Er zijn nog maar weinigen die onbekend zijn met AI en machine learning. De voordelen van het invoeren van predictive maintenance en automatische kwaliteitsinspectie kunnen enorm groot zijn voor je bedrijf. Maar met AI en machine learning aan de slag vergt bepaalde kennis, kunde en een plan. Anders is de kans groot dat je verstrikt raakt in een eindeloos web van data en algoritmes. Mits het goed gebruikt wordt, kun je door data goed te structureren en het bouwen van de juiste modellen onderhoud voorspellen en onderhoudskosten drukken. Hoe start je met het implementeren van AI en machine learning in een industriële setting? Check de artikelen en praat met een van onze experts.

Business Development Manager

small_Dianne BruggenKamp Koenen c.jpg

thumbnail_Dianne BruggenKamp Koenen c.jpg

Dianne BruggenKamp Koenen c.jpg

Van ongestructureerde data tot waarde voor je bedrijf

Slimmer door patronen

In Rotterdam staat de grootste raffinaderij van Europa en daarmee één van de grootste ter wereld. Op het terrein van 550 hectare (1000 voetbalvelden) staan ongeveer zestig fabrieken waarin olie op allerlei manieren wordt verwerkt. Naast de fabrieken is er ook een immense hoeveelheid pijpleidingen om de producten te vervoeren. In totaal gaat het om 160.000 kilometer aan leiding, dat is vier keer de aarde rond. Om die regelmatig te controleren op onder andere roest en slijtage is een enorme uitdaging. Maar wel eentje die binnenkort een stuk makkelijker wordt. 

### Onderzoekscentrum
Voor een ‘oplossing’ moet je een stukje verder naar het noorden. Naar Amsterdam om precies te zijn. In een immens gebouw dat volledig is toegewijd aan onderzoek en ontwikkeling wordt de laatste jaren volop onderzoek gedaan naar de immense mogelijkheden van predictive maintenaince door het gebruik van AI en Machine Learning. Kort gezegd: het onderhouden van die vele duizenden kilometers aan pijpleiding moet makkelijker, goedkoper en veiliger worden. 

### Voorspellend onderhoud
De beste manier om dat voor elkaar te krijgen is door onderhoud te voorspellen op basis van big data. Hoe meer en hoe beter de data, des te beter het voorspellend vermogen van het achterliggende algoritme en des te betrouwbaarder het resultaat is. 

### Samenwerking LINKIT
Ergens verstopt in dit immense onderzoekscentrum werken data engineers Anis Boudih (25) en William Geuns (25) van LINKIT sinds respectievelijk vier en zes maanden druk mee aan predictive maintenaince projecten. Vanwege de toenemende interesse in AI en Machine Learning is er behoefte aan extra talent. Na hun eerste periode durven ze wel iets te vertellen over hun bijzondere werk. 

### Pijpleidingstoplicht
Anis vertelt als eerste over het project waar hij mee bezig is: het meten van verschillen tussen twee sensoren in een pijpleiding. “We hebben een soort van stoplicht die de verschillen beoordeeld. Als bijvoorbeeld het temperatuurverschil tussen twee opeenvolgende sensors te groot is, gaat hij van groen naar oranje of rood. Dat is een indicatie dat er een inspecteur heen moet voor controle.”

### Dataspeurneus 
Dat klinkt als een simpel traject, maar heeft zo zijn haken en ogen legt Anis uit. “Ik heb zelf een supportrol. Ik kom in actie als er data ontbreekt, of als er een probleem is met het dashboard dat de data presenteert. Ontbrekende data wordt trouwens maar zelden veroorzaakt doordat een sensor niet werkt. In veel gevallen ligt het aan het transport van de data via de pijplijn, de dataverbinding tussen de sensor en het dashboard. Als data ‘zoek raakt’ ga ik op zoek naar de oorzaak en het ontbrekende stuk.”

### Foto-inspectie 
William werkt aan een heel ander project, dat een introductie vereist. “Al zo lang als ze bestaan gaan inspecteurs routinematig de pijpleidingen langs om ze te controleren op bijvoorbeeld roest en om te checken of de kleppen nog goed genoeg werken. Dit is erg arbeidsintensief en vanwege de enorme hoeveelheid aan pijpleidingen kunnen ze natuurlijk nooit overal tegelijk zijn. Wat we al wel hebben is een algoritme dat foto’s, die de inspecteur maakt van een stuk pijpleiding, zelfstandig kan beoordelen. Hij kan zien waar roest zit en veelvoorkomende afwijkingen opsporen. Voor de inspecteur werkt dit als een hulpmiddel voor het geval hij zelf iets over het hoofd ziet.”

### Drones 
Dit algoritme vormde het startpunt voor een veel groter project waar William nu aan werkt. “Door met drones heel veel foto’s te maken en die automatisch door een algoritme te laten beoordelen hopen we complete terreinen in kaart te brengen en doorlopend te kunnen beoordelen. Dat is natuurlijk een enorme klus. Het zijn ook zeker geen normale foto’s. het idee is om ze als het ware op een 3D model van het terrein te plakken, waardoor we heel precies kunnen zien waar risico’s ontstaan.”

### Honderdduizend foto’s taggen
Maar daarmee ben je er nog lang niet. Want om het algoritme goed te laten werken, moet het eerst gevoed worden met de juiste data. In dit geval, de al bestaande foto’s die in het verleden zijn gemaakt. “We hebben nu ruim honderdduizend foto’s die allemaal worden ‘getagt’. Een monsterklus waarbij mensen handmatig per foto aangeven waar de fout zit. Op die manier ‘voedt’ je het algoritme als het ware met steeds meer en betere data, waardoor hij steeds slimmer wordt en steeds beter zelfstandig fouten kan ontdekken. Inmiddels is het algoritme zover dat hij het materiaal op de foto kan herkennen, kan beoordelen en in meerdere lagen kan weergeven. De volgende fase is het daadwerkelijk gaan testen.”

### Zelf(standig) leren ‘rijden’
“Je kunt die fase redelijk vergelijken met hoe Tesla haar auto’s zelfstandig leert rijden,” legt William uit. “In het begin maakt hij nog allerlei fouten en ‘ziet’ hij dingen niet. Maar door de fouten in de data te verbeteren en vooral ook door heel veel data te verzamelen werk je steeds verder toe naar het punt waarop de auto echt zelfstandig de weg op kan. Voor ons geldt hetzelfde. Hopelijk wordt ons algoritme op een bepaald moment echt zo goed dat hij het onderhoud van terreinen zelfstandig kan voorspellen en beoordelen. En dat zou een enorme stap vooruit zijn.”

### Stijle leercurve 
Voor William zelf is het hoe dan ook een superleuk project. Helemaal omdat hij nog maar zes maanden in het vak zit. Hij volgde in 2019 de bootcamp van LINKIT, waarna hij als data engineer aan de slag ging. “In zes maanden heb ik hier ongeveer alles geleerd wat ik nu weet. Een enorm steile leercurve. Noem het maar op: Backend development, Python, Cloud (Azure en AWS), Docker, Scrum en nog veel meer. Ik leer nog steeds iedere dag bij en naarmate dit project in nieuwe fases terecht komt wordt ik iedere keer weer voor nieuwe, leerzame uitdagingen gesteld. Een ideale start van mijn carrière als data engineer!” 
   
*Wil je meer weten over de ‘hoe’ van het implementeren van AI en machine learning in een industriële setting? Lees dan ook onze whitepaper ‘van ongestructureerde data tot waarde voor je bedrijf’. Of bel met één van onze experts voor meer informatie.*


pxfuel.com

Hoe AI het onderhoud van pijpleidingen drastisch verandert

Geautomatiseerd zoeken naar een naald in een hooiberg

Van ongestructureerde data tot waarde voor je bedrijf 

In Rotterdam staat de grootste raffinaderij van Europa en daarmee één van de grootste ter wereld. Op het terrein van 550 hectare (1000 voetbalvelden) staan ongeveer zestig fabrieken waarin olie op allerlei manieren wordt verwerkt. Naast de fabrieken is er ook een immense hoeveelheid pijpleidingen om de producten te vervoeren. In totaal gaat het om 160.000 kilometer aan leiding, dat is vier keer de aarde rond. Om die regelmatig te controleren op onder andere roest en slijtage is een enorme uitdaging. En daar bieden artificial intelligence en machine learning een antwoord. Predictive maintenance met behulp van AI en ML moeten ervoor zorgen dat het onderhouden van die vele duizenden kilometers aan pijpleiding makkelijker, goedkoper en veiliger moet worden.

klm.png

transavia.png

Transavia

asml.png

ASML

Onze klanten

Iedere fabriek is verplicht om kwaliteitschecks uit te voeren. Enerzijds omdat het verplicht is vanwege wetgeving en ISO-normeringen, anderzijds omdat je eigenlijk geen andere keuze hebt. Zeker wanneer je delicate producten maakt, zoals voedsel of speelgoed. Een terugroepactie vanwege een productiefout is een nachtmerrie voor iedere fabriekseigenaar en moet te allen tijde voorkomen worden. Goed uitgevoerde kwaliteitsinspectie is de sleutel tot succes voor ieder bedrijf met AI. En met machine learning doe je dat nog beter!

### Monsteropname

Er zijn vele manieren om kwaliteitsinspecties uit te voeren, maar de bekendste is toch wel de monsteropname. Uit iedere partij kies je enkele stukken kip, friet, metalen platen of speelgoedauto’s om die aan een uitgebreid onderzoek te onderwerpen. Op die manier verkrijg je een vrij goed beeld van de kwaliteit van de hele productie op dat moment. 

### Prijzige inspectiemethode

Hoewel dit een prima methode is, heeft het ook zijn minpunten. Want wat doe je op het moment dat één van je monsters niet in orde is? In veel gevallen rest je geen andere keuze dan de productie stil te leggen en de volledige partij af te keuren. Dit is niet alleen een dure grap vanwege het verlies van de productie, maar ook het opslaan en vernietigen van de productie is zeker niet goedkoop. 

### Hoe geautomatiseerde kwaliteitsinspectie het verschil maakt:

Met real-time kwaliteitsinspectie, gebaseerd op AI en machine learning, kun je jouw inspectiemethode flink verbeteren. Dit gaat als volgt:

-	Afhankelijk van het soort productie voer je inspectie uit met camera’s, infrarood en/of andere sensoren. 
-	Op basis van historische data kan een algoritme real-time fouten of afwijkingen ontdekken in de productie.
-	Op dat moment wordt de hele productielijn onmiddellijk stilgezet. Op die manier wordt de schade beperkt en kan de oorzaak van de fout direct worden opgespoord. 

### Vierde industriële revolutie

Economen noemen de toepassing van AI en machine voor allerlei processen en handelingen ook wel de vierde industriële revolutie. Het verandert binnen fabrieken de productiemethode op een radicale manier. Als gevolg neemt de vraag naar fabriekspersoneel af, terwijl er juist meer behoefte is aan specifieke IT-kennis. 

### Niet makkelijk om te implementeren

Vanwege deze ‘revolutie’ kan het moeilijk zijn om de juiste mensen te vinden voor het implementeren van real-time kwaliteitsinspectie. Dit wordt nog versterkt doordat het een relatief jonge technologie is die zich nog steeds razendsnel ontwikkelt. En, als kers op de taart, is het zeker niet makkelijk om geautomatiseerde kwaliteitsinspectie zo in te richten dat het ook daadwerkelijk goed werkt en dus waarde toevoegt aan je bedrijf. 

### De juiste data

Om een belangrijke oorzaak te noemen: om goed te kunnen werken heeft een algoritme data nodig van zowel goede als slechte productie. Anders kan er geen onderscheid worden gemaakt. Maar makkelijk is dit niet. Meer dan 99 procent van alle data die je verzamelt is waarschijnlijk van goede kwaliteit. Data van productiefouten zijn schaars en hebben dan ook een specifieke aanpak nodig om bruikbaar te zijn. Om het nog lastiger te maken kan data makkelijk vervuild raken wat de uitkomst van het algoritme beïnvloedt. 

### Building IT together

Het juist implementeren van real-time kwaliteitsinspectie is als het bouwen van een Zwitsers horloge. Je hebt een ‘Zwitserse horlogemaker’ nodig om je kwaliteitsinspectie te ontwerpen, te plannen en te implementeren op zo’n manier dat het werkt voor jouw situatie in jouw fabriek. Bij LINKIT hanteren we een pragmatische aanpak waarbij we zoveel mogelijk samenwerken met zowel je businessteam als je IT-departement. Aangevuld met ons ‘ecosysteem’ met meer dan 1000 zeer ervaren IT-experts en een agile manier van werken, resulteert dit in een recht door zee oplossing met maximale flexibiliteit. 

*Wil je meer weten over het implementeren van geautomatiseerde kwaliteitsinspectie in jouw fabriek? En hoe het wordt uitgevoerd? Je kunt het lezen in ons gratis te downloaden whitepaper. Of bel met één van onze experts voor meer informatie.*


large_quality_inspection_872f378a63.png

medium_quality_inspection_872f378a63.png

small_quality_inspection_872f378a63.png

thumbnail_quality_inspection_872f378a63.png

quality_inspection_872f378a63.png

Hoe real-time kwaliteitsinspectie het verschil maakt

Met de introductie van industriële IoT is een productielijn vandaag de dag meer dan alleen een mechanisch pronkstuk. Door middel van sensoren die de temperatuur en de vochtigheidsgraad kunnen meten, soms vergezeld van een infraroodscanner, verandert een productielijn spontaan in een bron van big data. Hoewel dit waarschijnlijk niet het eerste is waar je bij een machine aan denkt, is het wel van belang om een strategie te hebben voor het gebruik van al deze waardevolle gegevens. 

### Waarom data belangrijk is

Het verzamelen van data binnen productieprocessen is om meerdere redenen belangrijk. Voorop staat de mogelijkheid om ze te analyseren voor het toepassen van voorspellend onderhoud (predictive maintenance). Uit een gezamenlijke studie van Emerson en Wall Street Journal blijkt dat onverwachte stilstand bij machines jaarlijks een kostenpost opleveren van 50 miljard dollar per jaar voor de hele industrie. Mechanisch falen is daar met 42 procent een belangrijke oorzaak van. 

### Productiviteit omhoog met 30 procent

Er valt dus nog genoeg te winnen. Voorspellend onderhoud is verreweg de beste optie die je op dit moment hebt om onderhoudskosten te drukken. Uiteraard verschilt iedere  situatie, maar gemiddeld levert de introductie van voorspellend onderhoud besparingen op tot zo’n dertig procent. 

### Menselijke inspectie

Op dit moment zijn veel fabrieken afhankelijk van handmatig uitgevoerde, menselijke inspecties om de dure machines draaiende te houden. Hoewel daar niets op tegen is, kent het zijn beperkingen. Menselijke inspectie is altijd een momentopname en neemt zelden alle mogelijke problemen waar. Daarnaast is goed onderhoudspersoneel schaars en zeker niet goedkoop. 

### Voordelen voorspellend onderhoud

Automatisch uitgevoerd voorspellend onderhoud is in zekere zin het tegenovergestelde. Het wordt real-time uitgevoerd en de beslissingen zijn gebaseerd op de historische gegevens van je productielijn. Op die manier kan een algoritme na verloop van tijd heel gericht voorspellen wanneer en voor welk onderdeel onderhoud nodig is. Dit zorgt niet alleen voor een flinke reductie in de stilstand van machines, maar verlengt ook de levensduur. 

### Uitdagingen

Hoewel het wellicht makkelijk klinkt, is het invoeren van voorspellend onderhoud dat zeker niet. Daar zijn een aantal redenen voor:

-	Geen fabriek is hetzelfde. Iedere vorm van productie heeft zijn eigen specifieke aanpak nodig. Dit betekent dat expertise op de grond (bv van machineoperators) vitaal is in het vinden van de juiste oplossing.
-	Data raakt makkelijk ‘vervuild’. Zelfs de kleinste wijzigingen in je machine, of de omgeving daarvan, kan een groot verschil maken voor het algoritme dat de data verzamelt en analyseert. 
-	Om een accurate voorspelling te doen heb je voldoende schone historische data nodig. 

### Een strategie bedenken voordat je koopt
Het derde punt is exact de reden waarom het belangrijk is om voorspellend onderhoud te overwegen voordat je een nieuwe machine koopt of een nieuwe productielijn opzet. 

Wat ga je bijvoorbeeld doen met alle data die je verzamelt? Het opslaan van temperatuur- en vochtigheidsgegevens klinkt wellicht als een bijkomstigheid, maar is dat zeker niet. Wanneer een sensor iedere vijf seconden een meting doet, 24 uur per dag, loopt de teller al snel op tot twee of drie gigabyte per dag. Ga je dat echt allemaal opslaan? En waar? En is iedere vijf seconde hier echt noodzakelijk? Of is per 5 minuten ook accuraat genoeg?

Om alleen deze vraag al te kunnen beantwoorden is het belangrijk om in ieder geval de mogelijkheid van voorspellend onderhoud vooraf te overwegen. Zelfs al ga je er nog niet gelijk gebruik van maken, dan nog is het belangrijk om je historische data alvast te verzamelen. Ook het bedenken van een methode om deze data ‘schoon’ te houden is van de start af aan enorm belangrijk.  Op die manier leg je nu alvast de fundering waar je over één of twee jaar de vruchten van kunt plukken. 

*Bij LINKIT weten we alles af van voorspellend onderhoud en de vele keuzes die daarbij komen. Mocht je advies nodig hebben voor het opzetten van een datastrategie voor je machinerie, dan kun je altijd contact opnemen met één van onze experts voor meer informatie. Of download onze gratis whitepaper voor meer mogelijkheden om je bedrijfswaarde te vergroten door middel van voorspellend onderhoud en/of kwaliteitsinspectie.*


large_Production_line_temporary_9dd16f26d8.png

medium_Production_line_temporary_9dd16f26d8.png

small_Production_line_temporary_9dd16f26d8.png

thumbnail_Production_line_temporary_9dd16f26d8.png

Production_line_temporary_9dd16f26d8.png

Hoera, ik heb een nieuwe productielijn! Maar wat doe ik met mijn data?

Er zijn nog maar weinigen die onbekend zijn met AI en machine learning. De voordelen van het invoeren van predictive maintenance en automatische kwaliteitsinspectie kunnen enorm groot zijn voor je bedrijf. Maar ondanks dat… Wees voorzichtig bij het betreden van deze wereld. Het is er eentje met slechts weinig regels, veel onontdekt gebied, maar met een enorm potentieel. Welkom in het wilde westen van de Artificial Intelligence. 

### Vergeet de logica

In vrijwel iedere situatie werkt IT volgens een bepaalde logica. Als je dit invult, of dit doet, dan gebeurt dit, krijg je dit te zien of beweegt dit. AI werkt totaal anders. Vergeet de logica, bij AI gaat het om patronen. Onderzoek dit en kijk wat er gebeurt. Vind je een patroon, dan heb je wellicht goud in handen. Maar zo niet… probeer het dan nog eens. 

### Wat probeer je eigenlijk op te lossen?

Deze ‘trial en error’ manier van werken is zeer tijdsintensief en daardoor ook behoorlijk prijzig. Om het leven van je data engineers nog een beetje overzichtelijk te maken, is het dan ook zeer belangrijk om hen van de juiste specificaties te voorzien. Welk probleem probeer je op te lossen? Wat wil je bereiken? En, zeer belangrijk, is AI daarbij echt de beste oplossing?

### Doe gewoon iets!

Als een data expert aan de slag gaat met alleen jouw vereisten gaat het vaak mis. Vergelijk het maar met alsof jouw baas aan je vraagt om een verhaal te schrijven. Gewoon een verhaal. Uiteraard vind je dat geen probleem, maar om het uit te kunnen voeren heb je meer informatie nodig. Het onderwerp bijvoorbeeld. En hoe lang moet het worden? In welke schrijfstijl? Enzovoorts. Dezelfde vlieger gaat op voor het succesvol implementeren van een AI oplossing voor jouw fabriek of industrie. Zonder de juiste details is het vrijwel onmogelijk om het juiste resultaat te behalen en loop je forse (financiële) risico’s. 

### Om de kans op succes te vergroten kan het volgende helpen:

-	Vraag jezelf de juiste vragen: is AI echt wat ik nodig heb? Is de potentiële winst hoog genoeg ten opzichte van de risico’s die horen bij de implementatie van AI? Net zoals in het echte wilde westen is er geen garantie op succes. In ieder geval niet in het begin. 
-	Werk iteratief. Start met een strategie en een concept. Ga vervolgens verder met de bouw van een PoC (Proof of Concept) om er achter te komen of jouw concept realistisch is (trial en error). Pas daarna druk je op de grote rode knop voor het ontwikkelen van een MVP (Minimum Viable Product).
-	Om de kans op een mismatch te verkleinen, is het belangrijk dat het data team zo nauw mogelijk samenwerkt met de (toekomstige) hoofdgebruikers.

### Goede samenwerking is cruciaal

Om dit punt te verduidelijken: bij LINKIT hanteren we de slogan ‘building it together’. Dat doen we niet voor niets. Zeker als het gaat om het implementeren van een complexe AI oplossing is goede samenwerking cruciaal. Om terug te komen op het ‘zomaar’ schrijven van een verhaal. Met AI zijn er altijd vele, vele factoren waar je rekening mee moet houden. En om het nog moeilijker te maken zijn deze factoren in iedere situatie weer anders. Dingen zoals het weer, verlichting, machinespecificaties en zelfs hoe mensen die gebruiken zullen de uitkomst van het onderliggende algoritme beïnvloeden.

Alle informatie krijgen die je nodig hebt, is daarom enorm belangrijk voor een data scientist of engineer. Een goede samenwerking met onder andere de machine operators- en beheerders is dan ook de sleutel om het gewenste resultaat te behalen. Want hoe ruiger de omgeving, des te meer je van elkaar afhankelijk bent. 

*Wil je meer weten over de ‘hoe’ van het implementeren van AI en machine learning in een industriële setting? Lees dan ook onze whitepaper ‘van ongestructureerde data tot waarde voor je bedrijf’. Of bel met één van onze experts voor meer informatie.* 


monument-valley-1235223_1920.jpg

Hoe implementeer je Artificial Intelligence in je werkomgeving? Ontdek hoe factors zoals iteratief ontwikkelen en de eindgebruiker erbij betrekken success betekent!

Welkom in het wilde westen van de Artificial Intelligence

Artikelen om je op weg te helpen 

Principal Data Solutions Engineer

Alyona Galyeva 1.jpg

Alyona Galyeva.jpg

Je bent al een echte Explorer! Door je nieuwsgierigheid krijg je een uniek inkijkje in de spannende expedities van onze Fullstack squad! Schrijf je hieronder in voor onze talent community en ontdek wie wie is, leer meer over onze ambities, projecten en expertise en ontdek hoe je bij LINKIT de ultieme Explorer kunt worden.

Enthousiast geworden? Kom langs tijdens één van onze aankomende events, of neem contact op met [thijs-jan.dijk@linkit.nl](mailto:thijs-jan.dijk@linkit.nl) voor meer informatie!


Data Engineer

Data engineering & AI

Hey, Data & AI explorer!

Kennon Rodrigues 2.jpg

Alexia Wu 1.jpg

Alexia Wu.jpg

Onze AI & ML helden

large_manufacturing-hero.jpg

medium_manufacturing-hero.jpg

small_manufacturing-hero.jpg

thumbnail_manufacturing-hero.jpg

manufacturing-hero.jpg

IT in de fabriek: een technologische én cultuuromslag

Manufacturing

large_nasa-Q1p7bh3SHj8-unsplash-overlay.jpg

medium_nasa-Q1p7bh3SHj8-unsplash-overlay.jpg

small_nasa-Q1p7bh3SHj8-unsplash-overlay.jpg

thumbnail_nasa-Q1p7bh3SHj8-unsplash-overlay.jpg

nasa-Q1p7bh3SHj8-unsplash-overlay.jpg

Waarde uit je data halen met de cloud als hulpmiddel

Cloud data platform

large_manager-industrial-engineer-using-tablet-check-control-automation-robot-arms-machine-overlay.jpg

medium_manager-industrial-engineer-using-tablet-check-control-automation-robot-arms-machine-overlay.jpg

small_manager-industrial-engineer-using-tablet-check-control-automation-robot-arms-machine-overlay.jpg

thumbnail_manager-industrial-engineer-using-tablet-check-control-automation-robot-arms-machine-overlay.jpg

manager-industrial-engineer-using-tablet-check-control-automation-robot-arms-machine-overlay.jpg

Thema's, expertises & markten

AI & ML Engineering

Hogere kwaliteit en lagere kosten door de kracht van data