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