Geleverde Diensten
Samenvatting opdracht
Om productielijnen die 24/7 ingezet worden duurzaam te kunnen blijven gebruiken is onderhoud nodig. Onderhoud moet preventief uitgevoerd worden om ongeplande storingen te voorkomen. Ongeplande storingen leiden namelijk tot onvoorziene kosten en brengen de planning en zo leveringen in gevaar.
Voor onze opdrachtgever hebben we met een machine learning classificatie algoritme een voorspellingsmodel gemaakt wat tijdens productie het risico voorspelt dat in een machinedeel een storing ontstaat. De voorspellingen worden weergeven in een gebruiksvriendelijk dashboard waarmee medewerkers vroegtijdig betere beslissingen kunnen maken. Hierdoor is de ongeplande storingstijd gereduceerd en de betrouwbaarheid van de productieplanning verbeterd.
Vraag opdrachtgever
Onze opdrachtgever produceert met diverse productielijnen producten die gebruikt worden in de voedingsindustrie. De productie vindt volcontinu plaats. Om duurzame inzetbaarheid van de productielijnen te waarborgen vindt periodiek preventief onderhoud plaats. Echter op onverwachte momenten komen storingen voor waardoor een productielijn ongepland stil komt te staan. Hierdoor komen geplande leveringen in gevaar en ontstaan ongeplande kosten. De opdrachtgever vroeg ons te onderzoeken of ongeplande storingen vooraf te voorspellen waren.
Oplossing Data Science Partners
Allereerst hebben we een totaaloverzicht gemaakt van de flow door de fabriek, en hebben we de verschillende eigenschappen en toepassingen van de productielijnen gekwantificeerd. Vervolgens hebben we data verzameld van productiebatches, storingen en uitgevoerde onderhoudsactiviteiten. Deze data hebben we op een slimme manier gecombineerd om hiermee een machine learning model te maken wat middels een classificatie algoritme de kans voorspelt dat een bepaald deel van een productielijn in storing gaat vallen.
Dit model verricht een continue voorspelling tijdens de productie, gebaseerd op historische data, data van de huidige productiebatch en metingen van sensoren uit de productielijn. De voorspelde kans per deel van de productielijn wordt vanuit een dashboard als grafiek in de tijd geplot, waardoor trends duidelijk te zien zijn. Hierdoor is het voor operators en maintenance technicians goed te zien wanneer zich een mogelijk probleem voor gaat doen.
Resultaat
Met data vanuit verschillende databronnen is een machine learning classificatiemodel gemaakt wat de kans voorspelt op het risico tot storing van een bepaald machinedeel. De voorspellingen worden op een duidelijke en gebruiksvriendelijke manier gevisualiseerd in een dashboard. Hiermee zijn productieoperators en maintenance technicians samen in staat om zelfstandig betere beslissingen te nemen. Sinds de inzichten die met het voorspellingsmodel gecreëerd zijn gebruikt worden is de ongeplande storingstijd met 30% teruggedrongen.
