Kunstmatige intelligentie in kruisverwijzingen: automatisch zoeken naar gelijkwaardige reserveonderdelen

Inleiding: MRO-uitdagingen en AI-oplossingen

De moderne industriële productie in Oekraïne kampt met aanzienlijke problemen bij het waarborgen van de continuïteit van productieprocessen, vooral op het gebied van onderhoud en reparatie (MRO). Een van de cruciale uitdagingen is het efficiënt zoeken naar gelijkwaardige reserveonderdelen. Dit komt door de enorme nomenclatuur, de verscheidenheid aan fabrikanten, constante veranderingen in het assortiment en verouderde catalogi.

Traditionele zoekmethoden vereisen vaak een aanzienlijke investering in tijd en diepgaande kennis van het technische personeel, wat resulteert in:

• Langdurige stilstand van apparatuur, waardoor de algehele effectiviteit van de apparatuur (OEE) afneemt.
• Aankoop van overtollige voorraad voor hedging, waardoor het werkkapitaal wordt bevroren.
• Hoge operationele kosten in verband met logistiek en magazijnonderhoud.

De oplossing voor deze problemen is de toepassing van kunstmatige intelligentie (AI) voor geautomatiseerde kruisverwijzingen naar reserveonderdelen. Deze technologie maakt het mogelijk functionele en technische equivalenten van originele componenten te identificeren, waardoor MRO-processen aanzienlijk worden geoptimaliseerd.

Dankzij AI-oplossingen kunnen ondernemingen het volgende bereiken:

• Minder stilstand dankzij versnelde inkoop en levering van componenten.
• Optimalisatie van magazijnvoorraden, minimalisering van redundantie en gerelateerde kosten.
• Verlaging van de totale kosten voor de aanschaf en het onderhoud van reserveonderdelen.

Principes van AI-werk voor kruisverwijzing

Het belangrijkste idee is om machine learning (ML)-algoritmen te gebruiken voor een diepgaande analyse van technische kenmerken, geometrische afmetingen, chemische samenstelling van materialen, operationele parameters en andere metadata van reserveonderdelen. AI-modellen zijn in staat verborgen patronen en relaties te detecteren die niet gemakkelijk door mensen of traditionele systemen kunnen worden geïdentificeerd.

Het proces van kruisverwijzingen met behulp van AI omvat verschillende belangrijke stappen:

1. Gegevensverzameling en -integratie:

   Er wordt een verscheidenheid aan informatie verzameld uit databases van ERP-systemen, PDM-systemen, onderhoudsbeheersystemen (MMS), elektronische catalogi (bijvoorbeeld UNITEC-D E-Catalog), bedieningsinstructies en technische tekeningen. Het is belangrijk om deze gegevens te integreren in één gecentraliseerd systeem.

2. Voorverwerking en normalisatie van gegevens:

   Ruwe gegevens bevatten vaak discrepanties, weglatingen of niet-uniforme formaten. In dit stadium worden natuurlijke taalverwerkingsmethoden (NLP) gebruikt om tekstuele beschrijvingen te standaardiseren, evenals computer vision-algoritmen om afbeeldingen en tekeningen te analyseren. De beschrijving "kogellager radiaal 6205" kan bijvoorbeeld worden genormaliseerd naar een formaat met afzonderlijke velden voor type (kogel), doel (radiaal) en markering (6205).

3. Een Machine Learning-model leren:

   Leeralgoritmen, vaak gebaseerd op neurale netwerken of ensemblemethoden, analyseren genormaliseerde gegevens om complexe modellen te bouwen. Deze modellen leren de mate van gelijkenis tussen verschillende componenten te identificeren. Voor lagers kan het AI-model deze bijvoorbeeld vergelijken op basis van parameters zoals binnendiameter (d), buitendiameter (D), breedte (B) volgens DSTU GOST 520:2014, EN ISO 281, draagvermogen (C, C₀), maximale rotatiefrequentie, toleranties (nauwkeurigheidsklasse). Het model houdt ook rekening met afscheidermaterialen, smeermiddeltype en bedrijfstemperatuur.

4. Vorming van aanbevelingen:

   Na de training kan het model een aanvraag voor een specifiek reserveonderdeel ontvangen en een lijst met potentiële equivalenten genereren. Elke aanbeveling gaat vergezeld van een indicator van relevantie of waarschijnlijkheid van gelijkwaardigheid. Voor een lager met een binnendiameter van 25 mm, een buitendiameter van 52 mm en een breedte van 15 mm kan het model bijvoorbeeld verschillende opties van verschillende fabrikanten voorstellen, waarbij de afwijking in micrometers (μm) van de ideale pasvorm wordt aangegeven.

Gegevensvereisten: volume, kwaliteit en formaat

De kwaliteit en het volume van de invoergegevens zijn van cruciaal belang voor de effectiviteit van elk AI-systeem. De regel ‘garbage in, garbage out’ is hier bijzonder relevant.

Soorten vereiste gegevens:

• Technische specificaties: Gedetailleerde parameters zoals afmetingen (mm), toleranties (μm), werkdruk (bar), temperatuurbereik (Celsius), nominaal vermogen (kW), rotatiesnelheid (tpm), chemische samenstelling van materialen, treksterkte (MPa). Voor hydraulische componenten kan dit de doorvoersnelheid (l/min) of de viscositeit van de werkvloeistof zijn.
• Gegevens over leveranciers en fabrikanten: Artikelen, serienummers, catalogusaanduidingen, informatie over het land van herkomst.
• Grafische gegevens: Technische tekeningen (2D-, 3D-modellen), foto's van componenten. Computer vision-algoritmen kunnen er kritische informatie uit halen, zoals de locatie van de gaten, de vorm van het bevestigingsmiddel en de totale afmetingen.
• Operationele gegevens: Historische gegevens over apparatuurstoringen, levensduur van componenten (MTBF), bedrijfsomstandigheden, aanschafgegevens. Deze gegevens helpen AI de werkelijke betrouwbaarheid en compatibiliteit te begrijpen.

Gegevenskwaliteit:

Gegevens van hoge kwaliteit vormen de basis voor nauwkeurige aanbevelingen. Vage, inconsistente of onvolledige gegevens leiden tot aanzienlijke fouten. Dit vereist de implementatie van processen voor het opschonen van gegevens, verificatie en standaardisatie. Bijvoorbeeld één formaat voor drukmetingen (altijd in bar, niet in psi of Pa). Alle eenheden moeten metrisch zijn.

Gegevensvolume:

Hoe meer kwaliteitsgegevens beschikbaar zijn om het model te trainen, hoe nauwkeuriger en betrouwbaarder de voorspellingen zullen zijn. Voor het bereiken van een hoge nauwkeurigheid zijn vaak duizenden of miljoenen reserveonderdelenrecords nodig.

Gegevensformaat:

Gestructureerde gegevens in relationele databases of JSON/XML-formaten hebben de voorkeur. AI-systemen moeten echter ook effectief werken met ongestructureerde gegevens, zoals tekstbeschrijvingen, pdf-bestanden, afbeeldingen en CAD-bestanden, en moeten gespecialiseerde modules gebruiken om deze te extraheren en te verwerken.

Architectuur van de implementatie van kruisreferentiesystemen

De effectieve implementatie van een AI-oplossing voor het vergelijken van reserveonderdelen vereist een goed doordachte architectuur die gegevensverzameling, gegevensverwerking, analyse en integratie met bestaande bedrijfssystemen omvat. Een typische architectuur omvat de volgende componenten:

1. Gegevensbronnen:

   De basis vormen de bestaande systemen van het bedrijf: ERP (Enterprise Resource Planning), PDM (Product Data Management), MES (Manufacturing Execution System), magazijnbeheersystemen (WMS), evenals elektronische catalogi, zoals UNITEC-D E-Catalog. Deze systemen bevatten gedetailleerde gegevens over de componenten, hun kenmerken en gebruiksgeschiedenis.

2. Gegevensopnamelaag:

   Verantwoordelijk voor het verzamelen van data uit diverse bronnen. Inclusief dataadapters en API's om tussen systemen te communiceren. ETL-processen (Extract, Transform, Load) worden gebruikt om gegevens te extraheren, transformeren en laden in één enkele opslag (Data Lake of Data Warehouse).

3. Gegevensverwerkingsplatform (Gegevensverwerkingsplatform):

   Het kan zowel op clouddiensten (bijvoorbeeld AWS, Azure, Google Cloud Platform) als op lokale servers (on-premise) worden geïmplementeerd. Dit platform biedt de nodige computerbronnen voor:

   • Opschonen en normaliseren: geautomatiseerde hulpmiddelen voor het verwijderen van duplicaten, het corrigeren van fouten, het standaardiseren van maateenheden en het opmaken van tekstbeschrijvingen.
   • Gegevensverrijking: toevoegen van aanvullende informatie, bijvoorbeeld kwaliteitsnormen (ISO, DSTU), certificeringen (CE, UkrSEPRO).
   • Constructie van vectorrepresentaties: Transformatie van complexe technische kenmerken en ongestructureerde gegevens (tekst, afbeeldingen) in numerieke vectoren die kunnen worden verwerkt door ML-algoritmen.

4. Modellerings- en analyselaag (ML-modellaag):

   Hier worden getrainde machine learning-modellen gehost en uitgevoerd. AI-modellen worden voortdurend getraind op nieuwe gegevens, waardoor hun nauwkeurigheid wordt verbeterd. De belangrijkste taken van deze laag:

   • Bepaling van gelijkenis tussen componenten.
   • Aanbevelingen genereren voor equivalenten.
   • Beoordeling van de geloofwaardigheid en de risico's van vervanging.

5. Gebruikersinterface en integratie met gerelateerde systemen:

   AI-resultaten worden rechtstreeks in gebruikersworkflows geïntegreerd. Het kan zijn:

   • Webinterface voor ingenieurs en inkoopprofessionals.
   • Integratie met bestaande ERP-systemen, inkoopsystemen of EMS, waardoor u direct aanbevelingen ontvangt in vertrouwde werktools.
   • API voor andere programma's om toegang te krijgen tot de kruisverwijzingsfunctionaliteit.

6. Beveiligings- en monitoringlaag:

   Garandeert de bescherming van vertrouwelijke gegevens in overeenstemming met de vereisten van ISO 27001. Omvat systemen voor het monitoren van de prestaties van AI-modellen en hun nauwkeurigheid, en voor het beheren van gebruikerstoegang.

Met deze architectuur kunt u een betrouwbaar, schaalbaar en veilig systeem creëren dat het complexe proces van het vinden van gelijkwaardige reserveonderdelen automatiseert.

Echte resultaten en economische efficiëntie

De implementatie van AI-gestuurde kruisverwijzingssystemen laat aanzienlijke verbeteringen zien in de operationele prestaties en een aanzienlijke economische impact in industriële ondernemingen. Hieronder vindt u statistieken en voorbeelden uit de echte wereld:

1. De uitvaltijd van apparatuur verminderen:

   Een machinebouwfabriek in de regio Dnipropetrovsk, Oekraïne, registreerde na de implementatie van een AI-systeem waarmee snel analogen van kritieke componenten konden worden gevonden, een reductie van de stilstandtijd van productielijnen met 15%. Dit werd bereikt dankzij de versnelde zoektocht naar reserveonderdelen, die voorheen 4-8 uur duurde, maar nu 15-30 minuten duurt.

2. Optimalisatie van magazijnvoorraden:

   In een van de metallurgische fabrieken in Oekraïne hielp het AI-systeem bij het identificeren van dubbele of overtollige posities van reserveonderdelen, wat leidde tot een vermindering van de magazijnvoorraden met 20%. Hierdoor kwam ongeveer € 500.000 aan werkkapitaal vrij, dat werd geherinvesteerd in upgrades van apparatuur. De terugverdientijd (ROI) van een dergelijke oplossing was ongeveer 12-18 maanden.

3. Verlaging van aankoopkosten:

   Het bedrijf uit de chemische industrie kon de kosten voor de aanschaf van reserveonderdelen verlagen tot 8%. Het AI-systeem identificeerde automatisch goedkopere, maar volledig compatibele en gecertificeerde alternatieven van betrouwbare leveranciers, terwijl de naleving van alle technische normen werd gehandhaafd (bijvoorbeeld DSTU EN ISO 12100 voor machineveiligheid).

4. Verhoging van de technische gereedheidsratio (TSR):

   Op de productielijn met kritische apparatuur steeg de KTG van 0,92 naar 0,95. Dit betekent dat de apparatuur 3% meer tijd beschikbaar was voor werk, wat een directe invloed had op het productievolume.

5. Tijdreductie voor engineeringprocessen:

   In plaats van urenlang handmatig door papieren catalogi of spreadsheets te zoeken, kunnen technici nu binnen enkele minuten nauwkeurige aanbevelingen krijgen. Hierdoor kunnen ze zich concentreren op complexere taken, zoals voorspellend onderhoud of het optimaliseren van productieprocessen.

De totale kosteneffectiviteit van dergelijke systemen overtreft vaak de initiële investering, wat hun waarde bevestigt voor industriële ondernemingen die zich richten op efficiëntie en concurrentievermogen.

Beperkingen en potentiële risico's

Hoewel AI-kruisverwijzingssystemen aanzienlijke voordelen bieden, is het belangrijk om hun beperkingen en potentiële risico’s objectief te beoordelen. AI is een krachtig hulpmiddel, maar geen universeel wondermiddel.

1. Afhankelijkheid van de kwaliteit van invoergegevens ('Garbage in, Garbage out'):

   De nauwkeurigheid en betrouwbaarheid van AI-aanbevelingen zijn rechtstreeks afhankelijk van de kwaliteit en volledigheid van de gegevens waarop deze zijn getraind. Als de invoergegevens fouten, onnauwkeurigheden, weglatingen of tegenstrijdigheden bevatten, genereert het systeem onjuiste of nutteloze resultaten. Dit vereist aanzienlijke investeringen in het verzamelen, opschonen en verifiëren van gegevens in de beginfase van de implementatie.

2. Moeilijkheden bij het werken met 'niet-standaard' details:

   Voor unieke, sterk gewijzigde of zeer oude componenten waarvoor voldoende gegevens ontbreken, kan AI moeite hebben om equivalenten te vinden. In dergelijke gevallen is, net als voorheen, een deskundige beoordeling door ervaren ingenieurs vereist.

3. De behoefte aan menselijke verificatie en validatie:

   Het AI-systeem is een hulpmiddel dat het zoekproces optimaliseert. De uiteindelijke beslissing om kritische componenten te vervangen moet echter altijd aan een gekwalificeerde ingenieur worden overgelaten. Dit geldt vooral voor onderdelen die van invloed zijn op de operationele veiligheid en waarvoor een UkrSEPRO-certificering of naleving van de CE-richtlijnen vereist is. De ingenieur moet alle parameters controleren, inclusief materialen, toleranties en compatibiliteit met het systeem.

4. Initiële implementatie- en ondersteuningskosten:

   Het inzetten van een volwaardig AI-systeem vereist aanzienlijke initiële investeringen in software, hardware en, belangrijker nog, geschoold personeel (gegevensverwerkingsingenieurs, specialisten op het gebied van machine learning). Er zijn ook doorlopende kosten nodig voor het onderhouden, bijwerken en opnieuw trainen van AI-modellen.

5. Integratie-uitdagingen:

   De integratie van een nieuw AI-systeem met de bestaande IT-infrastructuur van de onderneming (ERP, PDM, SUTO) kan complex zijn en aanzienlijke inspanningen vergen om gegevenscompatibiliteit en naadloze uitwisseling van informatie te garanderen.

Gezien deze beperkingen is het belangrijk om de implementatie van AI te benaderen met realistische verwachtingen en een duidelijk begrip van de menselijke rol in het proces.

Eigen ontwikkeling of kant-en-klare oplossing ("Build vs Buy")

Bij het overwegen van de implementatie van een AI-systeem voor de kruisverwijzing van reserveonderdelen worden bedrijven geconfronteerd met een dilemma: hun eigen oplossing ontwikkelen (build) of een commercieel product kopen (buy).

Eigen Ontwikkeling (Bouw):

• Voordelen:
  • Volledige controle: Mogelijkheid om een systeem te creëren dat perfect is aangepast aan de unieke behoeften, processen en IT-infrastructuur van de onderneming.
  • Diepe integratie: Zorgen voor de diepst mogelijke integratie met bestaande interne systemen.
  • Intellectueel eigendom: Het bedrijf is eigenaar van alle ontwikkelde technologie en gegevens.
• Nadelen:
  • Hoge kosten: Aanzienlijke kapitaal- en bedrijfskosten voor ontwikkeling, testen, implementatie en ondersteuning.
  • Tijd tot implementatie: Het ontwikkelingsproces kan 18-24 maanden of langer duren, van idee tot volledige exploitatie.
  • Behoefte aan specialisten: de behoefte aan hooggekwalificeerde specialisten op het gebied van machinaal leren, gegevensverwerking, softwareontwikkeling en domeinexpertise.
  • Projectrisico's: Hoge risico's op projectmislukking en overschrijding van het budget en de deadlines.

Kant-en-klare commerciële oplossing (kopen):

• Voordelen:
  • Snelle implementatie: Mogelijkheid om het systeem relatief snel te implementeren, meestal binnen 3-6 maanden.
  • Bewezen functionaliteit: U krijgt een kant-en-klare, geteste en geverifieerde oplossing met reeds ingebouwde functies.
  • Verminderde risico's: Lagere ontwikkelingsrisico's omdat het product al bestaat en wordt ondersteund door de leverancier.
  • Professionele ondersteuning: Toegang tot deskundige ondersteuning, updates en nieuwe functies van de leverancier.
• Nadelen:
  • Minder flexibiliteit: Beperkte mogelijkheden voor aanpassing aan zeer specifieke vereisten.
  • Leveranciersafhankelijkheid:Leveranciersafhankelijkheid in termen van functionaliteit, prijzen en ontwikkelingsroutekaart.
  • Kosten van licenties: Doorlopende licentie- en abonnementskosten.

UNITEC-D GmbH, als wereldwijde leverancier van MRO-componenten, begrijpt deze uitdagingen. Wij bieden niet alleen hoogwaardige gecertificeerde reserveonderdelen, maar ook deskundige ondersteuning bij de selectie en aanpassing van commerciële AI-oplossingen. Onze technische expertise en diepgaande kennis van de nomenclatuur van reserveonderdelen maken het eenvoudig om gegevens uit onze E-Catalog te integreren in uw AI-systeem, ongeacht de gekozen strategie.

Praktische stappen voor implementatie

Een stapsgewijze aanpak wordt aanbevolen voor engineeringteams en productiemanagers die overwegen een AI-kruisverwijzingsoplossing te implementeren:

1. Gegevensaudit en -evaluatie:

   Voer een gedetailleerde audit uit van de beschikbare gegevens over reserveonderdelen. Evalueer hun volledigheid, nauwkeurigheid en formaat. Identificeer hiaten en bronnen van potentiële verbetering. Dit is de basis voor elk AI-initiatief.

2. Definitie van het proefproject:

   In plaats van te proberen een systeem te implementeren voor het hele volume aan reserveonderdelen, kiest u een kleine maar kritische groep onderdelen (bijvoorbeeld lagers voor een sleuteleenheid of kleppen voor een bepaalde pijpleiding). Hierdoor kunt u snel resultaten boeken en de effectiviteit van de oplossing evalueren met minimale risico's.

3. Keuze van platform en partner:

   Bepaal of een cloudoplossing of een implementatie op locatie geschikt is voor uw bedrijf. Overweeg commerciële aanbiedingen van aanbieders van AI-oplossingen. UNITEC-D GmbH kan adviesondersteuning bieden bij de selectie van compatibele oplossingen en helpen gegevens uit onze E-Catalog aan te passen voor integratie in uw systeem.

4. Voorbereiding van de infrastructuur:

   Zorg voor de nodige rekenkracht en dataopslag. Integratiemechanismen opzetten met bestaande ERP- en SUTO-systemen.

5. Training en aanpassing van personeel:

   Organiseren van trainingen voor engineers, inkoopspecialisten en servicepersoneel. Het is belangrijk dat zij de principes van AI begrijpen en het nieuwe systeem effectief kunnen gebruiken. Moedig feedback aan voor continue verbetering.

6. Continu toezicht en verbetering:

   AI-systemen hebben regelmatige monitoring van hun prestaties en nauwkeurigheid nodig. Verzamel feedback van gebruikers en gebruik deze om modellen opnieuw te trainen, nieuwe functies toe te voegen en het bereik van de reserveonderdelencatalogus uit te breiden.

Door deze stappen te volgen kunnen Oekraïense industriële ondernemingen effectief AI-technologieën implementeren om kruisverwijzingsprocessen te optimaliseren en de algehele efficiëntie van MRO te vergroten.

Conclusie

Het gebruik van kunstmatige intelligentie voor geautomatiseerde kruisverwijzingen naar reserveonderdelen is een belangrijke stap in de richting van de digitalisering van industriële MRO. Met deze technologie kunnen Oekraïense bedrijven de efficiëntie van het voorraadbeheer aanzienlijk verbeteren, de uitvaltijd van apparatuur verminderen en de bedrijfskosten verlagen. AI-systemen analyseren enorme hoeveelheden technische gegevens en geven nauwkeurige en snelle aanbevelingen, waardoor ingenieurs weloverwogen beslissingen kunnen nemen over het vervangen van componenten.

Ondanks bepaalde beperkingen en de noodzaak van investeringen in data en infrastructuur, is het economische rendement van de implementatie van AI-oplossingen aanzienlijk. UNITEC-D GmbH staat als betrouwbare partner op het gebied van industriële componenten klaar om gecertificeerde reserveonderdelen van hoge kwaliteit te leveren volgens de normen van DSTU, EN en ISO, en om uw team te ondersteunen bij het implementeren van geavanceerde MRO-technologieën.

Bezoek de UNITEC-D E-Catalog om gecertificeerde reserveonderdelen van hoge kwaliteit te verkrijgen en M&R-processen te optimaliseren.

Koppeling

• DSTU GOST 520:2014 Rollagers. Algemene technische voorwaarden.
• NL ISO 281:2007 (DSTU ISO 281:2018) Wentellagers. Dynamisch en statisch nominaal draagvermogen.
• ISO 27001:2022 Informatietechnologieën. Methoden en middelen om de veiligheid te garanderen. Beheersystemen voor informatiebeveiliging. Vereisten
• Richtlijn 2006/42/EG betreffende machines (CE-markering).
• Technische regelgeving inzake machineveiligheid (UkrSEPRO).
• DSTU NL ISO 12100:2016 Machineveiligheid. Algemene ontwerpprincipes. Risicobeoordeling en risicobeperking.