Rond de tafel voorspellend onderhoud (predictive maintenance)
25 november 2020

Rond de tafel #3: “Een ode aan de algoritmes of is het nog te vroeg?”

De ins en outs van een algoritme

In ons vorige artikel besproken we of het het risico waard is om de stap naar voorspellend onderhoud te zetten. Nu is het zo dat voorspellend onderhoud onlosmakelijk verbonden is aan algoritmes. Op het eerste gezicht lijkt deze term duidelijk. We hebben er immers dagdagelijks mee te maken. Want of je zoekterm intypt in Google of de belastingaangifte doet – je hebt te maken met een algoritme. 

Juist doordat we er zo vaak mee in aanmerking komen, hebben veelal mensen het gevoel dat ze snappen wat een algoritme is en wat het doet. In de praktijk blijkt dit anders in elkaar te zitten. Daarom vandaag: een stoomcursus algoritmes. Wat zijn algoritmes en waar komt het begrip vandaan? Waar kun je ze voor inzetten en het allerbelangrijkste: hoe gebruik en train je algoritmes? Jos Tiekink en Dion Linthorst gingen samen (online) om tafel om meer duidelijkheid te creëren rondom dit fenomeen.

Wat is een ‘algoritme’?

Eigenlijk bestaan algoritmes al veel langer dan dat onze industriële revoluties gaande zijn. Het woord algoritme en hoe het werkt, hebben we te danken de wiskundige Al-Chwarizmi die leefde in de 9e eeuw. Hij bedacht een wiskundige constructie die allerlei componenten in een bepaalde volgorde samenvoegt om uiteindelijk een vooraf bepaald doel te bereiken. Het bijzondere aan een algoritme is dat het systeem rekening houdt met allerlei mogelijke gebeurtenissen en zich hierdoor constant kan aanpassen. 

“Een algoritme is dus niet meer dan een aantal stappen die je zet om een bepaald doel te bereiken, bijvoorbeeld minder onderhoudskosten”, begint Dion Linthorst. “Vanuit vroeger heeft het dus eigenlijk niets te maken met een grote berg data en technologie, maar met het volgen van stappen om het doel te bereiken. Het algoritme is dus een wiskundige formule die rekening houdt met bijvoorbeeld een piekseizoen en de temperatuur in de hal. Hier gaat jullie data doorheen en komt vervolgens met een voorspelling wanneer er onderhoud gedaan moet worden.”

De definitie van een algoritme luidt dus als volgt: door concrete stappen te volgen, rekening houdend met mogelijke gebeurtenissen, tot het verwachte eindresultaat komen. Het algoritme heeft maar één doel: een probleem oplossen met een duidelijk resultaat. Je kunt het vergelijken met het bereiden van een maaltijd. Je volgt de stappen die het recept je voorschrijft, om het doel te bereiken: een diner.

Rechterhand voor de TD

Het voordeel van algoritmes is dat ze ons helpen. Ze helpen ons om informatie sneller te verwerken en om ingewikkelde keuzes te maken. Daarnaast maken ze kunstmatige intelligentie mogelijk. “Wanneer algoritmes aan bod komen bij voorspellend onderhoud gaan ze altijd gepaard met grote datasets die met technologie zijn verzameld”, vervolgt Dion zijn verhaal. “Er zijn al jaren vele mensen bezig met het ontwikkelen van algoritmes. Hierdoor kunnen wij gebruik maken van een algemene formule. En met kleine aanpassingen is het bruikbaar voor jouw specifieke probleem. Doordat je het zelf kunt aanpassen, kun je het zo complex maken als je wilt.  Er zijn twee elementen die een algoritme accuraat maken: enerzijds de formule en de variabelen daarin en anderzijds de data; die we ook wel input noemen. Het leuke is, je kunt zelf beslissen welke variabelen je gaat gebruiken. Dus bijvoorbeeld de temperatuur of misschien wil je wel verder gaan en gebruik maken van het weer, de piekmomenten of welke onderdelen er vervangen zijn.”

Ter verduidelijking, een voorbeeld

“Een algoritme is dus vergelijkbaar met een hoop dingen die we in het dagelijks leven zouden kunnen zien. Vergelijk het bijvoorbeeld eens met het voorspellen van het weer”, zegt Jos Tiekink. “Elke dag zijn er een heleboel mensen bezig met algoritmes om te voorspellen op welk moment en op welke plek het gaat regenen. Soms zitten ze er naast en soms hebben ze gelijk. Zo werkt het bij predictive maintenance eigenlijk ook. In beide gevallen is er in elk geval data en training nodig om accurate voorspellingen te doen.”

“Daar heb je gelijk in”, zegt Dion. “Zo kun je inderdaad een algoritme uitleggen aan de hand van een alledaags voorbeeld. Het is voor organisaties wel een belangrijke overweging: ga je mee in deze wereld van predictive maintenance en algoritmes om zo tot een accurate voorspelling te komen of stel je deze overgang nog even uit? Om een goede voorspelling neer te zetten, zal je wel geduld moeten hebben. Het is namelijk allemaal een kwestie van trainen om op den duur een goede voorspelling te doen.”

Hoe train je een algoritme?

“Je gaf aan dat een algoritme leert en dus steeds accurater wordt op die manier”, begint Jos zijn vraag. “Hoe kun je een algoritme trainen? Hoe gaat dat in zijn werk?”

“Het is een feit dat niet alle parameters even zwaar wegen, hierdoor zal de voorspelling in eerste instantie niet accuraat zijn. Een voorbeeld:  je weet dat temperatuur een grote rol speelt in het productieproces. Die parameter weegt dus zwaarder dan vibratie. Dat weet het algoritme van te voren niet, dus dat moet je hem nog vertellen zodat je een accurater beeld krijgt. Dit vertellen doe je door bijvoorbeeld de temperatuur zwaarder te laten wegen dan de vibratie in het algoritme. Dus de waarde van de temperatuur doe je bijvoorbeeld x 1.5 en de waarde van de vibratie x 1.0. Zo zorg je er voor dat de temperatuur belangrijker wordt. Dat is de manier waarop we een algoritme trainen. Vervolgens is het belangrijk om opnieuw data in het algoritme te laten lopen en constant aan te passen. Dit aanpassen doe je op basis van de voorspelling en wat er daadwerkelijk op de vloer gebeurt. Zo kun je toewerken naar een perfect werkend algoritme die vertelt wat de assets nodig hebben. Het enige dat het vraagt is tijd, geduld en kennis.”

Wil je meer lezen over het starten met Predictive Maintenance?
Dat kan. In het e-book kun je alles lezen over hoe je van start gaat met Predictive Maintenance en geven we een online invulbaar PDF mee om zelf een business case op te stellen.

Meer lezen over Industrie 4.0
Rond de tafel #1: De impact van Industry 4.0
Rond de tafel #2: “Is Predictive Maintenance de stap en het risico waard?”
Rond de tafel #4: “Verlies de mens niet uit het oog.”