Met Industrial AI kunnen Maintenance-afdelingen onderhoudstaken sneller en beter uitvoeren: van reactief, correctief naar proactief onderhoud. Artificial Intelligence kan onderhoudstechnici enorm ontlasten bij gepland en ongepland onderhoud. De eerste pilots met AI gegenereerde troubleshooting en reparatieschema’s en AI-gestuurde predictive en prescriptive maintenance laten veelbelovende resultaten zien.
Hoe handig zou het zijn als je bij een storing direct bij de kapotte machine een lijstje op kunt vragen met de vijf meest waarschijnlijke oorzaken, stap voor stap je probleemanalyse kunt doorlopen, in één ruk door je foutendiagnose af kunt ronden, om vervolgens alle info tot je beschikking te hebben om die storing zo snel mogelijk te verhelpen?
Pilots tonen potentie AI
Kunstmatige intelligentie kan in principe het instrumentarium bieden om dit in de praktijk te brengen. Dit bleek tijdens een presentatie van Chris van den Belt (Head of Product Management) en Berend Booms (Head of EAM Insights) van IFS Ultimo tijdens het IFS Unleashed-congres over de kracht van ‘Industrial AI’.
Het evenement, georganiseerd door IFS en partners, vond plaats van 14 tot 17 oktober in Orlando (Florida). De eerste AI-pilots laten de potentie zien van industriële AI, en dat is nog maar het begin van wat mogelijk een revolutie kan ontketenen in de onderhoudssector.
Mark Moffat, CEO van IFS op het congres in Orlando (Florida) | foto: IFS Ultimo/IFS
Van correctief naar proactief onderhoud
De geschetste snelweg naar doelmatiger industrieel onderhoud klinkt haast te mooi om waar te zijn. Veel industrieel onderhoud, zeker het ongeplande deel, is nu nog een ad hoc aangelegenheid.
Wie herkent dit voorbeeld niet? Na een urenlange zoektocht naar de oorzaak van een storing, moet je het hele magazijn door op zoek naar dat ene reserveonderdeel. Gelukkig is het op voorraad, maar niet duidelijk is om welke lager dat kapotging het precies gaat. Na diverse keren uitproberen en heen en weer lopen is het juiste type gevonden, maar niemand heeft deze reparatie ooit uitgevoerd.
De leverancier zit in Polen en spreekt amper Engels. Na veel zoekwerk wordt een handleiding gevonden, maar wel net van een ander type machine waarin dit type lager beschreven staat. Bellen met collega’s van een andere locatie geeft nul op het rekest. Na veel trial & error is de productielijn weer operationeel. De downtime is fors, een behoorlijke schadepost. Ondertussen ligt al het andere onderhoudswerk stil en kampt de afdeling met onderbezetting. Kan dat niet slimmer?
“Met AI gestuurd onderhoud kun je een technisch mankement een stuk sneller oplossen. Tenminste, als je met een op de processen toegesneden AI-model werkt en proceskritische data toegankelijk zijn”
IFS Ultimo/IFS
AI-gestuurd onderhoudsmodel
Ja, met kunstmatige intelligentie. Met AI-gestuurd onderhoud kan het oplossen van een technisch mankement een stuk sneller getackeld worden. Tenminste, als een productiebedrijf met een op de processen toegesneden AI-model werkt en proceskritische data toegankelijk zijn.
Zo kan AI handige probleemoplossingen suggereren en kan het ondersteunen bij de storingsdiagnose. AI doet dit door uit ongestructureerde realtime machinedata en historische data de wortel van het probleem te ontrafelen. Door complexe ongestructureerde machinedata te interpreteren en te vertalen naar gestructureerde data en suggesties komt het AI-model tot een geautomatiseerde ‘root cause analyse’. Dat is hapklare info waar onderhoudstechnici wat mee kunnen.
Storingen sneller verholpen met AI
En AI kan nog meer. Is de oorzaak bekend, dan kan Industriële AI technici stap voor stap door de reparatie leiden. Handleiding nodig of een video van een reparatie door een collega? Klik op het icoon. Superhandig voor wie minder bekend is met de apparatuur. De gegevens waar AI uit put, moeten er wel zijn, daar is voorwerk voor nodig.
Het is slechts een greep uit de mogelijkheden die AI biedt. Onderaan de streep biedt AI de potentie voor snellere oplossing van storingen, maar minstens zo belangrijk is dat onderhoudsafdelingen meer kunnen halen uit hun eigen expertise. Er wordt minder tijd verloren en het werk wordt er bevredigender door. In een tijd van tekorten aan technisch personeel is dat pure winst.
Chris van den Belt, Head of Product Management bij IFS Ultimo | foto: IFS Ultimo/IFS
Enterprise Asset Management + AI
IFS Ultimo heeft de afgelopen twee jaar hard gewerkt om AI in zijn Enterprise Asset Management (EAM)-software te integreren. In samenwerking met gebruikers zijn pilots opgestart om de mogelijkheden van kunstmatige intelligentie in onderhoud en productie te gaan testen. De toepassing van industrial AI in onderhoud is nog in ontwikkeling, beklemtoont Van den Belt, dus moet je simpel en bij het begin beginnen.
“Onze aanpak is eerst te experimenteren met klanten hoe en of iets werkt en dat voor de meest proceskritische assets in de organisatie: ‘het laaghangende fruit’. Daarna gaan we door of we breken het traject af. We hebben onder meer AI getest met het laten genereren van velden en het uitlezen van meterstanden. Andere toepassingen waar we aan werken zijn foutenrapportages, het in meerdere talen vertalen van gegevens en het extraheren van data uit documenten.”
Data handmatig invoeren
AI toepassen in onderhoud klinkt in theorie simpel – een kwestie van complexe (ongestructureerde) procesdata verzamelen en uitlezen, evalueren en deze structureren tot een actie. Echter, de praktijk blijkt weerbarstig. Het is bijvoorbeeld niet vanzelfsprekend dat data van procesinstallaties overal digitaal beschikbaar zijn, een kink in de kabel bij de data-acquisitie. Van den Belt: “Veel gebruiksafhankelijk of conditie-gebaseerd onderhoud wordt gebaseerd op meterstanden – draaiuren, slagen, rotaties, druk, noem maar op. Interfaces verzamelen data van de assets, maar in veel fabrieken werken ze nog (deels) met analoge meters.”
Analoge data digitaliseren met OCR
Dit soort data zijn niet met een druk op de knop beschikbaar: iemand moet naar de installatie lopen, de meterstand uitlezen, overschrijven en ingeven in het systeem voor procesautomatisering. “Dat werpt een drempel op. We dachten, hoe maak je dit de mensen gemakkelijk? We zijn gaan testen met OCR [Optical Character Recognition, red.] om automatisch metingen te digitaliseren met foto’s.”
“Data van analoge meters uitlezen met Optical Character Recognition was geen succes. Pas toen we met AI meterstanden gingen uitlezen kregen we goed genoege resultaten”
Chris van den Belt, IFS Ultimo
Meterstanden uitlezen met ChatGPT
En hoe goed werkt dat? “Dat hebben we getest. Drie jaar geleden, vóór de komst van ChatGPT, bleek slechts 50% van de uitlezingen goed.” Hij toont een OCR-uitlezing van een analoge watermeter. Hierin is ook allerlei tekstinformatie meegenomen van tekst buiten het uitleesscherm. “En vaak werd de meetwaarde niet goed gelezen.” Niet echt bruikbaar dus. “Op die manier kost dit alleen maar tijd, dit werd het dus niet.”
De komst van ChatGPT betekende een doorbraak, stelt Van den Belt. “Naast het detecteren van tekst op een foto begrijpt een GPT beter wat er op de foto staat en hoe de meterstand geïnterpreteerd moet worden. Zo is de betrouwbaarheid hoger als het model weet wat de laatst gemeten waarde is en dat bijvoorbeeld decimaalposities niet achter een komma staan, maar roodgekleurd zijn. Daarnaast is GPT-4 beter geworden in het analyseren van foto’s. Door de toepassing van de laatste technieken vinden we de resultaten goed genoeg toe te passen voor uitlezingen van analoge meters.”
Trage probleemdiagnose, kan dat niet sneller?
Het OCR-voorbeeld geeft aan dat de potentie er is, maar dat AI niet van de ene op de andere dag inzetbaar is voor onderhoud. Het goede nieuws, stelt Van den Belt, is dat AI stapsgewijs kan worden ingevoerd en dat veel kleine optimalisaties significante verbeteringen kunnen opleveren.
Dit gaat direct verspilling tegen in de onderhoudssector, want die is fors. Hij haalt er de cijfers bij. “Gemiddeld gaat 80% van de ‘mean time to repair’ zitten in het diagnosticeren van een probleem. Dus waar komt de storing uit voort? Dit komt door een gebrek aan details in het foutenrapport. Mensen op de vloer horen, zien en weten veel, hebben bijvoorbeeld vibraties opgemerkt, lekkages en oververhitting geconstateerd.”
“Lege velden voor het noteren van extra informatie bij foutenrapportages bleken niet te werken. Daarom hebben we AI gecombineerd met een taalmodel dat met suggesties komt die je alleen maar hoeft aan te klikken”
Chris van den Belt, IFS Ultimo
AI-geoptimaliseerde foutenrapportage
En wat staat in het foutenrapport? ‘Pomp gestopt, repareer’. Hij vervolgt. “Bij gebrek aan informatie is de maintenance engineer lang met de diagnose bezig. Die zie je constant heen en weer lopen. Idealiter is direct duidelijk uit het foutenrapport wat er gebeuren moet, maar hoe krijg je operators zover dat ze de hiervoor benodigde informatie ingeven?”
Er werd geëxperimenteerd met velden om korte berichten in te typen als er iets raars aan de hand lijkt met een machine. “Dit bleek niet te werken. We ontdekten dat operators een sjabloon met invulvelden en vragen leeg laten. Je kunt velden verplicht maken, maar ook dat is te omzeilen. Daarom hebben we AI gecombineerd met een taalmodel dat met suggesties komt als een machine ermee stopt. Je hoeft er alleen op te klikken en dan komt het vanzelf in het foutenrapport. Bijvoorbeeld: ‘raar geluid gehoord’, ‘sensor werkt niet goed’, of ‘ketel raakt oververhit.’”
‘Benut de kracht van industrial AI’, was de boodschap tijdens IFS Unleashed 2024 | foto: IFS Ultimo/IFS
Zelflerende probleemoplossing
Vraag is of AI dan het probleem ook kan oplossen of het vinden van een oplossing kan ondersteunen. “Daarvoor moet je eerst weten wat het probleem veroorzaakte; in plaats van een (waarschijnlijk onjuiste) oplossing te suggereren, gebruiken we het taalmodel om gebaseerd op het falende asset en de foutomschrijving en observaties te komen met suggesties als: ‘Controleer afdichtingen op slijtage’, ‘Inspecteer of er losse koppelingen zijn’, of ‘Check of de bouten zijn aangedraaid’.”
Zo kan snel afgevinkt worden wat de meest waarschijnlijke oplossing van het probleem is. “De onderhoudstechnicus fikst het probleem, en kan op dezelfde manier een eindrapport opmaken. Dus niet: ‘Hij doet ’t weer’, maar ‘Ik heb de pomprubbers vervangen.’ Het systeem is zelflerend. “Met alle historische informatie kun je de module steeds accurater maken en we kunnen het verder uitbouwen met bijvoorbeeld een fotobeschrijving.”
“Downtime kun je verminderen door het EAM-systeem te integreren met een Asset Performance Management systeem. Dat kost wat, maar zelfs als je de downtime met slechts 10% verlaagt haal je dat er al dik uit”
Chris van den Belt, IFS Ultimo
Predictive maintenance en kunstmatige intelligentie
Implementatie van AI voor onderhoudstoepassingen is een investering, maar die verdient zich terug, verzekert Van den Belt. “Reken de kosten van downtime maar eens door. Dit kan in de tientallen uren per week lopen. Bij processen in de plastic- en rubberindustrie en in de chemie spreek je zo over € 90.000 tot € 100.000 verlies per uur, plus een berg afval en je moet alles weer opstarten. Downtime kun je voorkomen met preventief onderhoud, of nog beter: predictive en prescriptive maintenance, bijvoorbeeld door het EAM-systeem te integreren met een APM-systeem [Asset Performance Management, red.].”
Dat kost dan heel wat, maar zelfs als je de downtime met slechts 10% verlaagt haal je dat er al dik uit. “Hoewel dit voor veel organisaties een lange-termijndoel is, zijn bovengenoemde AI-toepassingen om de duur van downtime te verkorten vandaag al mogelijk, zonder investeringen in de infrastructuur.”
Meer sleuteltijd met artificial intelligence
Onderhoudstechnici hoeven AI niet te vrezen, het maakt hun werk juist gemakkelijker, vervolgt hij. “Het scheelt heel veel uitzoekerij en administratie voor je mensen, wat geen leuk werk is, terwijl je vaak al krap in je bezetting zit.”
Uit marktonderzoek blijkt dat onderhoudspersoneel het grootste deel van zijn tijd kwijt is met gedoe rond de reparatie. De wrench time – sleuteltijd – blijkt bij googelen op 25 tot 35% te zitten. “Het optimum is 55 tot 65%. Breng je de wrenchtime van 35 naar 55%, dan schiet de productie omhoog met 57%. Met 40 man kun je dan werk verzetten voor 64 man! Dit is fantastisch gezien het tekort aan personeel.”
Van reactief naar proactief onderhoud
“Maar de grootste winst van AI is de verbetering van de waarde van data”, besluit Van den Belt. “Op de lange termijn ga je van reactief naar proactief onderhoud en zijn problemen te voorkomen of steeds sneller opgelost. Als een bepaald issue al 5 x een probleem op de asset was, is dat 4 van 5 keer de oplossing als het weer gebeurt.”
En hoe gaat het verder? “We zullen deze toepassingen blijven doorontwikkelen. Met betere data kunnen organisaties van preventive naar predictive en zelfs prescriptive maintenance gaan. Dat doen we stap voor stap. We gaan pilots draaien om foutenrapporten te verbeteren, daarna komt de AI-foutendiagnose en dan de probleemoplossing. Dan kan weer uitgebreid worden met geautomatiseerde onderhoudsplanning op basis van AI.”
