AI voor predicitive maintenance
Onlangs is onze collega Erik Holleboom naar Budapest afgereisd om te horen en leren over Machine Learning. De aanleiding hiervoor was het uitbreiden van de expertise van Strypes op dit vlak. Onze collega’s bouwen namelijk besturingen voor missie-kritische systemen en die systemen vragen om hoge beschikbaarheid. De beschikbaarheid wordt bevorderd wanneer het onderhoud/beheer tijdig of zelfs op het meest ideale moment wordt uitgevoerd. Maar hoe voorspel je nu wanneer het ideale moment is? En hoe maak je dit toepasbaar? Oftewel: hoe realiseer je kennis ten behoeve van predictive maintenance?
Slimme besturingen
De besturingen die we bouwen, genereren veel data. Deze data worden uiteraard opgeslagen en geregistreerd maar of dit de juiste data zijn, weten we niet. Wanneer de data slim geanalyseerd worden, kan dit de informatie geven die nodig is om de voorspelling voor het onderhoud en beheer te doen. Daarbij leren we ook welke data wel en niet relevant zijn. Het handmatig analyseren hiervan kost veel tijd. Een AI-systeem biedt de mogelijkheid om dit efficiënter en op grotere schaal te doen. De algoritmes die hiervoor nodig zijn, bestaan al. De uitdaging hierbij is echter het creatief toepassen van die algoritmes, de juiste trainingsets samen te stellen en het systeem te laten leren. Als het systeem eenmaal ‘geleerd’ is, kan het gebruikt worden om actief te voorspellen, ook voor bijvoorbeeld het detecteren van afwijkingen.
In de prakrijk
Hoe ziet dat er in de praktijk uit? Een voorbeeld: de besturingen die we bouwen voor waterkeringen geven informatie over de waterstanden. Met deze en andere informatie samen kunnen we toekomstige waterstanden beter voorspellen, waardoor bijvoorbeeld deuren automatisch gesloten worden als hoge waterstanden op komst zijn. Tot op heden is het de bedienaar die informatie krijgt of ophaalt om te bepalen of de deuren van de kering moeten sluiten. Met de Machine Learning- toepassing zal het systeem zelf ‘weten’ wanneer er gehandeld moet worden. Dit betekent dat de deuren automatisch sluiten wanneer de waterstand door het getij stijgt en de deuren openblijven wanneer een breed schip zorgt voor tijdelijke hogere waterstanden. Het systeem zal dus, met behulp van menselijke input, ‘leren’ hoe de data geïnterpreteerd moeten worden, waardoor het onderscheid kan maken in de situatie, de false positives of true negatives herkend worden en de juiste actie ondernomen wordt.
Ontbrekende schakel
Als men kijkt naar Artificial Intelligence, data collectie, IoT devices etc. dan begint men vaak met het technologische aspect. Met andere woorden, er worden devices gekoppeld aan het systeem om data te collecteren. Hierdoor ontstaat, samen met de data die al in de besturingssystemen aanwezig zijn, een enorme hoeveelheid data. Vervolgens moet deze data geanalyseerd worden en wordt de zinvolle data gevisualiseerd. Op dit moment zijn er al drie stappen genomen om te komen tot een volledig smart systeem, echter is er nog geen winst geboekt.
Vanuit onze ervaring zien we vaak dat dergelijke projecten vol enthousiasme op deze wijze beginnen te werken. Na een tijdje blijkt dan dat er al een enorme investering is gedaan zonder dat er duidelijk zicht is op het resultaat. Wij geloven dan ook dat we samen met onze opdrachtgevers eerst moeten kijken naar de business case. We doorlopen samen het hele traject top-down en implementeren vervolgens bottom-up. Hierdoor is het voor iedereen helder welke investering nodig is en welk moment er winst gemaakt kan worden.
Strypes maakt het verschil
Een organisatie die werkelijk het verschil maakt, is er in onze visie op gericht om klanten zo goed mogelijk te bedienen en ervoor te zorgen dat medewerkers zich maximaal ontwikkelen en zich betrokken voelen bij de onderneming. Groei en winst voor de organisatie zijn afgeleiden van groei en winst voor onze opdrachtgevers en onze medewerkers, en dus geen doel op zich.
Benieuwd naar hoe het is om bij Strypes te werken? Neem contact met ons op.