Vat dit blogbericht samen met:
Noot van de redactie: Wilt u uw productiefouten niet alleen minimaliseren, maar volledig elimineren? Ontdek in deze blog hoe intelligente algoritmes processen in realtime kunnen voorspellen, optimaliseren en transformeren met behulp van AI in een foutloze productieomgeving. Duik erin en ontdek de weg naar een productielijn die zo foutloos is dat u slechts één ding zult betreuren: dat u AI niet eerder hebt omarmd.
De maakindustrie, op weg om de grootste markt ter wereld te worden, stuitte op een probleem met wereldwijde gevolgen: 20% van elke dollar die in de industrie wordt uitgegeven, wordt verspild.
Dit vereist het doorbreken van datasilo's en het bereiken van volledige integratie en interoperabiliteit van productiesystemen, waarmee wordt aangetoond dat traditionele, op kwaliteit gerichte productiepraktijken niet voldoen aan de visie van Industrie 4.0.
Het concept van nul defecten omvat hier tal van ideeën en concepten uit traditionele methoden voor kwaliteitsverbetering en gaat verder door technologische vooruitgang zoals machine learning, deep learning en kunstmatige intelligentie te integreren.
Hoewel AI als concept en als technologie al vele jaren bestaat in diverse commerciële productvarianten, hebben recente doorbraken in ondersteunende infrastructuur en AI-specifieke producten een nieuwe golf van adoptie in de maakindustrie teweeggebracht. De koppeling van robuustere computerplatforms, krachtigere communicatienetwerken en datasets die groot genoeg zijn voor AI-engines om gegevens op een zinvolle manier te verwerken, heeft betere omstandigheden gecreëerd voor de adoptie van AI, wat blijkt uit de nieuwe golf van algehele acceptatie in de industrie.
Een grafiek die cyberaanvallen in verschillende sectoren in 2023 weergeeft. Bron: Statista Door AI op een verstandige manier in te zetten, kunnen fabrikanten nu aanzienlijke verbeteringen realiseren op het gebied van kwaliteit, efficiëntie en betrouwbaarheid. Dit weerlegt het idee dat het bereiken van een bijna-defectvrije productie een moeilijk te behalen proces is dat alleen mogelijk is voor producten die uitgebreid zijn onderzocht.
Om het volledige potentieel te benutten, is het daarom nodig om verder te kijken dan geïsoleerde toepassingen in het productieproces en te kiezen voor een geïntegreerde AI-strategie die is afgestemd op de bedrijfsdoelstellingen. Met de juiste aanpak kunnen fabrikanten AI inzetten om een hoger niveau van operationele excellentie te bereiken en een stap dichter bij het realiseren van nul defecten te komen.
De industrie begrijpt de voordelen van de implementatie van productie zonder defecten, maar beseft ook dat dit geen eenvoudige procedure is. Daarom hebben fabrikanten hun vertrouwen gesteld in data en AI. Ze zien zichtbare resultaten met de integratie van AI, zoals een daling van 30% tot 50% in stilstandtijd en een daling van 10% tot 20% in kwaliteitsgerelateerde kosten, door de uitdagingen van productie zonder defecten aan te pakken.
Laten we eens kijken hoe de industrie de toepassing van AI inzet in foutloze productieprocessen om betere resultaten te behalen.
De afbeelding met de titel "AI-implementatie in foutloze productie" biedt een informatief overzicht van hoe kunstmatige intelligentie (AI) productieprocessen kan verbeteren om foutloosheid te bereiken.
Volgens een rapport kost ongeplande machineuitval fabrikanten $260.000 voor elk uur verloren productie, en 82% van de fabrikanten ondervindt minstens één keer per jaar machineuitval.
Productie zonder defecten streeft ernaar producten te produceren zonder gebreken of fouten. Zelfs in zo'n hoogwaardige productieomgeving kunnen machines en apparatuur echter nog steeds te maken krijgen met stilstand door diverse oorzaken. Voorspellend onderhoud kan een cruciale rol spelen bij het minimaliseren van stilstand en het aanpakken van potentiële problemen voordat ze tot defecten leiden.
|
| Probleem | Oplossing met voorspellend onderhoud |
|---|
|
| Voorspelling van apparatuurstoringen | Voorspellend onderhoud maakt gebruik van data-analyse en sensortechnologieën om de conditie van apparatuur te bewaken. Door patronen te analyseren en vroegtijdige signalen van mogelijke storingen te detecteren, kunnen onderhoudsactiviteiten proactief worden ingepland, waardoor het risico op onverwachte defecten wordt geminimaliseerd. |
|
| Slijtage van onderdelen | Voorspellend onderhoud bewaakt de conditie van componenten en voorspelt wanneer ze waarschijnlijk zullen slijten. Dit maakt geplande vervangingen of onderhoud mogelijk, waardoor onverwachte storingen worden voorkomen en de productiekwaliteit behouden blijft. |
|
| Smeringsproblemen | Voorspellende onderhoudssystemen kunnen de smeerniveaus en -condities bewaken. Er kunnen waarschuwingen worden gegenereerd wanneer de smering onvoldoende is, waardoor tijdig onderhoud wordt uitgevoerd om een soepele werking van de apparatuur te garanderen. |
|
| Temperatuur- en trillingsbewaking | Voorspellende onderhoudssystemen maken gebruik van sensoren om temperatuur- en trillingspatronen te monitoren. Afwijkingen van de normale waarden activeren waarschuwingen, waardoor onderhoudsteams problemen kunnen onderzoeken en aanpakken voordat ze escaleren. |
|
| Energie-efficiëntie en prestaties | Voorspellend onderhoud analyseert prestatiegegevens om inefficiënties en afwijkingen van optimale bedrijfsomstandigheden te identificeren. Dit maakt proactieve aanpassingen mogelijk om de energie-efficiëntie te behouden en kwaliteitsvermindering van het product te voorkomen. |
Voorspellend onderhoud kan fabrikanten jaarlijks 1,6 miljoen uur aan stilstand en 734 miljard dollar besparen door een productiviteitsverhoging van 6%.
Dankzij AI-gestuurd voorspellend onderhoud (PdM) en de baanbrekende toepassing van IoT's verbeteren fabrikanten de efficiëntie en verlagen ze de kosten van machinestoringen. AI-gestuurd voorspellend onderhoud analyseert sensorgegevens (sensoren kunnen op machines worden geïnstalleerd en volgen vitale machineconditie-indicatoren in realtime) om storingen te voorspellen met behulp van data-analyse en machine learning-algoritmen.
Door het potentieel van AI te benutten, optimaliseerde Ford Motor Company de prestaties van zijn productiemachines. De AI-gestuurde oplossingen van Ford voorspellen wanneer onderhoud nodig is, waardoor de benodigde middelen en reserveonderdelen voor reparaties beschikbaar zijn. Dit resulteert in minder stilstand en een hogere efficiëntie.
De Frito-Lay-fabriek van PepsiCo in Fayetteville rapporteerde ook een uitvalpercentage van 0,75% van de apparatuur tot nu toe dit jaar en een ongepland uitvalpercentage van 2,88%. Om dit probleem aan te pakken, implementeerde de Frito-Lay-fabriek, die jaarlijks meer dan 150 pond product produceert, een robuust programma voor voorspellend onderhoud. Dit programma stelt hen in staat om de conditie van hun apparatuur in realtime te beoordelen en storingen of de resterende levensduur te voorspellen.
Het is aangetoond dat AI-gestuurde methoden voor anomaliedetectie de snelheid, nauwkeurigheid en efficiëntie van het monitoren van enorme hoeveelheden data verbeteren, waardoor proactief kan worden gereageerd op potentiële afwijkingen en problemen. Dankzij hun vermogen om data in realtime te analyseren en er informatie uit af te leiden, kunnen organisaties anomalieën effectief detecteren en identificeren.
Om dit te bereiken, bestaat Zero Defect Manufacturing uit vier ZDM-technieken, onderverdeeld in twee categorieën: triggers en acties. Het onderstaande stroomschema laat zien hoe het werkt.
Implementatiestrategieën voor Zero Defect Manufacturing. Bron: Researchgate.net Vervolgens wordt geavanceerde anomaliedetectie toegepast om te bepalen of de productkwaliteit aan de vereiste eisen voldoet. Als de productkwaliteit voldoet, wordt de betreffende machine als gezond beschouwd; zo niet, dan identificeert en waarschuwt de anomaliedetectie dat de machine onderhoud en/of (her)kalibratie of afstelling nodig heeft op basis van defectgegevens. Bij de procesgerichte aanpak daarentegen wordt de gezondheidstoestand van de machine gemonitord; als deze goed is, zal het eindproduct van hoge kwaliteit zijn en omgekeerd.
In beide scenario's is de implementatie van ZDM een gesloten proces met feedbackloops over de product- of proceskwaliteit, wat resulteert in onderhoud, (her)kalibratie van de machine en/of afstelling in geval van lage kwaliteit.
Het is aangetoond dat AI-gestuurde methoden voor anomaliedetectie de snelheid, nauwkeurigheid en efficiëntie van het monitoren van enorme hoeveelheden data verbeteren, waardoor proactief kan worden gereageerd op potentiële afwijkingen en problemen. Dankzij hun vermogen om data in realtime te analyseren en er informatie uit af te leiden, kunnen organisaties anomalieën effectief detecteren en identificeren.
Een van de grootste problemen waarmee de maakindustrie te kampen had, was dat de traditionele processen slechts 20% van de afwijkingen van tevoren konden opsporen.
De reden is eenvoudig: de implementatie van conditionele monitoringarchitectuur van gisteren is niet toegerust om de enorme hoeveelheid data in de huidige wereld te verwerken. Om dit probleem aan te pakken, is er de aanpak van 'zero defect manufacturing' (productie zonder defecten). Deze aanpak combineert ideeën en concepten uit traditionele kwaliteitsmethoden met methoden voor anomaliedetectie om afwijkingen van standaardparameters te detecteren en zo aan de gestelde eisen te voldoen. Dit helpt datasilo's te doorbreken en zorgt voor volledige integratie en interoperabiliteit van productiesystemen voor effectieve detectie.
Ontdek hoe de maakindustrie proactief risico's beperkt met behulp van anomaliedetectie.
Meer weten? Hoe het werkt
Door gebruik te maken van AI-gestuurde anomaliedetectie in het proces van foutloze productie (Detecteren-Voorspellen, Repareren-Voorkomen, Voorspellen-Voorkomen), worden fouten in het systeem die tot defecten kunnen leiden proactief geïdentificeerd en wordt hierop ingespeeld.
Veel organisaties in de sector hebben werkelijke kwaliteitsgerelateerde kosten die oplopen tot wel 40% van de totale bedrijfskosten, terwijl de algemene vuistregel stelt dat de kosten van slechte kwaliteit 10-15% van de bedrijfskosten zouden moeten bedragen om een bedrijf succesvol te laten zijn. Dit bewijst dat fabrikanten vandaag de dag dringend behoefte hebben aan het verhogen van de efficiëntie, het verminderen van verspilling, het voorkomen van terugroepacties – en bovendien het optimaliseren van het gehele productieproces.
Als reactie hierop is productie zonder defecten met behulp van AI-systemen, aangedreven door machine- en visuele beeldherkenning, in combinatie met deep learning-algoritmen, naar voren gekomen als een baanbrekende oplossing. Deze AI-systemen scannen autonoom duizenden onderdelen per minuut met ongeëvenaarde precisie, waardoor defecten vrijwel perfect worden gedetecteerd.
BMW iFactory, dat AIQX (Artificial Intelligence Quality Next) gebruikt, biedt ons een beter inzicht. AIQX bewaakt de productkwaliteit tijdens het productieproces en identificeert en pakt kwaliteitsproblemen aan voordat ze een groot knelpunt vormen. Deze technologie ondervangt niet alleen de beperkingen van handmatige inspectie door gebruik te maken van AI/ML, maar zorgt ook voor aanzienlijke verbeteringen in defectdetectie, doorvoer en algehele operationele efficiëntie.
Hoewel de toepassingsgraad van geautomatiseerde visuele inspectie in de productie momenteel laag is, minder dan 10%, kan geautomatiseerde visuele inspectie het aantal defecten met wel 90% verminderen en de doorvoer met meer dan 50% verbeteren.
Deze paradigmaverschuiving is cruciaal om te voldoen aan de veranderende eisen van de industrie, snelheid te bieden en unieke omstandigheden aan te pakken die traditionele inspectiemethoden op de proef stellen. Historisch gezien was kwaliteitscontrole (QC) gebaseerd op handmatige methoden, maar visuele inspectie heeft een revolutionaire verandering teweeggebracht. Door nu het potentieel van AI te benutten, kunnen fabrikanten niet alleen risico's in verband met machinestoringen beperken, maar ook kostenbesparingen op lange termijn realiseren, de levensduur van apparatuur verlengen en een positievere impact op het milieu bereiken.
De integratie van digitale tweelingen sluit aan bij het Industry 4.0-paradigma en Quality 4.0, waardoor fabrikanten de kracht van virtuele replica's en geavanceerde analyses kunnen benutten om te streven naar productie met vrijwel geen defecten. Fabrikanten kunnen een beter inzicht krijgen in hun producten door een gevirtualiseerde weergave van het daadwerkelijke product of de activa. Organisaties kunnen bovendien toekomstige acties testen die de prestaties van activa kunnen verbeteren door AI-technieken te combineren met digitale tweelingen.
Er zijn doorgaans 4 toepassingen van digitale tweelingen in foutloze productie:
- Productontwikkeling: Voordat bedrijven een nieuw product fysiek produceren, kunnen ze een digitaal prototype maken. Ingenieurs kunnen de productprestaties onder verschillende omstandigheden simuleren en testen in een virtuele omgeving. GE Aviation gebruikt bijvoorbeeld digitale tweelingen tijdens het ontwerp om te evalueren hoe onderdelen van straalmotoren zich zullen gedragen, waardoor de ontwikkeling wordt versneld.
- Ontwerpaanpassing: Digitale tweelingen maken massamaatwerk mogelijk doordat fabrikanten de ontwerpkwaliteit kunnen testen en alle specificaties kunnen controleren met behulp van simulatie in plaats van fysieke prototypes, voordat het product in productie gaat op basis van klantspecificaties.
- Prestatieverbetering op de werkvloer: Fabrikanten kunnen een digitale tweeling koppelen aan fysieke apparatuur op de productielijn. Door virtuele en fysieke assets te combineren, kan AI industriële processen monitoren en analyseren om prestatieproblemen en mogelijkheden voor kwaliteits- of doorvoerverbetering te identificeren.
- Voorraadoptimalisatie: Digitale tweelingen bieden een complete virtuele kaart van faciliteiten, voorraden en systemen. AI kan deze digitale representatie gebruiken om materiaalstromen en voorraadniveaus te automatiseren en te optimaliseren. Dit kan bijvoorbeeld inhouden dat opslagpunten, transportroutes of leveringsschema's worden aangepast om de kosten te minimaliseren.
Ten slotte maakt de integratie van AI in de productie het concept van nul defecten werkelijkheid. Bedrijven die AI-technologieën gebruiken, benutten het volledige potentieel van hun investeringen door virtuele en fysieke activa naadloos te integreren. AI kan industriële processen in realtime monitoren en analyseren, prestatieproblemen identificeren en kansen vinden om de kwaliteit en doorvoer te verbeteren.
Voor wie niet goed weet waar te beginnen, staat onze expertise ter beschikking om te begeleiden en te ondersteunen bij de implementatie van AI-gestuurde oplossingen. Zo wordt de weg vrijgemaakt voor een efficiëntere, hoogwaardigere en foutloze productieomgeving.