Skip to ContentSkip to Navigation
Maatschappij/bedrijven Samen onderzoek doen Industry Relations

Slimme robots verbeteren onderhoud in productieproces

Inhoud onderzoek

Onderzoekers van de Faculteit Science and Engineering aan de RUG ontwikkelen in het Mantis-project slimme robots die worden ingezet in een productieproces. De robots voorspellen waar en wanneer onderhoud nodig is aan de hand van big data. Deze data zijn afkomstig uit het monitoren van knelpunten in het productieproces, bijvoorbeeld via sensoren en camera’s. De rol van productiemedewerkers gaat door dit alles veranderen. Doordat zij onderhoudsproblemen aanwijzen en de bijbehorende ingreep voordoen, kunnen robots deze taken gaandeweg leren en overnemen.

Slimme robots voorspellen waar en wanneer onderhoud nodig is
Slimme robots voorspellen waar en wanneer onderhoud nodig is

In de praktijk

Bedrijven uit voornamelijk de maakindustrie liepen tegen hetzelfde probleem aan: het onderhoudsbeleid in een productieproces wordt voornamelijk bepaald op basis van ervaring. Problemen in industriële productielijnen worden nu vaak opgelost door een onderdeel te perfectioneren of te vervangen. Zo wordt één specifiek probleem opgelost. Voor hedendaagse complexe productieprocessen werkt dit niet meer. Het is erg duur en kost te veel tijd. Bovendien: als het ene probleem is opgelost dan zijn er alweer andere problemen. Door slimme robots te integreren in het productieproces is nu vooraf vast te stellen op welke plaats en op welk moment onderhoud nodig is.

Gezamenlijke kansen

De RUG werkt voor dit project nu al samen met 47 bedrijven. De onderzoekers krijgen hierdoor de beschikking over big data die zij in hun onderzoeksproject kunnen gebruiken. Daarnaast kunnen ze de slimme robots in de praktijk testen. De samenwerking stelt de bedrijven bovendien in staat om problemen in het onderhoudsproces aan te pakken. Vaak duurt het tijden voordat een klein onderdeel is vervangen. Gezamenlijk worden robots ontwikkeld die op tijd constateren waar een vervanging nodig is. Zo voorkom je dat het werk op belangrijke knelpunten stil komt te liggen. De oplossingen komen ook beschikbaar voor andere bedrijven. Op termijn kan de Europese industrie daardoor goedkoper produceren en concurrerend blijven.

Het Monk-systeem: robot herkent patronen

Een slimme robot kan zelf leren om onderhoud te plegen. Maar hoe zorg je dat een robot de geleerde patronen in tal van verschillende situaties herkent? Hiervoor maken de onderzoekers uit het Mantis-project gebruik van het door hen ontwikkelde Monk-systeem. Dit systeem herkent woorden door te leren van iemand die met het systeem werkt. Als die persoon voor bepaalde woorden een betekenis geeft dan is het Monk-systeem in staat om soortgelijke geometrische vormen te herkennen voor andere woorden. Bij het Mantis-project wordt in plaats van afbeeldingen van woorden gebruikgemaakt van afbeeldingen van bijvoorbeeld producten of slijtage op instrumenten.

Hoogleraar Lambert Schomaker, Faculteit Science and Engineering aan de RUG: ‘Samen een zelfonderhoudend productieproces creëren’
‘In de toekomst worden slimme robots steeds normaler. Je ziet het nu al met slimme stofzuigers bij mensen thuis. Bij bedrijven worden robots zelfs cruciaal om onderhoudskosten onder controle te houden. Nu worden vaak preventief complete componenten vervangen terwijl maar een klein onderdeeltje defect is. Om die knelpunten op te lossen ontwikkelen bedrijven met ons robots die continu dicht op het proces zitten. Die robots maken voorspellingen over wanneer het onderdeel vervangen moet worden. Vervolgens voert de robot het onderhoud zelf uit en leert of de ingreep zinvol was. Zo creëren we samen met bedrijven een zelfonderhoudend productieproces.‘

In het kort
Projectpartners: Rijksuniversiteit Groningen en 47 bedrijven uit voornamelijk de maakindustrie
Projectleider: prof. dr. Lambert Schomaker (RUG/Faculteit Science and Engineering)
Bijzonderheden: Mantis kreeg een subsidie van ruim € 30 miljoen uit het Horizon2020-programma van de Europese Commissie

Laatst gewijzigd:24 mei 2019 14:38