Snellere foutdetectie met AI-on-the-edge
Predictief onderhoud groeit uit tot een belangrijke ondersteuningstechnologie voor moderne productieomgevingen. In tegenstelling tot vaste onderhoudsintervallen helpt het om stilstanden te verminderen, kosten te verlagen en de levensduur van machines te verlengen. Een essentieel onderdeel van deze aanpak is condition monitoring: met sensoren en data-analyse opvolgen hoe gezond machines zijn en afwijkingen tijdig opmerken. In deze blog duiken we in akoestische monitoring en hoe je dit, gecombineerd met AI-on-the-edge, kunt inzetten als een kostenefficiënte stap richting predictief onderhoud.
Akoestische monitoring als niet-invasief alternatief voor vibratiesensoren
Vibratiegebaseerde condition monitoring is een gevestigde techniek om de toestand van roterende onderdelen zoals tandwielen en lagers te beoordelen. Ze werkt met versnellingsmeters die sterke, betrouwbare signalen leveren. Die sensoren zijn echter vaak duur, vragen een fysieke installatie en zijn minder eenvoudig op te schalen wanneer meerdere componenten tegelijk moeten worden opgevolgd.
Akoestische monitoring biedt een laagdrempelige en budgetvriendelijke aanvulling. Met microfoons kan je machines “beluisteren” zonder fysiek contact. Ze zijn snel te plaatsen en in sommige gevallen kan één microfoon zelfs het gedrag van meerdere onderdelen detecteren. Dat maakt de technologie interessant voor complexe machines met veel bewegende delen.
Betrouwbare signalen met AI-on-the-Edge
Met onze Smart Maintenance-testopstelling evalueerden we lagers en verzamelden we microfoongegevens in gecontroleerde omstandigheden. Daardoor konden we:
- de beperkingen van klassieke signaalverwerking in lawaaierige omgevingen analyseren
- een diep neuraal netwerk trainen dat onderscheid maakt tussen gezonde en defecte lagers
- een noise-aware smoothing-stap toevoegen om foutieve achtergrondsignalen weg te filteren
Dankzij het neurale netwerk konden we het overgrote deel van de false positives verwijderen. De resterende meldingen kwamen meestal door complexere omgevingsgeluiden. Met de bijkomende smoothing-techniek konden we ook die storingen verminderen.
Improved maintenance decisions
Uit onze testen blijkt dat microfoons, gecombineerd met een eenvoudig AI-model:
- bijna 100% nauwkeurigheid kunnen bereiken in foutdetectie
- de gemiddelde detectietijd ongeveer halveren
Hoewel akoestische monitoring bij veel bedrijven minder bekend is, biedt het een praktische aanvulling op de predictive maintenance toolbox. Het is kosteneffectief, niet-invasief, eenvoudig te implementeren en geschikt voor een breed scala aan machines.
Onze inzichten delen met de industrie
Binnen het door Europa gefinancierdeAI REDGIO 5.0 project demonstreerden we deze aanpak aan productiebedrijven. We verplaatsten de AI-based dataverwerking van de cloud naar een zelfstandige, draagbare meetbox. Zo konden we tonen hoe meerdere AI-modellen parallel op-the-edge draaien en hoe ze getraind worden voor vroege anomaliedetectie. Met deze set-up lieten we zowel vibratie- als akoestische condition monitoring zien in een realistische industriële context, en onderzochten we hoe AI-on-the-edge onderhoudsteams kan ondersteunen bij het vroeg herkennen van afwijkingen.
Neem contact op met onze experten
Wil je meer weten over trillings- of akoestische condition monitoring, of over AI-on-the-edge dataverwerking? Overweeg je een haalbaarheidsstudie of wil je een businesscase beoordelen?
Met steun van
AI REDGIO 5.0 is een door de EU gefinancierd project dat de digitale transformatie van Europese KMO-bedrijven in de maakindustrie ondersteunt door middel van AI-on-the-edge. Voortbouwend op de Horizon 2020 I4MS- en AI REGIO-programma's verbindt het 43 partners in 18 landen om bedrijven te helpen bij de implementatie van praktische, mensgerichte Industry 5.0-technologieën. Het doel: de toepassing van AI versnellen en de samenwerking tussen regio's versterken – en zo Europa helpen op weg naar slimmere, duurzamere en mensgerichte productie.
De kern van het project lag in de experimenten en samenwerking. Er werden drie soorten experimenten uitgevoerd. Experimenten die door mkb-bedrijven zelf werden uitgevoerd om de praktische toepassingen van AI te demonstreren die de productiviteit en flexibiliteit in fabrieken verbeteren. Test-voor-investeringsexperimenten, uitgevoerd in Didactische Fabrieken, Technologie- en Regelgevingssandboxes voor AI (TERESA's) en Virtuele Fabrieken, verfijnden AI-tools en beoordeelden hun ethische, regelgevende en mensgerichte aspecten.
Disclaimer: Gefinancierd door de Europese Unie. De standpunten en meningen die hierin worden geuit, zijn echter uitsluitend die van de auteur(s) en weerspiegelen niet noodzakelijkerwijs die van de Europese Unie of het Europees Agentschap voor Gezondheid en Digitale Zaken (HADEA). Noch de Europese Unie, noch HADEA kan hiervoor aansprakelijk worden gesteld.
