Toepassen van Artificiële Intelligentie (AI) voor Maintenance & Reliability Engineers

In het ESF-project vormAInt ontwikkelde BEMAS samen met zijn partners een aanbod van praktijkgerichte opleidingen om operatoren, technici, leidinggevenden en ingenieurs in asset intensieve omgevingen (beter) gebruik te laten maken van Artificiële Intelligentie toegepast in onderhoud en asset management. AI laat immers toe om aankomende storingen te voorspellen, waardoor er ongeplande stilstanden en technische incidenten kunnen worden vermeden. In de toekomst zal u in uw organisatie ook te maken krijgen met Artificiële Intelligentie (AI). Het is daarom belangrijk om nu al kennis te maken met de mogelijke toepassingen van deze technologie en de impact hiervan op uw takenpakket.

Om dit te bewerkstelligen, organiseert BEMAS daarom in samenwerking met verschillende specialisten ter zake een 11-daags opleidingstraject over het “Toepassen van AI voor Maintenance & Reliability Engineers”, een diepgaande hybride opleiding, waarbij deelnemers concrete vaardigheden en competenties kunnen opdoen om te werken met AI in hun dagdagelijkse werkomgeving. De opleiding combineert theorie met praktische labo’s.

Twee keer per jaar, 1 keer in het najaar (in Herentals) en 1 keer in het voorjaar (in Gent), zal de 6-daagse theoretische opleiding georganiseerd worden. In de zomermaanden volgen de praktijklabo’s (in Gent) zodat u het geleerde kan toepassen in de praktijk.

 

Leerdoelstellingen

In deze diepgaande theoretische opleiding van 6 dagen leert u de volgende zaken:

• Definiëren en toelichten van de verschillende AI analyse technieken en vaak gebruikte termen in AI, predictive analytics en big data analyse
• Kennen en begrijpen welke elementen in kwaliteitsvolle onderhoudsinterventierapporten moeten bevatten voor de (latere) toepassing van AI en wat binnen een organisatie moet ondernomen worden om dit te realiseren
• Inzien wat het belang is van de kwaliteit van onderhoudsdata voor de (latere) toepassing van AI  en wat binnen een organisatie moet ondernomen worden om deze data te bekomen
• Kennen en begrijpen van de verschillende maturiteitsniveaus in onderhoud voor het toepassen van AI (kunnen uitvoeren van een maturiteitsscan van uw bedrijf)
• Begrijpen wat de impact van AI algoritmes kan zijn op betrouwbaarheid en beschikbaarheid 
• Begrijpen en toepassen van de fundamentele inzichten en principes van AI in onderhoud: 
  • predictieve modellering en andere modelleringstechnieken
  • classificatie, regressie, forecasting, anomaliedetectie, RUL
  • supervised, semi-supervised, unsupervised learning, Reinforcement learning
  • trainen, evalueren, feature selectie, overfitting, 
  • verwerken van tijdreeksen: resampling, filtering, ... 
• Begrijpen wat de mogelijkheden zijn van Prescriptive analytics op vlak van onderhoud, ihkv automatische bijsturing.
• Hoe omgaan met persoonsgebonden data met betrekking tot het onderhoudsgebeuren.
• Kennen, begrijpen en kunnen toepassen wat de mogelijkheden zijn om data te capteren via extra en bestaande sensoren, datasystemen en toestellen en hoe dit in de praktijk kan worden toegepast.
• Begrijpen wat de mogelijkheden zijn om data te capteren via extra en bestaande sensoren, datasystemen en toestellen en hoe dit in de praktijk kan worden toegepast.
• Herkennen van aandachtspunten bij datacollectie (missing data, data compressie, samenvoegen van verschillende databronnen, ...) 
• Herkennen van aandachtspunten bij datacollectie (missing data, data compressie, samenvoegen van verschillende databronnen, ...)
• Begrijpen wat de mogelijkheden voor machine-to-machine communicatie, draadloos en bekabeld, over korte en lange afstanden en hoe dit in de praktijk kan worden toegepast
• Selecteren, voorbereiden, verwerken en verrijken van industriële data.
• Begrijpen welke softwaretools en platformen voorhanden zijn voor de implementatie van AI toepassingen.
• Inzien wat het belang is van Cybersecurity en Datasecurity en weten hoe dit kan aangepakt worden in de praktijk
• Begrijpen wat  kritische succesfactoren zijn om met AI en predictive analytics tot betrouwbare resultaten te komen voor toepassingen in onderhoud en analyseren welke stappen dienen te ondernomen worden.
  • vaak voorkomende fouten in projecten (bv succesvolle implementatie, betrokken partijen, project management, evaluatie van AI modellen, en onderhoud van de modellen)
• Het integreren van output van predictieve modellen in bestaande data collectie / visualisatie platformen en begrijpen hoe dit in de praktijk kan worden toegepast
• Managen van de opgedane kennis in AI projecten en uit AI modellen
  • kennisbeheer in de organisatie

 

Programma

 

Theoriemodules

 

Module 1 – Introductie tot AI

• Waarom nu AI?
  • Kader / historiek
  • Verschil met de klassieke aanpak
• Wat is AI / wat is het niet?
• Veel gebruikte terminologie
• Voorbeelden vanuit het dagelijkse leven
• Voorbeelden specifiek naar onderhoud en engineering toe
• High level process roadmap

 

Module 2 – Data engineering : Data captatie

• Soorten data
  • Sensoren 🡪 data types – analoog/digital
  • Procesdata
  • Financiële data
  • Persoonsdata
  • Gestructureerd / niet-gestructureerd
• Lagenmodel: van sensor 🡪 ERP
• Data typologie
  • Categorisch/continue/ordinal/ratio
• Data compressie & opslag / databanken
• Edge computing
• Data reliability
  • Detectie / onderhoud

 

Module 3 – Data engineering : Data preparatie

• Combineren van data
  • Events log
  • Tijdsschakering
  • Aggregatie niveau’s
• Validatie- en trainingsset
• Data selectie – rijen & kolommen
  • Exploratie <-> hypothese
• Data cleansing
• Sampling alignering
• Repeatability

 

Module 4 – Data science : Feature engineering

• Human engineered
• First principle base
• Dimensiereductie
• Automated “meaningless” feature generation
• Doelen van features
• Image and sound processing
• Features from natural language

 

Module 5 – Data science : AI modellen en tooling

• Supervised vs unsupervised learning
• Classificatie, regressie, anomaliedetectie
• Linear vs non-linear
• Neural networks, deep learning
• Optimalisatie
• Re-inforcement learning
• Recommended engines
• Decision trees
• Evaluatie van performantie van modellen
• Data science cheat sheet
   

Module 6  –  Data engineering : Platformen

• Commercieel
• Specifiek vs generalistisch
• Open source
• Off the shelf / tailormade
• Pro’s / contra’s van de verschillende platformen
• Visualisatie aspect
• Soorten aanbieders
• Rest API’s
• Demo van tools
• Combinatie van platformen om volledige cyclus te dekken

 

Module 7 - Maturiteitsscan

• Plan B: wat indien AI niet succesvol is?
• Technische uitrusting – sensoren/data captatie
• Data kwaliteit / beschikbaarheid
• IT
  • Data management
  • Security
• Human skills
  • Data science
  • Business translation – business translators
• Maintenance logs <-> process data
• Architectuur
• Burning platform
• Bereidheid om te leren volharden

 

Module 8 – Integratie in processen

• Dimensie technologie: HMI/dashboard
• Dimensie mens: Human in the loop
• Frequentie: on demand / event based
• Terugkoppeling naar systemen (CMMS/ERP/…)
• Model monitoring
• Stapsgewijze introductie
  • Change management
• Data flows
• Hoe ermee omgaan / welke acties ondernemen
   

Module 9 - Implementatie

• Strategisch – tactisch – operationeel
• Exploratie – prototype – deploy – sustain
• Assess – Identify – Generate – Collect – Analyze – Visualize - Act

 

Vereiste voorkennis

• Kennis van de fundamentele principes van onderhoud en betrouwbaarheid
• Vlot gebruik van digitale tools en vlot kunnen aanleren van nieuwe softwaretools
   

 

Methode

Aan de hand van toelichtingen van praktijktoepassingen van AI in de industrie (kwaliteitscontrole, defectdetectie, predictief onderhoud, …) en het aantonen van hoe bepaalde acties in de praktijk kunnen gebracht worden aan de hand van voorbeelden en/of concreet advies, kan u het geleerde nadien toetsen en toepassen in de praktijk. Op het einde van de opleiding bewijst u tijdens het examen uw verworven kennis.

 

Over de lesgevers

Tom Rombouts wijdt zijn carrière volledig aan maintenance-organisaties: productie- en projectplanning, proces & reliability engineering, werkvoorbereiding en coördinatie van revisies, kwaliteitsmanagement, QA en kwaliteitsopvolging van kritische wisselstukken, automation en data innovation ... Sinds 2017 is Tom Reliability consultant en gecertificeerd trainer/coach bij I-care. Met zijn uitgebreide kennis begeleidt hij ook verschillende industriële spelers bij hun maintenanceplanning, FMEA en projecten rond data-innovatie.

David Verstraeten heeft een opleiding als burgerlijk ingenieur in de Computerwetenschappen en daarna een doctoraat in AI/Machine learning aan de Ugent behaald in de groep Reservoir Lab. Na nog 3 jaar als postdoctoraal onderzoeker gewerkt te hebben bij dezelfde onderzoeksgroep is hij in Yazzoom gestapt als managing partner en engineering manager, waar hij de voorbije 10 jaar verantwoordelijk is voor het technische management van Yazzoom’s data science en software ontwikkelingsteam. Yazzoom is gespecialiseerd in de toepassing van AI/ML op industriële data, onder meer met hun software Yanomaly voor monitoring, predictive en diagnostic analytics op machine data.

Steven Raekelboom is Technology and Innovation director voor The Grain. Hij heeft een achtergrond in economie, IT, statistiek en heeft een Master in artificiële intelligentie. Steven werkt reeds meer dan 20 jaar als data scientist en realiseerde verschillende AI projecten voor wereldspelers binnen diverse industrieën.

Pascal Bejstrup is Commercial & Finance Firector bij The Grain. Hij heeft veel ervaring in maintenance & reliability engineering en asset management, waarvan meer dan 10 jaar in de industriële onderhoudssector en meer dan 10 jaar in de drinkwaterindustrie. Hij is gediplomeerd als MSc civiel-mechanisch ingenieur en heeft een Executive MBA (Insead). Zijn kernexpertise bevinden zich binnen onderhoudsstrategie, operations en projectmanagement.