Predictive maintenance & quality
Productielijnen zijn de levensaders voor een bedrijf. Zij moeten optimaal beschikbaar blijven tegen de laagste kosten. In dit project ontwikkelen we een predictif interface om onderhoud te voorspellen en kwaliteit te borgen.
Productielijnen optimaliseren betekent dat stilstand, storing en onnodig onderhoud voorkomen moet worden. Om dit te voorkomen bestaan doorgaans doordachte en minder doordachte onderhoudsplannen. De praktijk leert dat periodiek onderhoud wordt ingezet op momenten dat het niet nodig is, waardoor er teveel onderhoudskosten worden gemaakt.
Als we in staat zijn om storingen en stilstanden beter te kunnen voorspellen, dan kunnen we onderhoud plegen op het juiste moment. Dus net voor het moment dat er een storing of stilstand ontstaat. Door middel van IoT worden continu meetwaarden van diverse sensoren vastgelegd en deze meetwaarden worden met AI geanalyseerd. De volgende stap in dit project is het herkennen van trends in de meetdata, zoals bijvoorbeeld een oplopende procestemperatuur. Door deze trends in een voorspellend datamodel te vangen, kan een businessmodel worden ontwikkeld dat uitgaat van voorspellend onderhoud met alle voordelen van dien. De mogelijkheden en toepassingen voor bedrijfshuishoudingen worden talrijk geacht. Denk maar eens aan het voorspellen waar storingen en slijtage op zullen treden in het proces. Daardoor wordt een bedrijf in staat gesteld het onderhoud steeds meer preventief in plaats van reactief uit te voeren. Data-analyse speelt hierbij een belangrijke rol.
Wat is het?
In dit onderzoeksproject wordt op basis van verkregen data uit IoT-sensoren een interface ontwikkelt waarmee onderhoud en storing in productielijnen wordt voorspeld. Onnodig onderhoud, storingen en stilstanden worden voorkomen.
Door het onderhoudsproces te optimaliseren wordt het productieproces minder onderbroken. Dit komt niet alleen de kwaliteit van het proces ten goede, maar uiteindelijk ook het algehele bedrijfsrendement.
- Construeren van breed inzetbare sensoriek om big data te genereren
- Ontwikkelen van een remote gebruikersinterface door descriptive en predictive data-analyse
- Optimaliseren van onderhoudsproces en daarmee zowel kwaliteit als bedrijfsrendement verhogen
Onze doelstelling
Het doel van dit project is door middel van descriptive analyse te komen tot predictive datamodellen, die bijdragen aan het verbeteren van de rendementsdoelstellingen van de deelnemende bedrijven. Door deze manier van samenleren en samenwerken vormen de bedrijven uit het Smart Industries Fieldlab de Peel de koplopersgroep op het gebied van slimme datatoepassingen binnen onze regio.
Het resultaat
De resultaten vanuit dit project zijn gesplitst naar onderzoeks- en ontwikkelingsactiviteiten. De resultaten van de onderzoeksactiviteiten zijn datamodellen en een data-architectuur. De resultaten van de ontwikkelingsactiviteiten zijn dashboards die real-time en remote informatie geven over de parameters, die in de onderzoeksactiviteiten benoemd zijn. Door het anticiperende inzicht dat hierdoor geleverd, wordt kunnen besluiten worden genomen in hoeverre en in welke mate bedrijfsprocessen in technologisch opzicht efficiënter kunnen bijdragen aan de rendementsdoelstellingen van het bedrijf, waarmee de doelstelling behaald wordt.
