Intralogistiker TGW ziet problemen met voorspellend onderhoud in de toekomst

• TGW vertrouwt op conditiebewaking bij de meerdere prijswinnende pickrobot Rovolution

• Digitale tweeling als centrale innovatie in het tijdperk van Industrie 4.0

(Marchtrenk) In het kader van de ontwikkeling van Industrie 4.0 zou stilstand van intralogistieke systemen tot het verleden moeten behoren, omdat de toestand van belangrijke componenten wordt bewaakt. De kunst is om de beschikbaarheid van de systemen continu te optimaliseren, benadrukt Dr. Maximilian Beinhofer, hoofd van Cognitive Systems Development bij intralogistiek specialist TGW in een gesprek:

Wat zijn de nadelen als onderhoud pas wordt uitgevoerd wanneer een component niet meer functioneert?

Dr. Maximilian Beinhofer: In zo’n geval spreken we van correctief onderhoud. Dit kan betekenen dat een machine of systeem gedeeltelijk of volledig stil komt te liggen. Dat betekent: de beschikbaarheid wordt verminderd, wat mogelijk economische nadelen voor de gebruiker met zich meebrengt. Een ander probleem: mogelijk moet de fout eerst worden opgespoord, wat waardevolle tijd kost.

Men kan slijtageonderdelen ook gewoon regelmatig vervangen…

Ja, dat noemt men preventief onderhoud. Hierbij worden op basis van ervaring bepaalde onderhouds- of vervangingscycli vastgesteld. Dit garandeert een zeer hoge systeembeschikbaarheid. Het nadeel: de kosten zijn hoger, omdat ook onderdelen worden vervangen die nog een slijtagevoorraad hebben. De grote kunst is om het ideale moment te vinden – zowel voor de onderhoudsverlener als de onderhoudsontvanger. Een goede oplossing is daarom conditiebewaking, evenals voorspellend onderhoud. Op basis van zogenaamde digitale tweelingen wordt het beschouwd als een van de centrale innovaties op het gebied van Industrie 4.0.

Hoe werkt voorspellend onderhoud?

Met behulp van de conditiebewaking van componenten via sensoren kan men in de software weergeven of er een probleem op komst is. Idealiter gebeurt dit in real-time of met minimale vertraging. De kern van onze aanpak is: met slimme algoritmen, dat wil zeggen methoden uit het gebied van machine learning en data science, verbinden of fuseren we bij TGW al bestaande gegevens van de sensoren zo intelligent dat we zeer nauwkeurige uitspraken kunnen doen over de toestand of slijtage van componenten. Dit bespaart kosten, omdat we geen extra sensoren hoeven te installeren.

Heeft u een praktijkvoorbeeld?

 In onze prijswinnende pickrobot Rovolution meten we de toestand van het vacuüm in de grijper. Als er bijvoorbeeld door stofbelasting in de omgeving een drukverlies optreedt, zien we dat onmiddellijk en kunnen we reageren.

Hoe gaat men om met oudere systemen die niet over de benodigde sensoren beschikken?

Men kan extra sensoren, bijvoorbeeld voor het meten van trillingen, installeren. Afhankelijk van de grootte van het systeem kunnen er enkele tot meer dan honderd sensoren nodig zijn, waardoor vooraf een kosten-batenanalyse moet worden uitgevoerd. In principe geldt echter dat ook bestaande intralogistieke systemen kunnen worden uitgerust.

Wat is het verschil tussen voorspellend en prescriptief onderhoud?

De twee benaderingen bouwen op elkaar voort. Voor voorspellend onderhoud is de conditiebewaking de basis. Het is niet voldoende om te weten of een sensor bezet is of niet. Het gaat erom hoe ver de slijtage gevorderd is. Als deze gegevens beschikbaar zijn, kan men met behulp van voorspellende onderhoudssoftware een prognose maken dat een component vanaf een bepaalde waarde bijvoorbeeld nog ongeveer drie maanden meegaat. Het prescriptieve onderhoud geeft dan het advies om over drie maanden precies dit of dat te doen.

Wat zijn de belangrijkste voordelen van voorspellend onderhoud?

In principe draait het om het optimaliseren van de systeembeschikbaarheid tegen de laagste kosten. Bovendien wordt de feedbackloop continu verbeterd. Algoritmen zorgen ervoor dat het zelflerende systeem zich permanent optimaliseert.

In welke gebieden is voorspellend onderhoud zinvol?

In principe overal in een systeem. Het interessantste zijn echter de verbindende elementen. Als bijvoorbeeld een van de tien orderpickwerkplekken uitvalt, is nog 90 procent van de pickcapaciteit beschikbaar. Maar als een sorteersysteem uitvalt, waar alle goederen doorheen gaan, betekent dat onmiddellijke stilstand.

Wat zijn de uitdagingen bij voorspellend onderhoud?

Enerzijds gaat het erom met de minste inspanning de grootste impact te genereren. Anderzijds is de technische uitdaging om de netwerken van het systeem zo te gebruiken dat de benodigde gegevens voor de Predictive Maintenance-software kunnen worden overgedragen. De derde uitdaging zijn de feedbackloops. Als er problemen optreden in de transporttechniek, moeten de technici ter plaatse dit melden. Als fabrikant moet men intelligente methoden ontwikkelen, zodat feedback enerzijds onmiddellijk plaatsvindt en anderzijds ook machinaal kan worden geëvalueerd.

Hoe wordt dit gewaarborgd?

Om de algoritmen te kunnen trainen, moet men precies weten wanneer onderhoud heeft plaatsgevonden en wat er precies is gedaan. Anders gelooft het systeem dat er vanzelf een verbetering heeft plaatsgevonden. Dit rapport mag echter geen vrij geformuleerde tekst van de technicus zijn. Het moeten gestandaardiseerde antwoorden uit een drop-downmenu zijn, want men heeft machineleesbare gegevens nodig om het machine learning-systeem te kunnen trainen. Tegelijkertijd moet de feedbackloop snel en eenvoudig te gebruiken zijn, zodat de onderhoudstechnicus snel feedback kan geven.

Voor welke modules ontwikkelt TGW voorspellend onderhoud?

Bij de pickrobot Rovolution is conditiebewaking al beschikbaar. Parallel daaraan ontwikkelen we een speciale cloudoplossing voor gegevensverzameling en -verwerking. In principe gaat het erom dat van de mechatronica tot IT in de toekomst alle gegevens moeten worden verzameld – uiteraard worden daarbij de voorschriften van de AVG en gegevensbeveiliging nageleefd. We verzamelen de gegevens van meerdere klanten. Dit heeft als voordeel dat een nieuwe klant profiteert van de gegevens van bestaande klanten en van de software adviezen ontvangt over wat hij moet doen om zijn systeem te optimaliseren. Aan het einde van het proces staat de digitale tweeling. Daarbij kan men niet alleen in de replay-modus analyseren wat er is gebeurd, maar ook in real-time zien wat er momenteel gebeurt. In een volgende stap kan men ook in de toekomst kijken en voorspellingen doen.

Hoe zal de vraag naar oplossingen op het gebied van voorspellend onderhoud zich ontwikkelen?

Het onderwerp is momenteel populair. Ik verwacht dat over vijf tot tien jaar alleen nog systemen zullen worden verkocht die deze service bieden. Bij grote enkelmachines is het nu al gebruikelijk dat er een trillingssensor wordt gebruikt. Bij de grootschalig verbonden intralogistieke systemen zijn er momenteel nog verschillende strategieën.

 Zien klanten het voordeel en zijn ze bereid voor dergelijke diensten te betalen?

Ik geloof dat de bedrijfsmodellen die achter onderhoudscontracten staan, op de lange termijn zullen veranderen. De nieuwe tools en diensten bieden voordelen voor klanten – en deze voordelen zullen uiteindelijk zichtbaar worden in de totale kostenoverzicht (TCO, Total Cost of Ownership). Dienovereenkomstig zullen we ook onze bedrijfsmodellen aanpassen.

Titelfoto: © TGW / Bijschrift: PickCenter Rovolution van TGW: Conditiebewaking waarborgt een hoge beschikbaarheid van de meerdere prijswinnende pickrobot.

Dr. Maximilian Beinhofer leidt de afdeling Cognitive Systems Development in het hoofdkantoor van de TGW Logistics Group in Marchtrenk, Oostenrijk. Hij studeerde wiskunde aan de universiteiten van Aken en Freiburg en promoveerde daar in de informatica op het gebied van probabilistische robotica. In 2014 begon de wetenschapper zijn carrière bij TGW als logistiek en IT-consultant. Sinds 2016 leidt hij het ontwikkelingsteam op het gebied van Cognitive Systems Development.