Platform voor de metaal- & staalverwerkende industrie
Voor het gemiddelde metaalbewerkingsbedrijf lijken de krantenkoppen over artificiële intelligentie die de industrie ingrijpend verandert, ver van hun bed. De meeste metaalbewerkers hebben hun handen nog vol aan verouderde databases, op maat gemaakte ERP-systemen, decennia-oude apparatuur en geen of te kleine IT-teams. In deze omgevingen is AI vaak te ontwrichtend, te riskant of simpelweg onverenigbaar met de manier waarop het werk daadwerkelijk wordt gedaan. Maar er is een duidelijke verschuiving gaande naar meer realistische paden voor bedrijven die zich geen downtime kunnen veroorloven, maar weten dat ze moeten moderniseren om concurrerend te blijven.
De cloud belooft schaalbaarheid en toegankelijkheid, maar voor een hands-on sector als de metaalbewerking gaat die belofte gepaard met aanzienlijke nadelen. De realiteit op de werkvloer botst vaak met de aannames die in veel cloud-AI-oplossingen zijn ingebakken. Allereerst is er het risico op verstoring en downtime. De omzet van een fabrikant is direct gekoppeld aan de uptime en doorvoer van machines. Het idee om de activiteiten maandenlang stil te leggen voor een grondige systeemvernieuwing is ondenkbaar. Bovendien brengt afhankelijkheid van een cloudprovider externe risico’s met zich mee. Een internetstoring of een probleem in een verafgelegen datacenter kan een verbonden fabriek tot stilstand brengen, een risico dat directe en onmiddellijke financiële kosten met zich meebrengt.
En dan hebben we het nog niet over de gevaren van hackers, datalekken en de bescherming van die data. Het concurrentievoordeel ligt in onze sector vaak in de eigen processen, op maat gemaakte ontwerpen en door de jaren opgebouwde klantrelaties. Je mag er niet aan denken dat men de gegevens van jouw werkplaats zou gebruiken om modellen te trainen, die op termijn een concurrent ten goede zouden kunnen komen.
Ten slotte is de verouderde omgeving in een werkplaats een probleem. De typische werkplaats is geen steriele, homogene IT-omgeving. Het is een dynamische setting waar een 25 jaar oude plooibank naast een gloednieuwe fiberlaser werkt. Veel AI-oplossingen zijn net ontworpen voor moderne, gestandaardiseerde systemen en hebben moeite om te integreren met dit soort diverse, en vaak verouderde, infrastructuur.
Deze kloof wordt nog vergroot door het tekort aan vaardigheden. Bij de meeste kleine tot middelgrote fabrikanten hebben IT-medewerkers hun handen al vol aan het draaiende houden van bestaande systemen. Ze beschikken niet over de gespecialiseerde expertise en bandbreedte om AI-integraties te beheren of een duizelingwekkend aantal leveranciers te beoordelen.
Maar dat AI onmiskenbare voordelen brengt, valt niet te ontkennen. In metaalverwerkende omgevingen is het dan misschien beter om uit de cloud te blijven en al een deel van de risico’s te elimineren en toch een aantal voordelen te benutten.
On-premise AI is niet alleen interessant om de eigen data te beschermen, het heeft een bijkomend voordeel. Realtime processen zoals robotbesturing, inline kwaliteitscontrole en geautomatiseerde machineaanpassingen vereisen reactietijden van milliseconden die door internetlatentie in het gedrang kunnen komen. On-premise systemen, die op een lokaal netwerk draaien, bieden de vrijwel onmiddellijke verwerking die nodig is voor deze kritieke taken op de fabrieksvloer.
Dit klinkt misschien allemaal theoretisch, maar de verschuiving is vandaag de dag al aan de gang op de werkvloer. In productieomgevingen wordt lang opgebouwde menselijke expertise steeds vaker vertaald naar praktische AI-toepassingen. Inspecties waarvoor vroeger de vaardigheid van een ervaren operator nodig was om defecten te detecteren op basis van zicht en geluid, worden nu aangevuld met AI-modellen die realtime sensorgegevens verwerken.
Een voorbeeld: sensoren kunnen nu rechtstreeks op bestaande apparatuur worden gemonteerd om te luisteren naar het geluidspatroon van een las, terwijl deze wordt aangebracht. Door subtiele frequentievariaties te analyseren in het geluid van gesmolten metaal dat in het lasbad terechtkomt, kunnen on-premise AI-modellen in realtime problemen zoals porositeit of onvoldoende versmelting identificeren, inclusief defecten die met het blote oog onzichtbaar zijn. Een perfect toepasbaar voorbeeld.
Het systeem vereist geen vervanging van dure lasstroombronnen of robots. Het is een hulpmiddel dat het bestaande proces aanvult en direct op de apparatuur wordt gemonteerd die lassers al gebruiken. Het biedt onmiddellijke, bruikbare feedback op de werkvloer, waardoor correcties kunnen worden aangebracht voordat een onderdeel de formele inspectiefase bereikt. Het houdt alle gegevens lokaal en werkt zonder enige afhankelijkheid van een cloudverbinding. Het is integratie, geen vervanging.
Wie zich afvraagt hoe dat moet: de weg naar AI-implementatie hoeft niet te beginnen met een enorme investering. Het kan beginnen met één enkel, hardnekkig probleem en een stappenplan naar een oplossing.
De eerste vraag zou niet moeten zijn “Hoe kunnen we AI gebruiken?”, maar eerder “Wat is onze grootste operationele bottleneck?” Is het een wisselende kwaliteit van een specifiek onderdeel? Ongeplande stilstand van een cruciale machine? Inefficiënt materiaalgebruik op de lasersnijmachine? Identificeer één enkel, ingrijpend probleem dat, indien opgelost, een duidelijk rendement op de investering zou opleveren.
AI heeft gegevens nodig. Bekijk de gegevens die je al hebt. Dit kunnen sensorlogboeken van een CNC-machine zijn, kwaliteitscontrolerapporten van een inspectiestation of productieschema’s uit jouw ERP. De gegevens hoeven niet perfect te zijn, maar je moet wel begrijpen wat je hebt, waar het zich bevindt en in welke staat het verkeert. Deze eerste beoordeling is cruciaal om de haalbaarheid van een AI-project te bepalen.
Je hoeft jouw legacy-systemen niet volledig te vervangen. Moderne AI-tools kunnen op verschillende manieren worden geïntegreerd. Applicatieprogrammeerinterfaces kunnen fungeren als brug tussen oude software en een nieuwe AI-toepassing. Voor oudere apparatuur zonder digitale uitgangen is het achteraf inbouwen van moderne sensoren om gegevens te genereren een kosteneffectieve eerste stap.
Rol een nieuw AI-systeem niet in één keer uit over de hele werkvloer. Begin met een proefproject in een gecontroleerde omgeving – een sandbox. Test het AI-model, valideer de prestaties en werk de kinderziektes weg. Zodra het zijn waarde op kleine schaal heeft bewezen, kun je het stapsgewijs implementeren, waarbij je ervoor zorgt dat de dagelijkse activiteiten soepel blijven verlopen.
