Robots nemen al geruime tijd fysieke bewegingen en repetitieve taken voor hun rekening. Dat is allemaal prima, totdat de productievloer vertraging oploopt doordat materiaal klaarstaat om op de machine te worden geladen, gezaagde onderdelen ongesorteerd blijven liggen en de volgende bewerkingsstappen stil komen te liggen.
Dat is het moment waarop AI in beeld kan komen en, op termijn, voor een echte ommekeer kan zorgen. Wat kan het aan het proces toevoegen? De mogelijkheid om productiegegevens te gebruiken ter ondersteuning van beslissingen. Zoals Sheet Metal Industries het stelt, kan AI „gegevens omzetten in besluitvormingskracht“ door informatie te gebruiken om veranderingen te signaleren en reacties te verbeteren. Dat klinkt triviaal, of als iets wat een ervaren operator puur op instinct kan doen, maar dat is het niet.
Automatisering is ideaal als het proces voorspelbaar is. Zolang alles hetzelfde blijft, zijn er geen problemen. Het wordt lastiger wanneer die volgorde verandert. Er komen orders binnen met verschillende prioriteiten, machines zijn niet beschikbaar, materiaal loopt vertraging op of een volgende bewerking duurt langer dan verwacht. Een planning die aan het begin van een dienst is opgesteld, sluit dan mogelijk niet meer aan bij wat er enkele uren later op de werkvloer gebeurt.
AI kan deze veranderingen in realtime signaleren en je planning daarop aanpassen. Dat kunnen je meest ervaren medewerkers ook. Wat ze waarschijnlijk niet kunnen, is voorspellen wanneer en waar er problemen zullen ontstaan. Onderzoek naar AI-toepassingen in de plaatbewerking beschrijft hoe gegevens kunnen worden gebruikt om patronen te herkennen voordat procesafwijkingen zichtbaar worden, waardoor de productie in de richting van een meer proactieve aansturing wordt gestuurd.
Voorspellend onderhoud volgt hetzelfde principe. Sensorgegevens zoals trillingen, temperatuur of gebruikspatronen kunnen veranderingen aan het licht brengen voordat deze tot een onverwachte stilstand leiden, waardoor onderhoud gepland kan worden in plaats van dat het pas wordt uitgevoerd wanneer er een storing optreedt.
We hebben het over een verschuiving van reactieve naar moeiteloze, voorspellende productie. Iets wat tot nu toe meer op sciencefiction of wishful thinking leek dan op de werkelijkheid.
Als het om voorbeelden gaat, leent onze sector zich hier bijzonder goed voor, omdat er sprake is van een reeks nauw met elkaar verbonden activiteiten: opslag, nestelen, zagen, lossen, sorteren en verdere verwerking.
En het lasersnijden zelf maakt deze verbanden nog duidelijker. Naarmate de snijsnelheden toenemen, wordt de tijd die nodig is om de volgende plaat te laden en de vorige te verwijderen steeds belangrijker.
Welke rol speelt AI bij het daadwerkelijke snijproces? Nestingsoftware kan algoritmen gebruiken om het materiaalgebruik te optimaliseren. Monitoringsystemen kunnen afwijkende omstandigheden of ontstane knelpunten signaleren. Kwaliteitscontrole is een ander voorbeeld. Door AI ondersteunde beeldverwerking kan beelden analyseren en gegevens verwerken tijdens de productie, in plaats van te wachten tot een voltooide batch wordt geïnspecteerd. Bij vormtoepassingen wordt onderzoek gedaan naar machine learning-systemen voor het voorspellen van defecten zoals scheuren, rimpels, terugvering en overmatige verdunning. Het resultaat is een systeem waarin individuele machines minder geïsoleerd staan van de omliggende bewerkingen.
Zoals The Fabricator aangeeft, kan een fabrikant over zeer productieve apparatuur beschikken en toch elders in de procesketen capaciteit verliezen. Hier kan AI helpen door te doen waar het het beste in is: enorme hoeveelheden informatie in enkele seconden verwerken, iets waar het menselijk brein simpelweg niet op is ingesteld. Het kan verkoop- en offertegegevens analyseren of productiekennis gebruiken ter ondersteuning van calculatie en engineering. Dit breidt het concept van 'connected production' uit tot meer dan alleen machines. Het doel is om ook de vertragingen tussen de commerciële, plannings- en productiefasen te verminderen.
Natuurlijk is de bijdrage van de AI slechts zo goed als de gegevens die je erin stopt. Versnipperde of slecht georganiseerde gegevens beperken de waarde die AI kan opleveren, ongeacht hoe geavanceerd (en duur) de AI is.
Software, machines en transportmiddelen moeten daarom op de juiste manier informatie uitwisselen, en operators en technici moeten de systemen bovendien goed genoeg begrijpen om de resultaten ervan indien nodig in twijfel te trekken.
Hetzelfde principe geldt voor de techniek. AI kan helpen om over het hoofd geziene details op te sporen of routinematig werk te versnellen, maar ervaren mensen moeten het resultaat nog steeds controleren.
De algemene richting is niet simpelweg meer robots of meer AI. Het gaat om een betere uitwisseling van informatie tussen mens en machine. Dit is ook hoe het NIST de ontwikkeling van AI in slimme productie: vooruitgang hangt niet alleen af van algoritmen, maar ook van interoperabiliteit en integratie.
Voor plaatbewerkers betekent dit dat de waarde van AI steeds meer zal worden afgemeten aan iets praktisch: of het ervoor zorgt dat materiaal, informatie en orders met minder onderbrekingen door de productie stromen.
