Leren van je machines: wat als bepaalde machineonderdelen nooit stuk gaan?

Share

Heb je er ooit aan gedacht dat je machineonderdelen te goed zijn? Er is een grote kans dat dit het geval is. Maak gebruik van dit nieuwe bedrijfsmodel en leer van je machines in het veld om grote besparingen te realiseren.

Je hebt vast wel eens gehoord dat datagedreven besluitvorming, zoals machine learning op basis van AI, neurale netwerken en zelflerende machines, onvermijdelijk is voor bedrijven die de concurrentie willen bijbenen. Maar, we horen je denken: machine learning is lastig en wordt zonder aanzienlijke investeringen niet door mijn automatiseringsplatform ondersteund. Bovendien zijn sommige machines en apparatuur sowieso niet echt in staat om van dit soort methodes te profiteren.

Wat dacht je van leren van je machines om nieuwe inkomstenstromen te creëren? 

Verzamel en analyseer machinedata om van je machines te leren. Verzamel en analyseer machinedata om van je machines te leren.

Leren van je machines vs machine learning

Zoals eerder vermeld zijn zelfoptimaliserende algoritmen op basis van AI en neurale netwerken gewoon nog niet geschikt voor elke machinebouwer. Het is niet de realiteit voor kleinere machinebouwers en voor velen is het in het beste geval een toekomstplan. Voor de meeste machinebouwers (en klanten) ligt de focus op het creëren van een soepel en snel draaiende machine met een hoge OEE. Bovendien wordt het aanraken van de PLC software op geoptimaliseerde apparatuur en machines voor de meesten beschouwd als een no-go, vanwege het motto: 'never touch a running system'. 

Een realistische stap voor elke machinebouwer is echter het leren van je machines. Nieuwe machines zijn als een nieuwe auto, ze hebben storingen in het begin en moeten worden geoptimaliseerd. Door te leren van je machines in het veld kun je uiteindelijk voorkomen dat onderdelen stuk gaan of andere interessante inzichten ontdekken. De meeste machinebouwers hebben zeer effectieve kwaliteitsborgingssystemen en op basis van root cause analyse worden de storingen en zwakke punten in de apparatuur gevonden en gecorrigeerd.

machine-learning-saving-on-machine-parts-May-21-2023-11-26-47-0758-AMBespaar op machineonderdelen door te leren van je machines in het veld.

Wat leren van bestaande machines jou kan opleveren

Machinebouwers beschikken over systemen om de kwaliteit van hun machines tijdens hun levensduur te verbeteren op basis van storingen en corrigerende maatregelen. Deze worden ook doorgegeven aan hun R&D-afdeling, zodat soortgelijke fouten op toekomstige apparatuur kunnen worden vermeden. Maar wat als je de gegevens van je machine verzamelt en analyseert, benchmarks uitvoert tussen meerdere machines en ontdekt dat sommige onderdelen nooit defect raken of ver onder de verwachte ontwerpcriteria presteren? 

Het komt vaak voor dat je ontwerpcriteria en veiligheidsmarges te hoog zijn, omdat je storingen in het veld probeert te voorkomen. Je zult deze feedback echter nooit krijgen zonder in je machinedata te kijken, trouw aan het motto: 'If it works well, don't fix it.'

Met dit inzicht kun je de machineonderdelen die 'te' goed zijn downgraden en de ontwerpcriteria of veiligheidsmarges in je herontwerp verlagen. Dit kan tot grote besparingen leiden zonder risico op kwaliteitsverlies. Wat zou er gebeuren als jij je niet aanpast en je concurrent wel? Zeker een businessmodel dat het overwegen waard is voor elke machinebouwer. 

industry-4-0-data-monitoring-4Ontdek of je je ontwerpcriteria of veiligheidsmarges in nieuwe ontwerpen kunt verlagen.

Use case: Je transportband herontwerpen

Bij het ontwerpen van een transportband, heb je berekeningen gemaakt die zeiden dat je een aandrijfpakket nodig hebt dat 4 Nm @ 200 RPM kan leveren voor een correcte werking op basis van belasting, wrijving etc. Je stelt je veiligheidsmarges in op 20% en ontwerpt componenten voor een dimensionering tot 4,8 Nm @ 200 RPM. Nu ze draaien, kun je beginnen met het verzamelen van data van specifieke componenten en processen over een langere periode.

Bekijk al je machines over de hele wereld, monitor de PLC's en maak geavanceerde analyses met de verzamelde gegevens in de cloud. Stel dat blijkt dat de belasting eigenlijk 3,8 Nm RMS is voor alle machines en nooit boven de 4 Nm. Dan kun je je eisen aan het aandrijfpakket verlagen, kosten besparen en de opgedane kennis gebruiken om je veiligheidsmarges voor je transportband ontwerp te heroverwegen

Ben jij er klaar voor om te ontdekken of je op bepaalde onderdelen kunt besparen? 

redesign-your-conveyor-beltHerontwerp je transportband door eisen te verlagen en kosten te besparen.

Hoe je je eigen 'machine learning'-strategie ontwikkelt

Leer van historische data van machines in het veld op een praktische en effectieve manier met een zeer beperkte investering en een snelle ROI en bouw je eigen strategie op deze nieuwe zakelijke mogelijkheid. Onderstaande lijst biedt wellicht enige inspiratie:

1) Startpunt - huidige prestaties van apparatuur - benodigde data
De eerste fase is het analyseren van de huidige methoden voor het vervangen van onderdelen in je machinepark. Bepaal welke onderdelen regelmatig worden vervangen en welke niet. Stel vast of er data worden vastgelegd met een duidelijke statistisch verband tussen de data waarde en de conditie van het onderdeel in kwestie.

Sommige gegevens zullen een duidelijke correlatie hebben tussen standaard PLC variabelen en onderdelen, terwijl voor andere wellicht extra variabelen moeten worden gedefinieerd en verzameld, of zelfs extra sensoren moeten worden gebruikt. Via een edge gateway kunnen de PLC data in bulk worden verzonden van machines in het veld naar de cloud. 

2) Prototyping - testen
De volgende stap is uit te zoeken wat de minimum- en maximumwaarden zijn voor je veiligheidsmarges. Analyseer de prestaties van je machineonderdelen en bepaal welke onderdelen verbetering behoeven en welke onderdelen kunnen worden teruggeschaald. 

Voer intern tests uit op de onderdelen in kwestie om de hypothese te versterken of te weerleggen. Gebruik deze inzichten bij het ontwerp van je volgende machine.

3) Uitrol van het bedrijfsmodel
Bepaal hoe je je veiligheidsmarges kunt verlagen en implementeer dit in je volgende herontwerp om grote besparingen te realiseren.

ixon_iiot_maturity_model-1-May-21-2023-11-26-23-0184-AMBouw je eigen bedrijfsmodel op basis van een machine learning strategie.

Bespaar kosten op machineonderdelen die 'te' goed zijn

Wil je kosten besparen op je machineontwerp? Door te leren van je machines in het veld en onderdelen met een te hoge veiligheidsmarge te herontwerpen, kun je meer winst en een concurrentievoordeel behalen.

Als je advies nodig hebt over hoe je kunt beginnen met leren van je machines, neem dan vrijblijvend contact op met een van onze industrie experts. Of haal inspiratie uit ons E-book: Service opportunties for OEMs to boost revenue and meet customer demands, inclusief use cases en voorbeelden van nieuwe inkomsten.