit van de leefomgeving en globale concurrentie. Hierdoor wordt de noodzaak groter voor betere en efficiëntere productie.

Voor het produceren van producten vormen assets een cruciale rol. Denk hierbij aan de inzet van machines, mensen, dieren en grond. Deze assets moeten zo ingezet worden dat kosten, opbrengst en productkwaliteit geoptimaliseerd worden. Dit betekent

  • lagere kosten: door bijvoorbeeld minder grondstoffen- en energieverbruik, en lagere inkoopkosten
  • hogere opbrengst: door kortere opstart- en doorlooptijd, en hogere asset betrouwbaarheid, en
  • hogere kwaliteit: door betere beheersing van het productieproces.

Verbeteringen van de productie kan bereikt worden door:

  • onderhoud: om beschikbaarheid en betrouwbaarheid van assets te verhogen, en
    optimalisatie: van productontwerp, productieproces en planning.

Met Internet of Things (IoT) en Artificial Intelligence (AI) technologie kan dit gerealiseerd worden. Het is een innovatie gebied waar veel grote IT spelers (zoals Google, Amazon en Microsoft), industriële spelers (zoals GE en Bosch) en startups betrokken zijn.

Onderhoud

Stilstand door uitval van assets kost geld. In het ergste geval ligt de totale productie stil. Dit brengt verlies en extra kosten met zich mee, omdat

  • geen producten geproduceerd kunnen worden,
  • onderhoud van de asset voor extra kosten zorgt,
  • grondstoffen niet meer bruikbaar zijn, en
  • versneld achterstand wegwerken extra kosten geeft.

Betrouwbaarheid en beschikbaarheid van assets is daarom noodzakelijk om productie goed te beheersen. In de praktijk komen we drie onderhoudsstrategieën voor assets tegen:

  • reactief – er wordt pas onderhoud gedaan als een asset uitvalt,
  • preventief – op regelmatige momenten worden cruciale onderdelen van een asset vervangen, en
  • proactief – onderhoud wordt op strategische momenten gepland.

De beste strategie hangt af van de specifieke situatie. Reactief onderhoud kan goed werken als assets zeer betrouwbaar zijn. Preventief onderhoud zorgt voor stabiele productieschema’s maar brengt extra kosten met zich mee. Proactief onderhoud optimaliseert de assets die beschikbaar zijn, maar werkt alleen als het gedrag van de assets goed te voorspellen valt.

Een uitdaging bij proactief onderhoud is de ongelijke kosten voor false alarms en false negatives. Bij een false alarm wordt onderhoud gedaan terwijl dat niet nodig is. Bij een false negative wordt geen onderhoud uitgevoerd terwijl dat juist wel nodig is. Dit kan leiden tot plotselinge uitval van de asset en alle gevolgen van dien.

Optimalisatie

Optimalisatie van productontwerp, productieproces en planning leidt tot efficiëntere productie. Elk van deze drie aspecten werkt op een eigen tijdschaal, maar heeft uiteindelijk tot doel om

  • gebruik van grond- en (fossiele) brandstoffen te minimaliseren, en
  • inzet van assets zo te plannen dat de opbrengst verhoogt wordt bij gelijke of betere kwaliteit.

Voorbeeld

In de landbouw worden bestrijdingsmiddelen gebruikt. De algemene strategie is om een stuk land volledig te besproeien met een bestrijdingsmiddel. Dit is niet alleen kostbaar, maar geeft ook een belasting voor het milieu. Een betere aanpak zou zijn om lokaal onkruid te bestrijden. Op deze manier wordt minder bestrijdingsmiddel gebruikt. Een startup uit de VS heeft dit bereikt door AI technologie te gebruiken. Lees meer hierover in dit artikel.

Vier lagen model

Om te begrijpen hoe IoT/AI technologie in te zetten om efficiëntere productie te realiseren, kan je het vier lagen IoT/AI model gebruiken. Dit model beschrijft hoe een IoT/AI platform is opgebouwd.

De eerste laag in het IoT/AI model is Sensoring en Robotisering. Een IoT/AI aanpak vraagt om (zeer veel) sensordata van de assets, processen en (half-)fabricaten. Uitgangspunt hierbij is de welbekende wijsheid “meten is weten”. Robotisering is nodig om real-time de productie bij te sturen. Uitdagingen bij het uitwerken van deze laag is het verzamelen van (sensor-) data en de traceerbaarheid ervan.

De tweede laag in het model is Monitoring en Regeling. Beschikbaarheid van sensordata stelt operators in staat om meer inzicht in het productieproces te krijgen. Hiermee kan een operator regelingen aanpassen en direct ingrijpen als iets mis dreigt te gaan. Visualisatie van data is daarom belangrijk.

Modellering en Planning is de derde laag. Als er voldoende sensordata beschikbaar is dan kunnen modellen gebouwd worden van de assets. De term ‘digital twin’ wordt vaak gebruikt om het digitale model aan te duiden van een asset, proces of systeem. De modellen kunnen bijvoorbeeld gebruikt worden voor pro-actief onderhoud, root-cause analysis of planning.

Deze derde laag kent vele uitdagingen m.b.t. de data. Ten eerste zijn sensoren (features) niet onafhankelijk en wijken stochastische verdelingen vaak af van theoretische modellen. Ten tweede is het productieproces vaak niet stationair. Instellingen van assets worden aangepast tijdens de productie. Tenslotte is er vaak een ongelijke verdeling van datapunten van goede werkcondities (veel punten) en slechte werkcondities (weinig punten).

Optimalisatie is de vierde laag in het IoT/AI model. Zodra er modellen van de assets en processen beschikbaar zijn kunnen verschillende productie scenario’s gesimuleerd worden. Hiermee kunnen optimale planningen en regelingen gerealiseerd worden.

IoT

IoT is het technologieplatform van alle sensoren, gerobotiseerde assets en (AI) applicatie servers. Belangrijk aspecten van een IoT platform zijn:

  • interoperabiliteit – onderdelen moeten met elkaar kunnen samenwerken,
  • security – communicatie moet veilig zijn en het netwerk moet zich kunnen weren tegen cyberaanvallen, en
  • high level programming – (AI) applicaties moeten gebouwd kunnen worden die gebruik maken van (data van) alle onderdelen in het IoT netwerk.

In het artikel “MQTT laat IoT apparaten samenwerken” wordt uitgelegd hoe een IoT platform kan werken. Voor IoT systemen waarbij componenten buiten het bedrijfsnetwerk moeten werken is de verwachting dat blockchain technologie voor de benodigde security kan zorgen.

AI

Artificial intelligence is een omvangrijk technologie gebied dat zich sinds de jaren ‘50 aan het ontwikkelen is. Dit gaat met ups en downs, die afhangen van andere technologie ontwikkelingen. Recentelijk zit AI technologie weer in een ‘up’ en krijgt het veel aandacht. Technologische ontwikkelingen op het gebied van hardware en software maken nieuwe applicaties met AI mogelijk. Het artikel “Een nieuwe technologie: Artificial Intelligence!” gaat hier verder op in.

AI technologie wordt vaak ingezet in situaties waarin er zeer veel data is (Big Data), of systemen te complex zijn om ze te modelleren op basis van fysische of stochastische principes. Een nieuwe AI techniek genaamd ‘Deep Learning’ maakt het mogelijk om betere modellen te maken dan dat menselijke experts kunnen.

In het vier lagen model kan AI op elke laag ingezet worden.

Laag 1 – Sensoring en Robotisering : AI kan gebruikt worden om slimme sensoren te maken. Dit kan een camera zijn die complexe objecten herkent (zoals gewassen), tot drones die zelf (sensor) taken uitvoeren. Een veelgebruikte AI techniek hierbij is Deep Learning (DL) en Convolutional Neural Networks (CNN).

Laag 2 – Monitoring en Regeling : AI kan gebruik worden om selecties te maken uit grote hoeveelheden data en deze te tonen aan een operator. AI technieken die hier gebruikt worden zijn Self-Organizing Maps en Artificial Neural Networks (ANN).

Laag 3 – Modellering en Planning : Met AI kunnen modellen van complexe assets en processen gemaakt worden. Daarnaast kan AI gebruikt worden om een planning on-the-fly aan te passen aan de huidige productiesituatie. Een breed scala aan AI technieken worden hier gebruikt, waaronder DL, CNN, ANN en Random Forest.

Laag 4 – Optimalisatie : AI kan gebruikt worden om optimale productontwerpen en productieprocessen uit te rekenen. Een veelbelovende techniek is DL Reinforcement Learning.

Voorbeeld

Het inspecteren van windmolens is een tijdrovende bezigheid. Bovendien is het ook nog eens gevaarlijk. Preventief onderhoud is daarom kostbaar. Een betere aanpak hiervoor wordt aangeboden door de Nederlandse startup birds.ai. Met drones worden foto’s genomen van de rotorbladen van een windmolen. AI wordt ingezet om de foto’s te analyseren en de conditie van de rotorbladen te bepalen.

Uitdagingen

Er zijn tweede uitdagingen voor de komende jaren om voordeel te halen uit IoT/AI technologie voor productie.

De eerste uitdaging is strategisch van aard. Bedrijven moeten gaan onderzoeken op welke manier IoT/AI technologie ingezet kan worden binnen hun productiedomein. Het maken van een schatting van de economische waarde hiervan is belangrijk om een beslissing te nemen door te gaan met de tweede uitdaging.

De tweede uitdaging is operationeel van aard. Op dit moment zijn er nog geen geïntegreerde IoT/AI platformen beschikbaar. Integratie van bestaande individuele IoT en AI componenten vergt daarom nog de nodige expertise.

Geef een reactie