Efficiënt onderhoud met behulp van kunstmatige intelligentie (AI).

Voorkomen van ongeplande stilstand is het doel van het slimme analysesysteem dat wordt toegepast in de assemblage van de BMW-fabriek in Regensburg. Het systeem voor predictief onderhoud is zowel proactief als preventief, wat precies is wat het intelligente monitoringsysteem biedt.

Het gebruik van data-gedreven analyses voor transportmateriaal maakt het mogelijk om potentiële fouten vroegtijdig te detecteren en te vermijden, waardoor een optimale voertuigproductie wordt gehandhaafd. Ondersteund door kunstmatige intelligentie, voorkomt het systeem gemiddeld zo’n 500 minuten aan verstoring per jaar in de voertuigassemblage alleen al in de fabriek van Regensburg.

Verbeterde, preventieve reactietijd.

Bij de assemblage in de BMW-fabriek in Regensburg worden voertuigen gewoonlijk bevestigd aan mobiele dragers of skids die door de productiehallen bewegen op een ketting. Elke technische storing in deze geavanceerde transportsystemen kan leiden tot stilstand van de assemblagelijnen, wat resulteert in meer onderhoud en dus hogere kosten.

Om dergelijke situaties te voorkomen, heeft het innovatieteam van BMW in Regensburg een systeem ontwikkeld dat potentiële technische defecten vroegtijdig kan detecteren, waardoor verlies van productiviteit wordt voorkomen. De transportbandelementen kunnen worden verwijderd van de assemblagelijn en elders worden gerepareerd, buiten de productieomgeving. Een voordeel van dit systeem is dat het monitoringsysteem geen extra sensoren of hardware vereist, maar bestaande gegevens van geïnstalleerde componenten en transportbanden evalueert. Als er afwijkingen worden gedetecteerd, wordt er een alarm geactiveerd.

De dragers die de voertuigen door de assemblagelijn transporteren, verzenden verschillende gegevens naar het controlesysteem van de drager. Deze gegevens worden vervolgens via het drager- en fabriekscontrolesysteem naar het predictieve onderhoudsplatform in de cloud van BMW Group gestuurd.

Hier begint de analyse: het algoritme zoekt voortdurend naar afwijkingen, zoals schommelingen in energieverbruik, abnormale transportbandbewegingen of slecht leesbare barcodes die tot een fout kunnen leiden. Wanneer afwijkingen worden gedetecteerd, ontvangt het onderhoudscontrolecentrum een waarschuwing, die vervolgens wordt toegewezen aan de dienstdoende onderhoudstechnicus. “Het monitoringsysteem in ons controlecentrum is 24/7 actief”, zegt projectmanager Oliver Mrasek. “Dit stelt ons in staat om snel te reageren op elke fout en het getroffen voertuig uit de cyclus te halen.”

Inzet van Kunstmatige Intelligentie (AI)

Predictief onderhoud wordt benadrukt als geen op zichzelf staande oplossing, zoals benadrukt door Mrasek. Het systeem is gestandaardiseerd in samenwerking met het centrale shopfloor management van BMW Group om een snelle en gestroomlijnde implementatie in andere fabrieken te vergemakkelijken. Deze aanpak blijkt ook bijzonder kosteneffectief te zijn: “We hebben geen extra sensoren nodig, dus onze kosten zijn beperkt tot opslag- en gegevensverwerkingskosten.”

Machine learning-modellen zijn ontwikkeld binnen BMW Group en geïntegreerd in het systeem, dat heatmaps met verschillende kleurcodes gebruikt om afwijkingen visueel weer te geven. “Hierdoor kunnen we verschillende foutpatronen in componenten traceren en strategisch reageren”, legt Mrasek uit.

De algoritmes worden voortdurend verbeterd en verfijnd op basis van praktische gegevens. Het team werkt momenteel aan het aansluiten van extra installaties om het systeem verder te optimaliseren en aanbevolen acties te integreren in foutmeldingen. Zo kan bijvoorbeeld een foutmelding vergelijkbare problemen elders in een systeem aangeven, wat het oplossen van problemen voor technici vereenvoudigt. “Optimaal predictief onderhoud bespaart niet alleen geld, maar betekent ook dat we het geplande aantal voertuigen op tijd kunnen leveren, wat de productie aanzienlijk stressvrijer maakt”, voegt Deniz Ince, de datawetenschapper van het team, toe.

Het streven naar voorspelbaarheid.

Mrasek en zijn team hebben de afgelopen zes jaar gewijd aan het ontwikkelen van dit data-gedreven monitoringsysteem. Momenteel wordt ongeveer 80% van de hoofdassemblagelijnen op deze manier gecontroleerd. “Natuurlijk kunnen we niet elke fout van tevoren detecteren of voorkomen, maar op dit moment vermijden we ten minste 500 minuten stilstand per jaar in de voertuigassemblage alleen al,” aldus Mrasek.

De berekening van de besparingen is eenvoudig. In de fabriek van Regensburg rolt ongeveer elke minuut een voertuig van de band, en het systeem wordt al gebruikt in transportbandsystemen van fabrieken in Dingolfing, Leipzig en Berlijn.

Het doel is om de mogelijkheden van AI verder te verkennen, waarbij het systeem leert inschatten hoeveel tijd er verstrijkt tussen het detecteren van een fout en de potentiële stilstand. Dit kan technici helpen bij het plannen van onderhoud door prioriteiten te stellen. Mrasek ziet ook potentieel in andere sectoren van de fabriek: “We testen momenteel of we het systeem ook kunnen gebruiken voor de apparatuur die nodig is voor het vullen van voertuigen met remvloeistof en koelmiddel, bijvoorbeeld.”

Hoewel er al meerdere opties zijn voor predictief onderhoud, is het geïntegreerde lerende systeem van Regensburg vooralsnog uniek in zijn soort. Bij de aankoop van nieuwe transportbandtechnologie wordt nu al rekening gehouden met de compatibiliteit met predictief onderhoud. Apparatuurfabrikanten prijzen het systeem omdat ze profiteren van de geleverde evaluaties. De BMW Group heeft al twee patenten aangevraagd voor het systeem, wat getuigt van zijn innovatieve karakter.

Door Rick Janssens

Ik ben Rick Janssens, de trotse Platform Manager van deindustrie.online. Mijn passie voor industriële vernieuwing en mijn oog voor detail leiden ons platform naar spannende nieuwe mogelijkheden. Ik zet me in om waardevolle content te leveren en connecties in de industrie te faciliteren.

Related Post

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *