{"id":16756,"date":"2025-03-14T17:19:37","date_gmt":"2025-03-14T16:19:37","guid":{"rendered":"https:\/\/www.novotek.com\/be\/?post_type=insights&p=16756"},"modified":"2025-12-16T14:48:11","modified_gmt":"2025-12-16T13:48:11","slug":"root-cause-analyse-met-ai-in-productie","status":"publish","type":"insights","link":"https:\/\/www.novotek.com\/be\/insight\/root-cause-analyse-met-ai-in-productie\/","title":{"rendered":"Root cause analyse met AI in productie"},"content":{"rendered":"
\n

Veel productiebedrijven lopen regelmatig tegen het probleem aan dat er ongewenste productvariaties optreden, terwijl men denkt dat er in het proces niets veranderd is. ‘Root cause analyse’ met AI – artificial intelligence – kan hier uitkomst bieden. <\/p>\n<\/div>\n\n

\n

Regelmatig blijkt namelijk uit een nadere analyse dat er steeds weer andere omstandigheden zijn geweest, waardoor productparameters afwijken en zelfs tot afkeur kunnen leiden. Het is een uitdaging om de omstandigheden, die invloed hebben op de kwaliteit van het eindproduct, steeds weer te achterhalen. Lees hieronder hoe een route cause analyse met AI werkt.<\/p>\n<\/div>\n\n

\n

Klassieke classificatie theorie<\/h2>\n<\/div>\n\n
\n

De basis van het probleem is eigenlijk heel simpel. Je hebt een verzameling goede producten en een verzameling minder goede of slechte producten. Daarnaast wil je weten waarom die van elkaar afwijken. Met behulp van de klassieke classificatie theorie is dit vrij eenvoudig op te lossen. Op basis van \u201cleast squares\u201d trekt u een rechte lijn die de twee verzamelingen scheidt.<\/p>\n<\/div>\n\n

\n
\"Least<\/figure>\n<\/div><\/div>\n\n
\n

Het probleem in productieprocessen is echter vaak dat er:<\/p>\n<\/div>\n\n

\n

A) Heel veel be\u00efnvloedende productieparameters<\/strong> zijn;
B) Deze uit verschillende databronnen<\/strong> kunnen komen;
C) En ze ook nog eens in tijd met elkaar kunnen verschillen<\/strong>.<\/p>\n<\/div>\n\n

\n

Je hebt dus eerst en vooral een timeseries database nodig die alle procesparameters digitaal<\/strong> vastlegt. En dat zijn er meer dan je denkt, want het zijn juist die parameters die je niet vastlegt, niet kunt vinden en het proces toch be\u00efnvloeden.<\/p>\n<\/div>\n\n

\n

TIP 1: Log zoveel mogelijk procesdata in een timeseries database. <\/h3>\n<\/div>\n\n
\n

Log zoveel mogelijk procesdata. Vervolgens moet je deze data op de juiste manier aan de productverzamelingen hangen. Je wilt immers de data van goede producten vergelijken met data van slechte producten. Dit kan op veel manieren, maar een goed Smart Factory (MES) systeem<\/a> helpt hier enorm.<\/p>\n<\/div>\n\n

\n

Hierin zit namelijk als het goed is de hele traceability<\/strong> van het product in opgeslagen en weet je dus in welke periode het product bij welke machine is geweest. Met die start- en eindtijden kun je de juiste data uit je timeseries database halen. <\/p>\n<\/div>\n\n

\n

TIP 2: Gebruik een Smart Factory (MES) systeem om de bewerkingstijden van je product op elke machine te registeren.<\/h3>\n<\/div>\n\n
\n
\"Route<\/figure>\n<\/div>\n\n
\n

In de laatste stap dien je de data in twee sets te combineren om te analyseren waar de verschillen zitten (Route Cause Analyse). Er zijn hier verschillende tools voor beschikbaar waaronder Proficy CSense van GE Vernova.<\/a><\/p>\n<\/div>\n\n

\n

Machine Learning \/ AI techniek<\/h3>\n<\/div>\n\n
\n

Met Proficy CSense<\/a> kun je eenvoudig data uit verschillende bronnen laden<\/strong>, visualiseren<\/strong> en contextualiseren<\/strong>. Daar kunt u vervolgens de classificatietheorie op loslaten. Dit komt feitelijk neer op Machine Learning<\/strong>, waarbij je een model bouwt dat het verschil tussen de twee productgroepen laat zien. Het model kan vervolgens op elk gewenst tijdstip laten zien welke omgevingsparameter de meeste invloed heeft gehad op het verschil tussen de goede en de slechte producten.<\/p>\n<\/div>\n\n

\n
\n<\/div>\n\n
\n
<\/div>\n<\/div>\n\n