Voorspellend onderhoud: Katalysator voor de volgende industriële revolutie

Kunstmatige intelligentie's transformatieve potentieel is een onderwerp dat debatten over industrieën ontbrandt. Terwijl de toekomstige impact vaak bediscussieerd wordt, blijft de ware omvang van de invloed complex en multifaceted.

„Kunstmatige intelligentie” kan verwijzen naar alles van smalle, taak-specifieke algoritmes tot het speculatieve concept van artificial general intelligence (AGI) – machines die redeneren en handelen met menselijke intelligentie. Hollywood heeft deze visie gedramatiseerd in films als The Terminator, en publieke figuren als Elon Musk en Bill Gates hebben zorgen geuit over de implicaties. Toch blijft onzeker wanneer en of AGI zal materialiseren. Gartner voorspelt decennia kunnen verstrijken voordat machines menselijke redenering benaderen, zelfs al outperformt smalle AI mensen in gespecialiseerde arenaten zoals schaken en Go. Martin Ford, auteur van Architects of Intelligence, echo's deze kijk, notierend dat AGI's aankomst onvoorspelbaar blijft.

Vergelijkbaar blijft de volgende industriële revolutie ontwijken. Terwijl concepten als Industrie 4.0 suggereren dat AI, IIoT, en gerelateerde technologieën een nieuwe productiviteitsgolf kunnen ontbranden, is Westerse productiviteit jarenlang gestaagd. VS industriële productie daalde 0,1% in maart – een dip die het Wall Street Journal beschreef als bewijs dat productie in een „zachte patch” is getreden.

Ondanks deze macro-trends, plukken talrijke industriële bedrijven tastbare voordelen door IIoT te koppelen met machine learning. FogHorn, een startup, hielp Daihen, een Japans industriële elektronica-bedrijf, 1.800 uur handmatige data-invoer in een enkele fabriek te elimineren. Een toonaangevende drankfabrikant bespaarde het equivalent van een miljoen bierblikjes door Augury's voorspellend-onderhoudsplatform te implementeren, dat draadloze trilling, ultrasoon, temperatuur, en magnetische sensoren fuseert met ML om apparatuurfouten te detecteren. Augury co-founder en CEO Saar Yoskovitz legde uit dat het identificeren van ernstige lager-slijtage op een vulmachine de brouwerij in staat stelde een geplande reparatie tijdens downtime uit te voeren, wat een acht-uur storing verhinderde die $200.000 aan verloren opbrengst zou hebben gekost.

Air Liquide's digitale arm, Alizent, demonstreert de kracht van Industrie 4.0 op schaal. Met OSIsoft's PI-software als datamotor van het platform, lanceerde Air Liquide het SIO plant-optimalisatieplatform enkele jaren geleden. Volgens Michael Kanellos, senior manager corporate communications bij OSIsoft, haalde Air Liquide een payback in slechts drie maanden en een tienvoudige return in het eerste jaar. Het bedrijf breidde het platform later uit om „lights-out” fabrieken in Frankrijk en Zuidoost-Azië te managen, en spinste Alizent uiteindelijk uit tot een afzonderlijke eenheid om zowel Air Liquide als externe klanten te bedienen.

White House Utility District, een toonaangevende Tennessee water- en riool-utiliteit, reducteerde waterlekken van 32% naar 15% via digitale transformatie, wat miljoenen bespaarde. Het district verlaagde ook databeheerkosten met $30.000 per jaar en schuifde een $15 miljoen fabrieksupgrade 11 jaar op, wat de gemeenschapsreputatie en kredietbeoordelingen verbeterde.

Mark Willnerd, CEO en president van Toumetis – een machine-learning-firma voor industriële toepassingen – anticipeert een productiviteitsschok in de komende vijf jaar. „Dankzij technologieën als machine learning, staan we op het punt van significante winsten,” zei hij, vergelijkend de verwachte verbetering met de productiviteitsboom van de jaren '90.

Toumetis collaboreert met een energiebedrijf op een olieveld dat een van de werelds top-producers kan worden. Onbetrouwbare elektrische submersible pompen hebben de output gehinderd. Door 1.500 putten en 100 datastromen te monitoren, kan Toumetis pompfalen tot 14 dagen van tevoren voorspellen, wat proactieve reparaties mogelijk maakt die winst en productie maximaliseren.

Machine learning implementeren in industriële settings is zelden eenvoudig. Datainconsistenties – valse sensor-lezingen, ontbrekende waarden, en de behoefte aan uitgebreide cleaning – kunnen analyse hinderen. Willnerd merkt op dat we nog in de kinderjaren zijn van ML-toepassing in de industrie.

Een Bain & Co.-studie, Beyond Proofs of Concept: Scaling the Industrial IoT, onderzocht 600 high-tech executives en vond dat IIoT, vooral voorspellend onderhoud, lastiger te deployen is dan verwacht. Niettemin concludeert het rapport dat industriële IoT een veelbelovende kans blijft.

Een kernuitdaging is de vereiste voor een zeldzame mix van domeinexpertise en data-science vaardigheden. Toumetis adresseert dit door geseasonde industriële experts in te huren die sinds de late jaren '90 en vroege 2000 in data-analytics hebben gewerkt. Willnerd benadrukt dat succes hangt van een helder begrip van het probleem en zijn zakelijke waarde.

Yoskovitz echo's deze sentiment, notierend dat talenttekorten pervasief zijn. In één trainingsessie was de gemiddelde leeftijd van deelnemers 55, wat de generationele kloof illustreert. Met oudere werknemers met pensioen gaand en jongere generaties ongeïnteresseerd in onderhoudsrollen, loopt de VS het risico onschatbare legacy productiekennis over het komende decennium te verliezen.

Hoewel het verfrut kan zijn om te declareren of IoT en AI een productiviteitsepoch zullen inladen op par met de eerste industriële revoluties – of of Industrie 4.0 zal lijken op een software-upgrade in plaats van een cyber-fysieke systemen revolutie – kunnen organisaties nog steeds de praktische vraag beantwoorden: hoe kunnen deze technologieën directe waarde leveren door ervoor te zorgen dat de juiste technici de juiste machines op het juiste moment bereiken?