June 4, 2019 | Blog

Machine learning in onderhoud: Waarom is het nu ineens zo populair?

Data Science, Machine Learning

De industrie toont groeiende belangstelling in machine learning en artificial intelligence. Toch zijn deze technologieën niet nieuw. Al in de jaren vijftig van de vorige eeuw onderzocht een groep wetenschappers het concept artificial intelligence (AI): hoe je intelligente machines kunt bouwen en intelligentie kunt testen. Echter, pas de laatste jaren wordt AI gezien als een sleuteltechnologie die de industrie radicaal zal veranderen. Vooral de onderhoudssector ziet enorm veel potentieel. Hoe komt dat?

Recente ontwikkelingen

Waarom deze technologie pas nu van grote betekenis is, heeft te maken met een aantal recente ontwikkelingen.

1. De hoeveelheid beschikbare data is toegenomen

Artificial intelligence maakt gebruik van data om een probleem of specifieke taak te kunnen oplossen. Enorme hoeveelheden complexe data met miljoenen variabelen zijn nodig om nauwkeurige analyses te kunnen uitvoeren die leiden tot oplossingen. Technologieën als het Internet of Things, analytics en geavanceerde sensoren zorgen ervoor dat fabrikanten van machines en apparaten steeds meer data uit hun assets kunnen halen. Er is meer data beschikbaar en deze data is eenvoudiger te verzamelen en te verwerken.

2. Meer rekenkracht

Een belangrijke tweede vooruitgang is de toename van rekenkracht. Om tot een beslissing te komen verwerkt AI erg veel data en doorloopt veel parameters. Dit vergt rekenkracht. Door een toename aan rekenkracht kunnen berekeningen tegenwoordig veel sneller worden uitgevoerd. De processing units zijn efficiënter en bovendien ook goedkoper dan een aantal jaren geleden. Hierdoor zijn niet langer supercomputers in gespecialiseerde onderzoekslaboratoria nodig om AI toe te passen. De technologie kan draaien op normale computers en bereikt daardoor een bredere markt.

3. Betere AI-technieken door open source

Een derde belangrijke reden waarom AI nu als beloftevolle technologie wordt gezien, is de ontwikkeling van de techniek zelf. AI is de overkoepelende term voor meerdere onderzoeksvelden zoals onder andere machine learning. Dit is een techniek waarbij aan de hand van algoritmes computers kunnen leren om patronen in grote hoeveelheden data te identificeren waartoe mensen niet langer in staat zijn. De afgelopen jaren houden steeds meer bedrijven zich bezig met het optimaliseren van AI-technieken zoals machine learning. Hierdoor worden zelflerende systemen steeds beter in het herkennen van patronen en afwijkingen. Het aantal succesvolle data-analyseoplossingen met broncodes voor machine learning is enorm gegroeid. Daarnaast heeft ook de opkomst van meerdere open source frameworks ervoor gezorgd dat data scientists de techniek naar een hoger niveau hebben kunnen tillen.

4. Waardecreatie in de praktijk

Bovengenoemde ontwikkelingen hebben geleid tot nieuwe mogelijkheden op het gebied van kwaliteitsinspectie, procesoptimalisatie en voorspellend onderhoud. Er zijn dan ook steeds meer succesvolle voorbeelden te vinden in de praktijk die aantonen dat AI veel toegevoegde waarde kan bieden voor de industrie.  Deze voorbeelden worden steeds beter zichtbaar. Doordat concrete applicaties zichtbaar zijn, zijn meer bedrijven bereid te investeren. Dit versnelt de verspreiding van de innovatie.

Praktijkvoorbeeld onderhoud

Dankzij algoritmes op basis van data kan bijvoorbeeld de toestand van machines, ventilatoren of pompen worden beoordeeld. Uit de enorme databerg die de assets genereren, kan machine learning voor iedere individuele asset opvallende patronen herkennen die afwijken van de ideale situatie. Op die manier wordt het mogelijk om heel nauwkeurig de actuele status van een asset te bepalen. Hierdoor kan enige tijd vóór een storing optreedt, een alarm worden gegenereerd dat duidt op potentieel falen in de toekomst. Onderhoudsmanagers kunnen hierdoor hun expertise gerichter inzetten en hun aandacht richten op de assets die aandacht vereisen. Onderhoud en inspectie wordt efficiënter, ongeplande downtime daalt en productie stijgt.

Op tijd instappen

Artificial intelligence en de samenwerking tussen mens en machine zijn belangrijke thema’s in de industrie. Door de eerder genoemde vier ontwikkelingen, zal de innovatie hierin blijven versnellen. Investering in machine learning lijkt nog risicovol. Toch is niet investeren in dit geval minstens net zo risicovol. De innovatie blijft versnellen en als concurrenten wel investeren, wordt deze voorsprong steeds moeilijker in te halen. Het is daarom van belang om deze technologieën scherp in de gaten te houden, en te investeren in tools die hun waarde hebben bewezen.

Meer weten over machine learning toegepast in onderhoud? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

May 7, 2019 | Blog

Big Data voor Onderhoud: Wanneer ‘Bigger’ niet beter is

Data Science

 

when bigger data is not better data

Er komen steeds meer technologieën op de markt. Al deze technologieën produceren data, maar data heeft an sich nog geen waarde. Soms leidt de drift om alles te monitoren en te meten, tot een overload aan data. Maintenance managers in grote industriële bedrijven worden overspoeld met meters, analyses en rapporten. Zij staan voor de lastige taak de belangrijkste informatie eruit te filteren en overzicht te houden. Dit kan via een interactief dashboard waarop de belangrijkste parameters eenvoudig visueel worden weergegeven.

Focus

De manager moet voorkomen dat de onderhoudsmonteur verdwaalt in uitgebreide spreadsheets of dikke rapportages. Dit kan er namelijk toe leiden dat hij niet meer toekomt aan zijn onderhoudswerk, moedeloos afhaakt of belangrijke informatie over het hoofd ziet. Het doel van al deze meters en analyses is juist de onderhoudsmonteur te ondersteunen in het voorkomen van storingen door deze beter voorspelbaar te maken. Om dit te bereiken is een duidelijke focus nodig op die indicatoren die echt belangrijk zijn.

Domeinkennis

In het aanbrengen van focus in de brei aan informatie is de domeinkennis en ervaring van de onderhoudsmonteur onmisbaar. Slimme sensoren maken het mogelijk om 24/7 de conditie van motoren te monitoren. Met behulp van kunstmatige intelligentie is het mogelijk om deze enorme hoeveelheden data snel te verwerken. De computer kan patronen ontdekken die de onderhoudsmonteur niet direct opvallen. Slimme modellen zetten de data om in inzicht.

Inzicht is daarentegen nog geen kennis. De onderhoudsmonteur heeft kennis van de processen en weet op basis van ervaring wat gemeten moet worden, waarom het gemeten moeten worden en wat de uitkomsten betekenen. Hij kan aangeven welke prestatie indicatoren belangrijk zijn en in het interactieve dashboard moeten worden opgenomen. Betrokkenheid van de monteur bij het inrichten van het dashboard leidt tot een grotere inspanning om het project te laten slagen en waar nodig te verbeteren.

Monitoringsysteem

Een strakke visuele weergave van belangrijke parameters kan de vakman in een oogopslag duidelijk maken waar hij zijn aandacht op moet richten en welke zaken nog even kunnen wachten.  

Het is vergelijkbaar met het dashboard in je auto. In moderne auto’s worden alle belangrijke functies van de motor continu gemeten. Op het dashboard krijgt je echter alleen die functies te zien die belangrijk zijn voor het veilig rijden met de auto zoals snelheid, toerental, de hoeveelheid brandstof en of je je gordel aanhebt. Alle andere functies blijven verborgen totdat er iets mis dreigt te gaan, dan gaat er een waarschuwingslampje branden. Vaak kun je dan in de boardcomputer achterhalen wat er precies aan de hand is.

Condition Based Maintenance

Hetzelfde geldt voor het interactieve dashboard van de onderhoudsmonteur. Vroeger had de onderhoudsmonteur alleen data waarmee hij terug kon kijken. De technologie maakt het nu mogelijk allerlei soorten data te verzamelen, te analyseren en op basis daarvan voorspellingen te doen. Via het dashboard krijgt de onderhoudsvakman een actueel overzicht van de staat van de assets en wordt hij gewaarschuwd als er iets mis dreigt te gaan waardoor condition based maintenance mogelijk wordt.

Managementgoeroe Peter Drucker stelt het zo: ‘What you can measure you can manage’. Tussen meten en managen zit nog een stap: het creëren van inzicht. Een interactief dashboard biedt ondersteuning voor de juiste beslissing op het juiste tijdstip. Het is tegenwoordig mogelijk alles te meten, maar soms geldt het adagium: less is more!

Meer weten over hoe u de juiste inzichten op het juiste moment kunt inzien in een dashboard? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

April 23, 2019 | Blog

Onderhoud & Data Science: iemand inhuren of een tool inkopen?

Data Science, Maintenance personnel

Data scientist inhuren of oplossing inkopen?

Vrijwel alle elektronische apparaten zijn tegenwoordig uitgerust met een of meerdere sensoren. Al die systemen verzamelen bakken met data die in potentie zeer waardevol kunnen zijn, onder andere voor onderhoudstechnici, marketingmanagers en designers. Nog lang niet alle gegevens worden op dit moment ook daadwerkelijk uitgelezen en verwerkt. Dat is zonde. Deze gegevens geven je een unieke kans geven om je product te verbeteren en je klanten beter te bedienen. Als je niets doet, loop je het risico dat de concurrentie je links en rechts inhaalt. Actie is dus geboden.

Gelukkig beseffen de meeste bedrijven dat machine learning en kunstmatige intelligentie hun eigen wereld en die van hun klanten zullen veranderen. De een is daar natuurlijk wat verder in dan de ander. Firma’s met een omzet van boven grofweg vijftig miljoen hebben inmiddels allemaal minstens één data scientist op de loonlijst staan, of werken nauw samen met externe specialisten. En ook bij kleinere bedrijven is vaak helder dat ze hun data niet links kunnen laten liggen.

Domeinkennis

Moet je als technisch bedrijf je team versterken met een data scientist? Of is het gunstiger de service in te kopen bij een consultancybureau? Beide strategieën hebben hun voor- en nadelen. De ideale oplossing ligt - zoals zo vaak - ergens in het midden.

  1. Een interne specialist zich het domein snel eigen kan maken

De combinatie van domeinkennis en data science leidt namelijk tot de beste resultaten. Een dataspecialist in je eigen bedrijf heeft die knowhow sneller onder de knie. Hij ziet niet alleen getalletjes, maar begrijpt eerder wat ze betekenen en hoe hij de gewenste informatie boven water krijgt. Als hij bijvoorbeeld weet dat een motor warmer wordt als hij stuk gaat, kan hij de output van de temperatuursensoren analyseren en tijdig alarm slaan. Zeker in complexe omgevingen heeft het absoluut zin als een data scientist weet hoe de business draait en hoe de processen lopen.

  1. Continuïteit in het proces

Een tweede voordeel van een eigen data scientist is gekoppeld aan het feit dat het vakgebied voor een deel experimenteren is. Het is een continu proces van testen en verbeteren. Als je iemand in huis haalt, zorg je voor continuïteit en voorkom je dat het proces strandt als er een project is afgerond.

Er is op zoveel terreinen winst te behalen met kunstmatige intelligentie dat het interessant is om met meerdere externe partijen samen te werken. Dan is het fijn als er iemand aan jouw kant van de tafel zit die de taal spreekt. En die bovendien het beste kan inschatten welke wegen het snelst naar succes leiden.

  1. Data blijft binnenshuis

Ten slotte is er nog een heel basale reden om een data scientist in dienst te nemen. Data is de grondstof voor kunstmatige intelligentie. Toegang tot die data lijkt heel triviaal, maar is heel wezenlijk. In de praktijk is het een stuk eenvoudiger om data intern te gebruiken dan om ze te delen met een externe partij waar het vertrouwen niet onmiddellijk is ingebakken.

Zelf tool bouwen?

Genoeg argumenten dus om direct een data scientist in te huren, of zelfs een heel team op te zetten. Zeker voor de unieke processen en componenten waar echt concurrentievoordeel te halen is, kun je er bijna niet meer omheen. Als je denkt winst te kunnen halen met specifieke tooling voor je eigen bedrijf, moet je dat zeker doen. Maar dat wil niet zeggen dat die benadering altijd de beste optie is.

Leren op schaal

Op algemene terreinen zijn er goede tools op de markt die een deel van het werk uit handen nemen. Iedereen gebruikt een elektromotor. Als je daarvoor een eigen oplossing ontwikkelt, weet je één ding zeker: jouw tool wordt nooit zo goed als de gespecialiseerde, commerciële tool die vele tienduizenden motoren te zien krijgt. Op de lange termijn worden de algoritmes immers beter als ze over meer data kunnen beschikken. Wanneer je jouw tool alleen binnen de muren van je eigen fabriek inzet, wordt hij nooit aan dezelfde hoeveelheid data blootgesteld als een tool die je inkoopt.

Specialisatie bij toolbouwer

Bovendien kan de data scientist die een interne tool ontwikkelt, zijn tijd niet aan andere zaken besteden. Een investering in tijd en geld die een bedrijf niet kan uitsmeren over een grote hoeveelheid cases, zoals een gespecialiseerde toolbouwer dat wel kan. Als er dus een tool te koop is, die je zonder al te veel problemen in je proces kunt integreren, waarom zou je dan je energie besteden aan eigen ontwikkeling? Ook omdat het zeer de vraag is of je het beter kunt.

Kernactiviteiten

Voor de belangrijkste projecten en processen in je bedrijf loont het zeker de moeite om een eigen data science team op te bouwen. Hoe verder ze van de kern liggen, hoe eenvoudiger het is om een gespecialiseerde tool of externe capaciteit in te schakelen. Het is een zakelijke beslissing waarbij onderwerpen zoals intellectual property, datadeling en kennisborging een voorname rol spelen. Met een intern team kun je sneller schakelen, maar voor strategisch minder gewichtige processen is het vaak gunstiger om ze uit te besteden bij een gespecialiseerde dienstverlener.

Lijkt het inkopen van een oplossing voor u de juiste beslissing? We bespreken de mogelijkheden graag met u. Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

January 25, 2018 | External articles

‘Data Is Van Waarde, Als Je Het Waarde Geeft’ – Interview IMaintain

Condition-based maintenance, Data Science

https://www.imaintain.info/interview/data-is-waarde-%e2%80%a8als-waarde-geeft/

January 24, 2018 | News

Semiotic Labs In Finale Spout Startup Van Het Jaar

Condition-based maintenance, Data Science

https://www.sprout.nl/artikel/startups/synple-semiotic-labs-en-travis-finale-startup-van-het-jaar

January 19, 2018 | News

Sprout Startup Van Het Jaar 2017

Condition-based maintenance, Data Science

https://www.sprout.nl/lijsten/sprout-startup-van-het-jaar-2017