Slim onderhoud met behulp van artificiële intelligentie

Predictief onderhoud in BMW Group-fabriek Regensburg

Het voorkomen van ongeplande stilstand is het doel van het slimme analysesysteem dat gebruikt wordt bij de assemblage in de BMW fabriek in Regensburg. Predictief onderhoud is proactief en preventief: exact wat het intelligente monitoringsysteem biedt.

Data-gedreven analyses van transportmateriaal laten toe om potentiële fouten vroeg te identificeren en te vermijden, waardoor de optimale voertuigproductie wordt aangehouden. Het systeem wordt ondersteund door artificiële intelligentie en vermijdt gemiddeld zo'n 500 minuten verstoring per jaar in de voertuigenassemblage in de fabriek van Regensburg alleen al.

Snellere, preventieve respons

Voor assemblage in de fabriek van BMW in Regensburg worden voertuigen doorgaans vastgemaakt aan mobiele dragers of skid systemen, die doorheen de productiehallen passeren in een ketting. Elke technische fout in de state-of-the-art transportsystemen kan de assemblagelijnen tot stilstand brengen, wat resulteert in meer onderhoud en dus hogere kosten.

Om dit te voorkomen, heeft het innovatieteam van BMW in Regensburg een systeem ontwikkeld dat potentiële technische defecten vroeg kan detecteren en zo dus verloren producten kan voorkomen. De transportbandelementen kunnen verwijderd worden van de assemblagelijn en hersteld worden, weg van de productie. Het voordeel is dat het monitoringsysteem geen extra sensoren of hardware vereist, maar bestaande data van geïnstalleerde componenten en transportbanden evalueert. Bij afwijkingen klinkt er een alarm.

De dragers die de voertuigen doorheen de assemblagelijn transporteren zenden bijvoorbeeld verschillende data naar het dragercontrolesysteem. Deze data wordt dan verstuurd via het drager- en fabriekscontrolesysteem naar het predictieve onderhoudsplatform in de cloud van BMW Group.

Dit is waar de analyse begint: het algoritme zoekt continu naar afwijkingen, zoals fluctuaties in energieverbruik, abnormaliteiten in transportbandbewegingen of barcodes die niet voldoende leesbaar zijn, die tot een fout zouden kunnen leiden. Wanneer anomalieën gevonden worden, ontvangt het onderhoudscontrolecentrum een waarschuwing, die het toewijst aan de onderhoudstechnicus van dienst. "Het monitoringsysteem in ons controlecentrum is 24 op 7 actief", stelt projectmanager Oliver Mrasek. "Dit laat ons toe om snel te reageren op eender welke fout en om het getroffen voertuig uit de cyclus te halen."

Implementatie met AI

Predictief onderhoud is geen oplossing op zich, benadrukt Mrasek. Het systeem werd gestandaardiseerd in samenwerking met het centrale shopfloor management van BMW Group om een snelle en rechtlijnige implementatie in andere fabrieken te faciliteren. Deze aanpak is ook bijzonder kosteneffectief: "We hebben geen bijkomende sensoren nodig, dus we hebben enkel kosten voor de opslag en het verwerken van gegevens."

Modellen voor machine-learning werden ontwikkeld binnen BMW Group en werden geïmplementeerd in het systeem, dat zogenaamde heatmaps met verschillende kleurcodes gebruikt om de afwijkingen te visualiseren. "Hierdoor kunnen we verschillende foutpatronen in componenten traceren en hierop reageren op een strategische manier", legt Mrasek uit.

De algoritmes worden voortdurend verbeterd en verfijnd op basis van deze praktische data. Het team is momenteel bezig met het verbinden van bijkomende installaties om zo het systeem te optimaliseren en aangeraden acties te integreren in foutmeldingen. De foutmelding kan bijvoorbeeld gelijkaardige problemen elders in een systeem aantonen. Dit vereenvoudigt troubleshooting voor technici. "Optimaal predictief onderhoud bespaart ons niet alleen geld, het betekent ook dat we het geplande aantal voertuigen op tijd kunnen aanleveren, wat ons weer heel wat stress binnen de productie bespaart", stelt Deniz Ince, de datawetenschapper van het team.

Voorspelbaarheid als doel

Mrasek en zijn collega's hebben de voorbije zes jaar aan dit data-gedreven monitoringsysteem gewerkt. Vandaag wordt ongeveer 80% van de hoofdassemblagelijnen gecontroleerd op deze manier. "We kunnen natuurlijk niet elke fout op voorhand detecteren of voorkomen, maar voorlopig vermijden we op zijn minst 500 minuten stilstand per jaar in de voertuigassemblage alleen al", aldus Mrasek.

Het is vrij eenvoudig om te berekenen tot welke besparing dit leidt. In de fabriek van Regensburg rolt er ongeveer elke minuut een voertuig van de band en het systeem wordt al gebruikt in transportbandsystemen van de fabrieken in Dingolfing, Leipzig en Berlin.

Het doel is om de mogelijkheden van AI verder te verkennen, waarbij het systeem leert in te schatten hoeveel tijd er passeert tussen het detecteren van de fout en de potentiële stilstand. Dit kan technici helpen beslissen hoe snel ze onderhoud moeten inplannen, door het stellen van prioriteiten. Mrasek ziet verder potentieel in andere sectoren van de fabriek: "We testen momenteel of we het systeem ook kunnen gebruiken voor de apparatuur nodig voor het vullen van de voertuigen met remvloeistof en koelmiddel, bijvoorbeeld."

Hoewel er al meerdere opties bestaan voor predictief onderhoud, is het geïntegreerde lerende systeem van Regensburg vooralsnog het enige van zijn soort. Daarom wordt er al rekening gehouden met compatibiliteit met predictief onderhoud bij de aankoop van nieuwe transportbandtechnologie. Apparatuurfabrikanten loven het systeem, aangezien zij voordeel halen uit de geleverde evaluaties. De BMW Group heeft reeds twee patenten aangevraagd voor het systeem.