PressClub Nederland · Article.
BMW zet kunstmatige intelligentie in voor voortgang productieproces.
27.11.2023 Persbericht
+++ Voorspellen van onderhoudswerkzaamheden in BMW Group Fabriek Regensburg – AI-ondersteund systeem monitort productieapparatuur gedurende de assemblage +++ Geïntegreerd, zelflerend onderhoudssysteem identificeert potentiële storingen vroegtijdig waardoor het stilvallen van de productie met meer dan 500 minuten per jaar afneemt +++
Press Contact.
Bryan Barendrecht
BMW Group
Tel: +31-704-133-227
send an e-mail
Author.
Bryan Barendrecht
BMW Group
Regensburg. Onverwachte stilval van de productielijn
voorkomen – dat is het doel van een slim systeem dat momenteel wordt
gebruikt in de BMW Group Fabriek Regensburg. Hierbij draait alles om
het proactief voorspellen van onderhoud en het preventief uitvoeren
daarvan. Het slimme monitoringssysteem werkt op basis van data-analyse
van de apparatuur, om zo in een vroeg stadium storingen te ontdekken
en te voorkomen door tijdig onderhoud uit te voeren. Dit door
artificial intelligence (AI) ondersteunde systeem zorgt er alleen al
in Regensburg voor dat het stilvallen van de productie met meer dan
500 minuten per jaar vermindert.
Data-analyse voor snelle, preventieve respons op potentiële
productieverstoring.
In de BMW Group Fabriek in
Regensburg voeren mobiele plateaus of vrij bewegende sledes de te
assembleren auto’s door de productiehal. Elke technische fout in dit
vooruitstrevende systeem kan leiden tot het stilvallen van de
assemblage. Het oplossen van de storing vereist dan een grotere
inspanning en resulteert in hogere kosten. Om dit voor te zijn, heeft
het innovatieteam van de fabriek een systeem ontwikkeld dat potentiële
technische defecten kan ontdekken. De betreffende componenten zijn
zodoende tijdig te vervangen en herstellen zonder verstoring van het
productieproces. Het voordeel van dit nieuwe monitoringsysteem is dat
er geen extra sensoren of hardware vereist. Het maakt gebruik van
aanwezige data in de componenten zelf en in de aansturingselektronica
van de assemblagelijn. Een alarm klinkt als onregelmatigheden worden getraceerd.
Om een voorbeeld te geven: de mobiele plateaus zenden continu
gegevens naar een controlesysteem. Deze data worden vervolgens via het
controlesysteem van de fabriek doorgesluisd naar een cloud-gebaseerd
platform van de BMW Group Fabriek Regensburg. Hier begint het
analyseren, waarbij algoritmen continu zoeken naar onregelmatigheden
zoals fluctuaties in het stroomverbruik, ongewone bewegingen in de
verplaatsingen van de plateaus of barcodes die niet goed leesbaar
zijn, waardoor een storing kan optreden. Als een onregelmatigheid
wordt ontdekt, ontvangt de controlecenter een waarschuwingsbericht dat
vervolgens naar een dienstdoende onderhoudstechnicus wordt gestuurd.
“Het monitoren in ons controlecenter gaat 24/7 door”, legt
projectmanager Oliver Mrasek uit. “Hierdoor kunnen we snel reageren op
een foutmelding en het betreffende plateau uit de productiecyclus halen.”
Implementatie – AI-ondersteund, gestandaardiseerd en
kosteneffectief.
Volgens Mrasek is voorspelbaar
onderhoud geen opzichzelfstaande oplossing. Het systeem is
gestandaardiseerd in samenwerking met het centrale werkvloermanagement
van BMW Group en met andere fabrieken om de technologie te
implementeren in alle BMW productielocaties wereldwijd. Deze
benadering is ook kosteneffectief. Mrasek: “We hebben geen extra
sensoren nodig. De enige kosten zijn voor opslagcapaciteit en computerkracht.”
De zelflerende modellen zijn in eigen huis ontwikkeld en
geïmplementeerd in een systeem dat ook gebruikmaakt van zogenaamde
hittemappen met verschillende kleurcodes om uiteenlopende
abnormaliteiten te visualiseren. “Dit maakt het voor ons mogelijk om
verschillende foutpatronen in diverse componenten in kaart te brengen
en doelgericht te reageren”, zegt Mrasek. Op basis van deze praktische
bevindingen worden de algoritmen continu verbeterd en verfijnd. Het
innovatieteam is momenteel bezig met het koppelen van additionele
installaties, de optimalisering van het systeem en het integreren van
aanbevolen acties bij de foutmeldingen. Zo’n melding kan dan
bijvoorbeeld duiden op gelijke problemen die zich eerder elders in een
systeem hebben voorgedaan. Dat maakt het opsporen en oplossen van de
storing voor onderhoudstechnici makkelijker. Bijvoorbeeld als een
rotor in een plateautrolley defect is. “Het optimaal voorspellen van
onderhoud scheelt ons niet alleen geld, het betekent ook dat we het
geplande aantal auto’s op tijd kunnen leveren – wat een hoop stress
scheelt in de productie”, stelt Deniz Ince, datawetenschapper van het team.
Het volgende doel: voorspelbaarheid – en twee
patenten.
Mrasek en zijn collega’s werken al zes jaar
aan data-gedreven monitoring van productieprocessen. Op dit moment
wordt al zo’n 80% van de hoofdassemblagelijnen op deze manier
gemonitord. “We kunnen nog niet elke fout ontdekken of voorkomen, maar
we zorgen hier al wel voor minimaal 500 minuten minder uitval per jaar
van alleen al de voertuigassemblage”, aldus Mrasek. Het is eenvoudig
uit te rekenen hoezeer dit tot voordeel strekt voor de productie in de
BMW Group Fabriek Regensburg, waar elke 57 seconden een auto van de
band rolt. Dit systeem wordt nu ook al toegepast in de BMW fabrieken
in Dingolfing, Leipzig en Berlijn. Het doel is verdere verkenning van
de mogelijkheden met AI, waarbij het systeem ook leert in te schatten
hoeveel tijd er zit tussen het ontdekken van een storing en een
potentiële stop van de productie. Dit helpt technici om de urgentie
van onderhoud in te plannen.
Mrasek ziet ook mogelijkheden voor andere sectoren in de
fabriek. “We testen nu of we het systeem kunnen gebruiken voor de
apparatuur die auto’s afvullen met remvloeistof en koelvloeistof.” Ook
al bestaan er al talrijke opties om onderhoud aan apparatuur te
voorspellen, het zelflerende systeem in Regensburg is het eerste in
zijn soort. Daarom wordt hiermee ingeschreven op tenders van
producenten van de apparatuur en zij raken laaiend enthousiast zodra
ook zij bij de evaluaties het voordeel ontdekken. BMW Group heeft dan
ook al twee patenten laten registreren voor deze in eigen huis
ontwikkelde, op AI-gebaseerde controlesystematiek.