< Predictive maintenance met AI >

Wist je dat maar liefst 82% van de bedrijven in de maakindustrie de afgelopen drie jaar met ongeplande stilstand te maken had? Dat is enorm veel! De gemiddelde uitval duurt bovendien zo’n vier uur. De kost hiervan kan tot wel €230.000 per uur oplopen. Het is dus cruciaal om ongeplande stilstand te vermijden als je competitief wil blijven in je sector. Een goede onderhoudsstrategie voor je machines helpt om uitval te voorkomen. Maar hoe weet je wanneer een machine dreigt uit te vallen en dus een onderhoud nodig heeft? Enter: predictive maintenance met behulp van AI. In dit artikel leggen we je uit hoe het gebruik van AI de kans op machine-uitval in jouw bedrijf drastisch kan verkleinen.

Wat is predictive maintenance?

Predictive maintenance is een proactieve manier om de machines in je bedrijf te onderhouden. Traditioneel wordt onderhoud eerder reactief uitgevoerd, bijvoorbeeld op vaste momenten per jaar of wanneer er een machine stuk is gegaan.

Predictive maintenance maakt gebruik van AI om accurate voorspellingen te doen over wanneer er een onderhoud moet gebeuren. Een machine learning model monitort de gegevens van je machines en geeft aan wanneer een machine onderhoud nodig heeft of dreigt uit te vallen.

Het interessante aan predictive maintenance is dat je deze use case op elk soort productiesysteem kan toepassen. Denk aan CNC-infrastructuur (computer numerical control), supply chain- en magazijnsystemen, logistieke en testsystemen, enzovoort.

De voordelen van predictive maintenance

Het grootste voordeel van predictive maintenance is dat je exact weet wanneer je een onderhoud moet uitvoeren, waardoor de kans op machine-uitval een heel stuk kleiner wordt.

Je bespaart ook heel wat kosten: niet alleen omdat de productie niet stilvalt en je machines heel wat langer meegaan, maar ook omdat je geen onnodig onderhoud meer uitvoert. Tenslotte staat het je ook toe om je werkplanning te optimaliseren, zodat je niet last-minute een monteur hoeft te bellen wanneer er iets misgaat.

Hoe gaat het in z’n werk?

Er wordt een machine learning model getraind op de historische gegevens van je machines. Het gaat daarbij om sensorgegevens zoals temperatuur, trillingen en luchtvochtigheid, maar ook om informatie over storingen. Het machine learning algoritme kan op basis van die gegevens heel snel verbanden leggen. Wat zijn de gegevens van een machine in een normale toestand? Hoe zagen de gegevens eruit toen de machine de laatste keer stuk ging? En hoe lang is deze machine zonder interventie kunnen blijven draaien?

Wanneer het model een afwijking detecteert, zal het die afwijking melden. Bovendien geeft het aan binnen welke tijd de machine dan een onderhoud nodig heeft. Wanneer een machine erg abnormaal gedrag toont en dreigt uit te vallen, zal het machine learning model alarm slaan. Het is dus alsof er een medewerker met jarenlange veel ervaring je machines 24/7 monitort, en seint wanneer er afwijkende sensorgegevens zijn.