in Solutions

Downtime van machines voorspellen met Predictive Maintenance

Van pure waarzeggerij naar AI-gebaseerde forecasting: in de afgelopen eeuwen hebben toekomstvoorspellingen een lange weg afgelegd. In deze blog duiken we in de predictive maintenance. Die tak van AI spitst zich toe op het detecteren van onregelmatigheden of anomalieën om de nood aan onderhoud beter te kunnen inschatten. Dat is bijzonder handig in sectoren waar veel gebruik wordt gemaakt van grote machineparken. We werpen een blik achter de schermen van de software, zijn verschillende bedrijfstoepassingen en de praktische uitvoering in Trendskout.

Wat is predictive maintenance met AI precies?

De essentie van predictive maintenance of voorspelbaar onderhoud is eenvoudig van opzet. Complexe toestellen en industriële machines hebben op gezette tijd onderhoud nodig. Dat gebeurt liefst nét voor het einde van de levensduur van de machine of het te vervangen onderdeel in kwestie.

Om operationaliteit te garanderen, worden veel machineonderdelen in grote productiehallen nog steeds op geregelde basis vervangen op basis van hun geschatte levensduur. Vaak wordt daarbij uit voorzorg een veel te ruime buffertijd gehanteerd en zou het efficiënter zijn om voorspellend te kunnen ingrijpen.

AI-gebaseerde predictive maintenance optimaliseert de timing van onderhoud en zorgt op die manier voor maximale kostenbesparing. Daarvoor gebruiken we een aantal specifieke algoritmes, afhankelijk van het soort predictive maintenance dat nodig is in de praktijk.

Classificatie vs. anomaliedetectie

Achter de schermen zijn er twee technische oplossingen om via kunstmatige intelligentie aan predictive maintenance te doen. De keuze voor een specifiek AI-algoritme voor data-analyse en training hangt af van de aard van de machines die in de gaten moeten worden gehouden. Gaat het om apparaten die vaak te maken hebben met defecten of downtime, dan is classificatie een logische optie. Gaat het daarentegen om toestellen die slechts zelden defecten vertonen, dan blijkt anomaliedetectie doorgaans de betere keuze.

Afwijkende data opsporen

Het onvermijdelijke nadeel van betrouwbare machines is dat er in de gegevens die de machine levert vaak weinig sporen te vinden zijn van een concrete uitval of indicatoren die downtime kunnen voorspellen. Zolang alle componenten vlot draaien, geven monitoringsystemen weinig abnormale waarden aan voor de parameters die ze in de gaten houden. De AI kan in dat geval ook moeilijk leren inschatten welke verdachte indicaties of data-anomalieën een mogelijke uitval van een machine kunnen veroorzaken. Gelukkig bestaan er verschillende algoritmes die speciaal ontworpen zijn voor anomaliedetectie. Auto-encoders, bijvoorbeeld. Een auto-encoder is een speciaal type neuraal netwerk dat leert herkennen wat precies als ‘normaal gedrag’ beschouwd kan worden. Alles wat afwijkt van dat standaardpatroon is per definitie een onregelmatigheid en reden tot alarm. Een mogelijk gevaar van auto-encoders is dat ze door de manier waarop ze zijn opgebouwd ook vaker voorkomende afwijkingen of anomalieën als ‘normaal’ zouden kunnen beschouwen als ze té frequent opduiken. Het kan dus een goed idee zijn om een mogelijk teveel aan afwijkende data te verwijderen uit de trainingsdata waarmee het algoritme wordt gevoed.

Anomaliedetectie in Trendskout


Configuratie van anomaliedetectie in het Trendskout-dashboard

Net zoals alle andere AI-toepassingen kan ook anomaliedetectie eenvoudig worden opgezet in Trendskout. De schermafbeelding hierboven toont het configuratiecherm van Trendskout. Aan de linkerkant zien we dat zowel de trainingsdata als de actuele, realtime gegevens verbonden zijn met het neurale netwerk van de anomaliedetector. Het instellingenscherm van die laatste ziet er als volgt uit:

De grafieken hierboven geven aan of er data gevonden zijn die afwijken van de normale situatie en, indien ja, hoe groot de afwijking is. Dat leidt tot een mean average error. Daarbij draait het niet zozeer om de absolute waarden, maar wel om hun onderlinge verhouding tot elkaar.

Het invulveld onderaan het instellingenscherm toont de threshold of drempelwaarde die het algoritme moet hanteren voor anomaliedetectie. Het algoritme bepaalt zelf ook automatisch een suggestie hiervoor.

In de afbeelding hierboven geeft de rode lijn de threshold weer. De blauwe balkjes zijn de mean average errors van alle geregistreerde data. Die worden trouwens logaritmisch weergegeven om een beter overzicht te krijgen. In werkelijkheid zijn de afwijkende datapunten dus nog veel grotere uitschieters dan men op het eerste gezicht zou denken.

Elke blauwe balk die boven de rode lijn uitkomt, geldt dus voor het algoritme als een te rapporteren anomalie. De gegevens worden via een API automatisch doorgestuurd naar de externe waarschuwingssystemen van het bedrijf in kwestie of kunnen aan een tekstrapport worden toegevoegd, voor verdere actie.

Verschillende algoritmes onder de motorkap

De voorbeelden hierboven tonen aan dat anomaliedetectie niet ingewikkeld hoeft te zijn. Net zoals bij de andere Trendskout-analyses combineert het platform een heleboel sterke algoritmes – waaronder dus de eerder vernoemde auto-encoders – en past het genetische Trendskout-algoritme vervolgens op eigen kracht een selectie toe voor het beste resultaat.

Wil u zelf ook Predictive Maintenance toepassen? Dan staan wij u hierin als AI bedrijf graag bij. Contacteer vrijblijvend één van onze medewerkers.

Alle features ontdekken tijdens een live demo?Neem contact op en we tonen u de directe meerwaarde van artificial intelligence voor uw organisatie.