Voorspellend onderhoud en het voorspellen van industriële revoluties

Hoe transformationeel is kunstmatige intelligentie? Die ogenschijnlijk simpele vraag kan lastig te beantwoorden zijn.

Allereerst heeft de term vaak een vage betekenis. Vaak is de term een ​​afkorting voor 'kunstmatige algemene intelligentie' of 'sterke AI'. In deze theoretische constructie heeft niet-organische intelligentie het vermogen om te redeneren en een reeks taken uit te voeren. Het is ook dit soort AI waarnaar Hollywood heeft verwezen in films als 'The Terminator', evenals de variëteit die dystopische angsten oproept bij mensen als Elon Musk en Bill Gates. Maar de vraag wanneer een dergelijke vorm van AI zal bestaan, is onmogelijk te beantwoorden. Gartner redeneert dat het waarschijnlijk tientallen jaren zal duren voordat onderzoekers machines maken die menselijk redeneren kunnen benaderen, ook al kunnen machines die zijn getraind op beperkte taken de mens overtreffen in intellectuele spellen zoals schaken en, meer recentelijk, Go. Martin Ford, auteur van "Architects of Intelligence:The truth about AI from the people build it", zei dat de meeste experts geloven dat sterke AI beslist onvoorspelbaar is.

Zo zijn, zo lijkt het, industriële revoluties. Hoewel concepten zoals Industrie 4.0 in grote lijnen erop wijzen dat de convergentie van AI, IIoT en andere technologieën de volgende industriële revolutie zou kunnen aanwakkeren, is de productiviteit in westerse landen al tientallen jaren traag. De industriële productie in de VS voor fabrieken, mijnen en nutsbedrijven daalde in maart met 0,1%, wat, zoals de WSJ het uitdrukte, "het beeld versterkt dat de productie een zwak punt heeft bereikt."

Maar terwijl de industriële macrokosmos, gemeten aan de hand van verschillende productiviteitsindexen, meewerkt, komen er steeds meer succesverhalen van industriële bedrijven die IIoT-technologieën omarmen in combinatie met machine learning. De startup FogHorn hielp bijvoorbeeld het Japanse industriële elektronicabedrijf Daihen om 1800 uur aan handmatige gegevensinvoer in één fabriek te elimineren. En een topdrankenbedrijf bespaarde in één klap het equivalent van 1 miljoen blikjes bier door voorspellend onderhoud. Het bedrijf installeerde machinebewakingstechnologie van het bedrijf Augury, dat draadloze trillingen, ultrasone, temperatuur- en magnetische sensoren combineert met machine learning om machineproblemen te detecteren voor een reeks industriële machines, waaronder die welke door brouwerijen worden gebruikt. "En we ontdekten ernstige lagerslijtage op een vuller - de machine die blikjes met bier vult", zegt Saar Yoskovitz, mede-oprichter en CEO van Augury. “De ontdekking stelde de brouwerij in staat het probleem aan te pakken tijdens geplande stilstand. "Omdat ze een 24-by-7-faciliteit zijn, hebben ze geen ruimte voor ongeplande downtime", zei Yoskovitz. Maar het lagerprobleem had uiteindelijk kunnen leiden tot een storing die resulteerde in acht uur productiviteitsverlies. "Dat vertaalt zich in 1 miljoen blikjes bier en $ 200.000 aan inkomsten", voegde Yoskovitz eraan toe.

Alizent, de digitale dochteronderneming van Air Liquide, is een ander voorbeeld van de kracht van Industrie 4.0-technologieën. Met technologie van OSIsoft creëerde Air Liquide een paar jaar geleden een plantoptimalisatieplatform dat bekend staat als SIO. De PI-software van OSIsoft dient als de ingebedde data-engine voor het platform, dat het verzamelen en verfijnen van gegevens voor analyses mogelijk maakt. "Air heeft met SIO in drie maanden terugverdiend en in het eerste jaar 10x terugverdiend", schreef Michael Kanellos,

IoT-analist en senior manager bedrijfscommunicatie bij OSIsoft in een e-mail. "Vervolgens zijn ze verhuisd om het te gebruiken om fabrieken te beheren in een licht-uit (d.w.z. geen werknemers) manier in Frankrijk en Zuidoost-Azië." Daarna besloot Air Liquide om de digitale groep af te splitsen in de Alizent-eenheid om zowel Air Liquide als andere bedrijven te bedienen.

Een ander voorbeeld van een bedrijf met een snelle ROI voor digitale transformatie is White House Utility District. De organisatie, een van de beste water- en rioleringsbedrijven in Tennessee, heeft waterlekken teruggebracht van ongeveer 32% tot 15%. De besparingen op water leverden ook miljoenen dollars aan besparingen op. "Maar ze hebben ook veel teruggesnoeid in het gegevensbeheer, waardoor ze $ 30.000 per jaar besparen", zegt Kanellos. "Ze hebben een nieuwe fabriek van $ 15 miljoen met 11 jaar uitgesteld. De reputatie van de gemeenschap ging omhoog. Kredietbeoordelaars hebben zelfs hun ratings verhoogd.”

Mark Willnerd, chief executive officer en president van het industriële machine learning-bedrijf Toumetis, voorziet een komende stijging van de industriële productiviteit in de komende vijf jaar. "Dankzij technologieën zoals machine learning gaan we een grote verbetering zien", zei hij. "[We konden een terugkeer zien van] productiviteitswinsten van het type 1990", voegde Willnerd eraan toe, verwijzend naar het decennium dat verband hield met een snelle stijging van de productie.

Toumetis werkt samen met een energiebedrijf met een olieveld waarvan Willnerd verwacht dat het ooit een van de beste productielocaties ter wereld kan worden. Een factor die de productiviteit van de locatie belemmert, is de onbetrouwbaarheid van de elektrische dompelpompen, waardoor een put uit productie kan gaan. Maar als de materiedeskundigen die de apparatuur van het bedrijf in de gaten houden, toezicht houden op 1500 putten en 100 verschillende datasignalen, kunnen ze gemakkelijk gegevens missen die wijzen op een dreigende pompstoring. "Ze weten niet welke putten wanneer zullen bezwijken", zei Willnerd. "Maar als ik kan voorspellen welke er binnen 14 dagen kapot gaan, kan ik reparaties plannen om de winst en de productie te maximaliseren."

Maar het proces van het toepassen van machine learning - of de toepassing ervan in voorspellend onderhoud - in het industriële domein is zelden eenvoudig. “De gegevens kunnen inconsistent zijn. U kunt onjuiste metingen van sensoren hebben. Het kan zijn dat er gegevens ontbreken', voegde Willnerd eraan toe. "En er komt veel bij kijken voordat je de gegevens kunt opschonen."

Willnerd vermoedt dat we nog in de kinderschoenen staan ​​om machine learning toe te passen op industriële toepassingen.

Een studie van Bain &Co. getiteld "Beyond Proofs of Concept:Scaling the Industrial IoT" komt tot vergelijkbare conclusies na een enquête onder 600 hightech executives. IIoT in het algemeen en voorspellend onderhoud in het bijzonder zijn vaak uitdagender om in te zetten dan verwacht, net als het vooruitzicht om "waardevolle inzichten uit de gegevens" uit IIoT-projecten te halen. Het rapport concludeert later echter dat "industriële IoT een veelbelovende kans blijft".

Een centrale uitdaging is dat het begrijpen van dergelijke gegevens ook een zeldzame mix van domeinexpertise en kennis van datawetenschap vereist. Om de kloof te helpen overbruggen, heeft Toumetis industriële experts ingehuurd die al sinds het einde van de jaren negentig en het begin van de jaren 2000 aan data-analyse werken. "Het is nog steeds een kunstvorm", zei Willnerd. "Je moet duidelijk begrijpen welk probleem je probeert op te lossen en wat de bijbehorende zakelijke waarde is."

Yoskovitz heeft een vergelijkbare kijk. Na een rondleiding door een reeks industriële faciliteiten in de Verenigde Staten, kwam hij tot de conclusie dat het vinden van talent een van de meest voorkomende uitdagingen was. Hoewel er veel is gezegd over de moeilijkheid om een ​​expert te vinden in bijvoorbeeld industriële cyberbeveiliging of industriële datawetenschap, is het probleem groter. “Op een keer ging ik een kamer binnen om training te geven in de faciliteiten van onze klant. De gemiddelde leeftijd was 55 jaar”, herinnert Yoskovitz zich. “We hadden daar mensen die op het punt stonden met pensioen te gaan en de nieuwkomers die in de twintig waren. En je hebt een goede 30 jaar tussen hen.”

Veel van de oude productie-ervaring in de Verenigde Staten zal verdwijnen als oudere industriële werknemers in de komende vijf tot tien jaar met pensioen gaan. Ondertussen staan ​​industriële banen laag op de lijst voor jongere werknemers. "Bijna niemand die millennial of Gen Z is, wil onderhoudstechnicus worden", zei Yoskovitz.

Dus hoewel het misschien nog te vroeg is om te zeggen of brede technologieën zoals IoT en AI een tijdperk van productiviteit zullen creëren dat wedijvert met de eerste industriële revoluties, of dat Industrie 4.0 meer zal lijken op een software revisie dan een door cyberfysieke systeem aangedreven revolutie. Voor nu is het een meer praktische vraag om te vragen hoe dergelijke technologieën aan hun meest dringende behoeften kunnen voldoen:de juiste mensen (technici) op ​​het juiste moment op de juiste plaats (een mogelijk falende machine) krijgen (voordat die machine kapot gaat).