Optimalisatie van TORO: automatische classificatie van applicaties met behulp van natuurlijke taalverwerking

Inleiding: het probleem van de classificatie van applicaties in TORO

In de hedendaagse industrie, waar productie-efficiëntie van cruciaal belang is, speelt het beheer van onderhoud, reparatie en exploitatie (MRO) een centrale rol. Elke dag worden er honderden en soms duizenden aanvragen voor onderhoud, reparatie of reserveonderdelen gegenereerd. De traditionele handmatige classificatie, prioritering en routering van deze verzoeken is een tijdrovend proces dat gevoelig is voor menselijke fouten. Dit resulteert in reactievertragingen, verkeerde toewijzing van middelen, verhoogde uitvaltijd van apparatuur en, als gevolg daarvan, financiële verliezen.

Om dit probleem op te lossen stelt UNITEC-D GmbH voor om het gebruik van kunstmatige intelligentietechnologieën, in het bijzonder Natural Language Processing (NPM), te overwegen om de classificatie van applicaties in TORO-systemen te automatiseren. Met deze aanpak kunt u een ongestructureerde tekstuele beschrijving van het probleem omzetten in gestructureerde gegevens die onmiddellijk kunnen worden geclassificeerd, geprioriteerd en naar de juiste actoren kunnen worden gestuurd. Dit komt overeen met de principes van Industrie 4.0 en stelt Oekraïense ondernemingen in staat de operationele efficiëntie en betrouwbaarheid van productieprocessen te vergroten.

Werkingsprincipe van de OPM voor de classificatie van aanvragen

Kunstmatige intelligentie is een tak van kunstmatige intelligentie waarmee computers menselijke spraak kunnen begrijpen, interpreteren en genereren. In het kader van de classificatie van TOO-aanvragen analyseert het OPM-systeem de tekstuele beschrijving van het probleem die door de operator of technicus wordt verstrekt en wijst deze toe aan een of meer vooraf gedefinieerde categorieën. Het proces omvat verschillende belangrijke fasen:

Verzameling en voorverwerking van gegevens: het systeem heeft historische gegevens nodig: duizenden of tienduizenden reeds geclassificeerde applicaties met tekstbeschrijvingen. De tekst wordt ontdaan van onnodige tekens, typografische fouten en stopwoorden (bijvoorbeeld "en", "maar", "y").
Tokenisatie en vectorrepresentaties (insluitingen): De tekst is verdeeld in afzonderlijke woorden of zinsdelen (tokens). Elk token wordt omgezet in een numerieke vector die de semantische betekenis en context in de zin weerspiegelt. Moderne modellen zoals BERT of Word2Vec creëren vectorrepresentaties van hoge kwaliteit waarmee het systeem synoniemen en context kan "begrijpen".
Een Machine Learning-model trainen: Op basis van deze vectorrepresentaties wordt een machine learning-model (bijvoorbeeld een classificator gebaseerd op diepe neurale netwerken of een ondersteunende vectormethode) getraind. Het lerarenmodel koppelt tekstvectoren aan de juiste categorieën, waardoor patronen zichtbaar worden.
Classificatie: Wanneer het systeem na de training een nieuw, niet-geclassificeerd verzoek ontvangt, doorloopt het dezelfde verwerkingsstappen. Het getrainde model analyseert de vectorweergave van de nieuwe tekst en voorspelt de meest waarschijnlijke categorie (bijvoorbeeld "Elektrische storing", "Hydraulisch lek", "Gepland onderhoud") met een bepaald niveau van vertrouwen.

Met deze aanpak kan het systeem niet alleen naar trefwoorden zoeken, maar ook de inhoud van de applicatie begrijpen, zelfs als de bewoording onduidelijk is of specifiek technisch jargon bevat dat kenmerkend is voor een bepaalde onderneming.

Gegevensvereisten

De kwaliteit en het volume van de gegevens zijn van cruciaal belang voor de succesvolle implementatie van een OPM-systeem. Zonder de juiste gegevens zal elk model ineffectief zijn. De belangrijkste vereisten zijn onder meer:

Volume van historische toepassingen: Voor de initiële training van het model zijn minimaal 5.000 - 10.000 kwalitatief geclassificeerde toepassingen vereist. Om een hoge nauwkeurigheid te bereiken, is het wenselijk om 20.000 - 50.000 applicaties of meer te hebben.
Kwaliteit van tekstbeschrijvingen: beschrijvingen moeten zo gedetailleerd en duidelijk mogelijk zijn. Beschrijvingen die onduidelijk of te kort zijn, of gevuld zijn met afkortingen die niet in het systeem worden gedecodeerd, verminderen de nauwkeurigheid. Het is noodzakelijk om een audit van de gegevens uit te voeren en, indien mogelijk, de terminologie te verenigen.
Handmatige classificatienauwkeurigheid: Historische applicaties moeten correct door mensen worden geclassificeerd. Als de trainingsgegevens fouten bevatten, zal het model deze reproduceren. Het wordt aanbevolen om bestaande classificaties te controleren en te corrigeren.
Gegevensindeling: gegevens moeten beschikbaar zijn in een gestructureerd formaat (bijvoorbeeld CSV, JSON of rechtstreeks vanuit de STUOiR/SAUAP-database). Elke invoer moet een tekstbeschrijving van het probleem en de bijbehorende categorie (of categorieën) bevatten. Extra velden zoals asset-ID, datum, prioriteit en uitvoerder kunnen worden gebruikt om het model te verrijken.
Privacy en gegevensbescherming: Volgens de vereisten van de Oekraïense wetgeving (bijvoorbeeld de wet van Oekraïne 'Betreffende de bescherming van persoonlijke gegevens') en internationale normen (ISO/IEC 27001), is het noodzakelijk om te zorgen voor een goede bescherming van vertrouwelijke informatie in applicaties.

Het voorbereiden van gegevens is de meest tijdrovende fase van de implementatie van OPM. Investeringen in datakwaliteit werpen hun vruchten af en zorgen voor een aanzienlijk hogere systeemnauwkeurigheid en betrouwbaarheid.

Systeemimplementatiearchitectuur

Integratie van het OPM-systeem in het bestaande productielandschap vereist een goed doordachte architectuur. Een typische architectuur omvat de volgende componenten:

Operators/sensoren → TORO-beheersysteem (SUTOiR/SUAP) → OPM-module → Dispatchingsysteem/database → Uitvoerders

Bron van toepassingen: Dit kunnen operators zijn die handmatig beschrijvingen van problemen in het systeem invoeren (bijvoorbeeld SAP PM, IBM Maximo, 1C:TORO), of automatische conditiebewakingssystemen (Condition Monitoring), die meldingen genereren op basis van gegevens van sensoren (temperatuur, trillingen, druk volgens EN ISO 10816-1).
Toro Management System (SUTOiR/SUAP): Het bestaande systeem van het bedrijf dat applicaties verzamelt, opslaat en beheert. De OPM-module kan met dit systeem worden geïntegreerd om niet-geclassificeerde applicaties te ontvangen en geclassificeerde gegevens te retourneren.
OPM-module: De centrale component die natuurlijke taalverwerking uitvoert. Het kan worden ingezet als lokale server (On-Premise) om maximale gegevensbeveiliging te garanderen of als cloudservice (Cloud-gebaseerd) voor flexibiliteit en schaalbaarheid. De module omvat:
- Invoer-/uitvoerinterface: Voor interactie met SUTOiR/SUAP via API (Application Programming Interface).
- Voorverwerkingssubsysteem: Tekstopschoning, tokenisatie.
- Subsysteem van vectorrepresentaties: Conversie van tekst in numerieke vectoren.
- Classificatiemodel: getraind machine learning-model.
Verzendsysteem en database: Geclassificeerde verzoeken worden automatisch doorgestuurd naar de juiste teams of individuele technici die gespecialiseerd zijn in deze categorie storingen. De informatie wordt opgeslagen in een database voor verdere analyse en rapportage.
Feedback en herscholing: een cruciaal element. Technici of TORO-managers controleren de automatische classificatie. Als de classificatie onjuist was, corrigeren ze deze. Deze aangepaste gegevens worden gebruikt om het model periodiek opnieuw te trainen, waardoor de nauwkeurigheid ervan in de loop van de tijd wordt verbeterd.

Het is belangrijk om ervoor te zorgen dat de integratie voldoet aan de normen voor gegevensbeveiliging en informatiesystemen, zoals DSTU ISO/IEC 27001:2015.

Echte resultaten en economische efficiëntie

De implementatie van OPM voor de classificatie van TORO-applicaties laat aanzienlijke verbeteringen zien in operationele indicatoren:

Verbeter de nauwkeurigheid van de classificatie: Geautomatiseerde OPM-systemen bereiken een classificatienauwkeurigheid van 85-95%, wat aanzienlijk hoger is dan de handmatige classificatie, die vaak rond de 60-70% schommelt vanwege vermoeidheid, gebrek aan standaardisatie en subjectiviteit.
Verkorting van de verwerkingstijd van aanvragen: De tijd vanaf het ontvangen van een aanvraag tot de classificatie en routering ervan wordt teruggebracht van 15-30 minuten (met handmatige verwerking) tot minder dan 1 minuut. Dit versnelt de reactie op kritieke storingen.
Het aantal onjuist doorgestuurde verzoeken verminderen: Tot 20-40% van de verzoeken die eerder naar het verkeerde team of de verkeerde specialist werden verzonden, worden nu correct geclassificeerd en doorgestuurd. Hierdoor wordt de ‘rollover’ van de applicatie tussen afdelingen verminderd.
Verminderde gemiddelde hersteltijd (MTTR): snellere en nauwkeurigere verzending leidt tot een lagere MTTR, wat een directe impact heeft op de uitvaltijd van apparatuur. Een daling van 10-15% in MTTR is typisch.
Verbeterde gegevensanalyse: Gestandaardiseerde automatische classificatie genereert gegevens van hoge kwaliteit voor verdere analyse van de hoofdoorzaak, voorspelling van storingen en optimalisatie van preventieve onderhoudsschema's.
Kostenbesparingen en rendement op investering (ROI): Dankzij de vermindering van de uitvaltijd, de optimalisatie van de werktijd van het personeel (tot 10-15% van de werktijd van onderhoudsmanagers) en de grotere efficiëntie van reparatiewerkzaamheden, bedraagt het rendement op de investering gewoonlijk 12-24 maanden.

Toegepaste statistieken:

Kosten van het proefproject: 20.000 – 50.000 EUR (inclusief gegevensvoorbereiding en implementatie van het basismodel).
Kosten van volledige integratie: 100.000 – 500.000 EUR (afhankelijk van de complexiteit van de integratie, de hoeveelheid gegevens en de behoefte aan maatwerk).
Verlaging van administratieve kosten: Maximaal 0,5 - 1,5 EUR voor elke verwerkte aanvraag. Bij 10.000 aanvragen per maand levert dit een besparing op van 5.000 - 15.000 EUR per maand.

Beperkingen en potentiële problemen

Ondanks aanzienlijke voordelen zijn OPM-systemen geen universele oplossing en hebben ze hun beperkingen:

Garbage In, Garbage Out: Als de trainingsgegevens van slechte kwaliteit zijn, zal het model onnauwkeurige voorspellingen opleveren. Slechte beschrijvingen, inconsistente terminologie of onjuiste handmatige classificatie zorgen voor fundamentele problemen.
Dubbelzinnigheid en context: Menselijke taal is complex. OPM-modellen kunnen moeite hebben met het begrijpen van zeer dubbelzinnige, sarcastische of te korte beschrijvingen die een diepgaand contextueel begrip vereisen.
Domeinspecificiteit: modellen die zijn getraind op algemene tekstcorpora zijn niet efficiënt voor TORO technisch jargon. Training over branchespecifieke gegevens is vereist. Dit vergt aanzienlijke inspanningen bij het verzamelen en labelen van gegevens.
Ondersteuning en omscholing: Productieprocessen en apparatuur veranderen. Er verschijnen nieuwe soorten storingen, nieuwe middelen, deadlines veranderen. Het OPM-model vereist regelmatige monitoring en periodieke herscholing (bijvoorbeeld eens in de drie tot zes maanden) op het gebied van nieuwe gegevens om de relevantie en nauwkeurigheid ervan te behouden.
Afhankelijkheid van de IT-infrastructuur: Het implementeren en bedienen van OPM-systemen vereist een robuuste IT-infrastructuur, computerbronnen en mogelijk gespecialiseerde expertise op het gebied van machine learning.

Bouwen of kopen: beslissingsanalyse

Bij het plannen van de implementatie van een OPM-systeem voor de classificatie van applicaties worden ondernemingen geconfronteerd met een dilemma: een oplossing in eigen huis ontwikkelen (Build) of een commerciële oplossing aanschaffen (Buy).

Ontwikkeling op eigen kracht (Build):

Voordelen:

Volledig maatwerk voor de unieke behoeften van de onderneming.
Behoud van intellectueel eigendom.
Diepe integratie met bestaande interne systemen zonder compromissen.

Nadelen:

Hoge initiële ontwikkelings- en onderhoudskosten.
De behoefte aan een gespecialiseerd datateam (Data Scientists, ML Engineers).
Lange implementatietijd (12-24 maanden).
De behoefte aan voortdurende ondersteuning en ontwikkeling.

Aankoop van een commerciële oplossing (kopen):

Voordelen:

Snellere implementatie (3-6 maanden voor basisintegratie).
Lagere kosten vooraf (hoewel de totale licentie- en ondersteuningskosten aanzienlijk kunnen zijn).
Ondersteuning en updates van de leverancier.
Bevat vaak vooraf getrainde modellen die opnieuw moeten worden getraind op basis van specifieke klantgegevens.

Nadelen:

Minder flexibiliteit bij maatwerk.
Vendor lock-in is mogelijk.
Problemen met gegevensbeveiliging als de oplossing cloudgebaseerd is.
Standaardoplossingen sluiten mogelijk niet volledig aan bij unieke bedrijfsprocessen.

Voor het merendeel van de Oekraïense industriële ondernemingen is, vooral in de beginfase, een hybride aanpak optimaal: de aanschaf van een kant-en-klaar platform dat verdere training op eigen data en integratie met bestaande EMS/ACS mogelijk maakt. Hierdoor profiteert u van de voordelen van snelheid van implementatie en ondersteuning, terwijl u het aanpassingsvermogen behoudt.

Praktische stappen voor implementatie

Het volgende stappenplan wordt aanbevolen voor het engineeringteam van het bedrijf dat de implementatie van OPM overweegt:

Gegevensaudit: voer een gedetailleerde analyse uit van de bestaande historische applicaties in uw EMS/ACS. Evalueer het volume, de kwaliteit van tekstuele beschrijvingen en de nauwkeurigheid van de huidige classificatie. Bepaal of er voldoende gegevens zijn om het model te trainen.
Definitie van gebruiksscenario: Begin met een specifieke categorie claims met een hoog volume, waarbij handmatige classificatie het meest problematisch is (bijvoorbeeld defecten aan een enkel type apparatuur of een specifieke werkvloer).
Vorming van een interdisciplinair team: Creëer een werkgroep die bestaat uit onderhoudsspecialisten, de IT-afdeling, de automatiseringsafdeling en mogelijk operationeel personeel.
Proefproject: Implementeer een klein proefproject. Gebruik een beperkte dataset en concentreer u op een of twee categorieën. Hierdoor wordt het mogelijk om de technologie te testen, de doeltreffendheid ervan te evalueren en potentiële problemen te identificeren zonder aanzienlijke investeringen.
Selectie van oplossingen: kies op basis van de resultaten van het proefproject en de marktanalyse de meest geschikte commerciële oplossing of ontwikkel een intern ontwikkelingsplan.
Integratie: Zorg voor een naadloze integratie van de OPM-module met uw bestaande EMS/SMS door standaarden voor gegevensuitwisseling te volgen, zoals DSTU ISO/IEC 19505-1:2015 (UML).
Monitoring en optimalisatie: controleer na de implementatie voortdurend de nauwkeurigheid van de classificatie, verzamel feedback van gebruikers en train het model regelmatig opnieuw op basis van nieuwe, aangepaste gegevens om hoge prestaties te behouden.

UNITEC-D GmbH ondersteunt digitale transformatiestrategieën in de industrie door betrouwbare en gecertificeerde (CE, UkrSEPRO) reserveonderdelen en componenten te leveren die voldoen aan EN- en ISO-normen. Dankzij ons brede productassortiment, beschikbaar via de elektronische catalogus, kunt u snel de benodigde elementen vinden en bestellen voor alle systemen die zijn gediagnosticeerd met behulp van intelligente TORO-systemen. Dit garandeert een ononderbroken werking van de apparatuur en minimaliseert de uitvaltijd, wat essentieel is voor het succesvol realiseren van de voordelen van OPM.

Samenvatting

Automatische classificatie van onderhoudsverzoeken met behulp van Natural Language Processing is een krachtig hulpmiddel voor het verbeteren van de onderhoudsefficiëntie in de Oekraïense industrie. Het maakt het mogelijk de responstijd te verkorten, de toewijzing van middelen te optimaliseren en de kwaliteit van de gegevens voor verdere analyse aanzienlijk te verbeteren. Hoewel de implementatie investeringen in data en technologie vereist, zorgen de potentiële besparingen en de grotere operationele betrouwbaarheid ervoor dat ze zich snel terugverdienen.

Om uw M&A-initiatieven te ondersteunen en de betrouwbaarheid van productieprocessen te garanderen, nodigen wij u uit om vertrouwd te raken met ons assortiment hoogwaardige industriële reserveonderdelen en componenten. Bezoek de UNITEC-D E-catalogus.

Koppeling

DSTU ISO 9001:2015 Kwaliteitsmanagementsystemen. Vereisten
DSTU ISO/IEC 27001:2015 Informatietechnologieën. Methoden en middelen om de veiligheid te garanderen. Beheersystemen voor informatiebeveiliging. Vereisten
DSTU NL ISO 10816-1:2006 Trillingen. Meting en evaluatie van machinetrillingen. Algemene vereisten.
NL ISO 13849-1:2015 Veiligheid van machines. Veiligheidsgerelateerde onderdelen van besturingssystemen. Algemene principes voor ontwerp.
CE-markeringsrichtlijnen voor machines (2006/42/EG).
Technisch voorschrift voor machineveiligheid, goedgekeurd bij besluit van de CMU van 30 januari 2013 nr. 62 (komt overeen met Richtlijn 2006/42/EG).
DSTU 4163-2003 Ontwerpdocumentatiesysteem. Regels voor het ontwerp van tekstdocumenten.