Geautomatiseerde foutdiagnose stroomlijnt service in het veld

‘Bij Canon Production Printing verdiepen we ons al een tijdje in voorspellend onderhoud’, zegt Peter Kruizinga, lead technologist bij het in Venlo gevestigde bedrijf. ‘Door machinedata te analyseren, beogen we een nauwkeurig beeld te krijgen van wanneer een printer of een van zijn onderdelen kapotgaat, zodat we een service-engineer kunnen sturen om het probleem voor te zijn. We hebben dit al met succes toegepast bij de transportbanden in onze systemen: een significante stijging van het stroomverbruik van een aandrijving is een direct teken van een naderende storing, dus als we dat zien gebeuren, kunnen we iemand langssturen om de motor te vervangen voordat hij kapotgaat.’

Niet alle gevallen zijn echter zo eenduidig. ‘Een printer bestaat uit duizenden onderdelen’, weet Kruizinga. ‘Voor veel van die onderdelen zijn er helaas geen directe indicatoren, dus om de oorzaak van een probleem te achterhalen, hebben we veel indirecte informatie nodig, die vaak niet beschikbaar is. Voor een specifiek onderdeel kan de faalwijze ook van situatie tot situatie verschillen. We realiseerden ons dat we voor het doen van voorspellend onderhoud op structurele basis een groot aantal puzzels moeten oplossen, en om alle stukjes te pakken te krijgen, moeten we stappen zetten in de probleemdiagnose.’

Met voorspellend onderhoud als uiteindelijk doel ligt de focus in eerste instantie op correctief onderhoud. Kruizinga: ‘Onze printers worden geleverd met een uitgebreide handleiding en verschillende ingebouwde diagnostische tests. Toch zien we dat onze servicemonteurs vooral op hun ervaring afgaan als ze worden ingeschakeld om een probleem op te lossen in het veld. We willen hen helpen om sneller de hoofdoorzaak te vinden. De eerste stap is het verbeteren van onze diagnostische mogelijkheden achteraf, dus nadat een probleem zich heeft voorgedaan. De volgende stap is om problemen ook van tevoren te kunnen zien aankomen.’

In het tweejarige Carefree-project, dat in januari 2020 van start is gegaan, werkt Canon Production Printing (CPP) samen met ESI (TNO) om potentieel falende onderdelen te identificeren en mogelijke problemen te voorspellen. Door modellen te combineren met actuele machinedata, bouwen de partners een zelflerend diagnosesysteem dat de oorzaak van een toekomstig probleem kan vaststellen of kan adviseren waar en hoe meer informatie moet worden verzameld. Op die manier kan tijdig actie worden ondernomen om lange en dure stilstandtijden te voorkomen.

Bayes

De Carefree-aanpak is gebaseerd op zogeheten Bayesiaanse netwerken. ‘Gegeven een probleem kan zo’n netwerk je leiden naar de meest waarschijnlijke hoofdoorzaak’, legt Jos Hegge, senior projectleider bij ESI, uit. ‘Het stelt je in staat om ‘bewijsmateriaal’ in te voeren, zoals foutmeldingen, en het berekent vervolgens de effecten van dit bewijsmateriaal, waarbij de waarschijnlijkheden worden bijgewerkt en nieuwe conclusies worden getrokken over de meest waarschijnlijke oorzaken. Het kan ook je zoektocht stroomlijnen door voor te stellen welke tests je moet uitvoeren om sneller tot een resultaat te komen.’

Het grootste nadeel van Bayesiaanse netwerken is dat ze de neiging hebben om heel snel heel groot te worden. ‘Voor een professionele printer, bestaande uit duizenden componenten, is het met de hand creëren van zo’n netwerk een tamelijk hopeloze onderneming, zeker als je bedenkt dat je het netwerk telkens moet aanpassen als je het systeemontwerp tweakt’, merkt Hegge op. ‘Daarom hebben we een abstractielaag toegevoegd in de vorm van een hoogniveautaal waarmee we een diagnostisch model kunnen beschrijven, dat we vervolgens automatisch kunnen omzetten in een Bayesiaans netwerk.’

Op dit moment worden de modellen nog handmatig gemaakt. ‘Het uiteindelijke doel is om het Bayesiaanse netwerk te kunnen genereren uit de ontwerpdocumentatie van een printer’, stelt Hegge. ‘Omdat dat zeer hoge eisen stelt aan de brondocumenten, hebben we besloten voorlopig genoegen te nemen met deze tussenliggende abstractielaag. Later, op een zelfgekozen moment, kan CPP de draad weer oppakken waar het project is gebleven.’

Voor Kruizinga van CPP is de beschrijvingstaal een van de belangrijkste wapenfeiten van Carefree. ‘Een Bayesiaans netwerk maken is echt vakmanschap. Dankzij de abstractielaag kunnen we het specificatiewerk nu in handen leggen van softwareontwerpers die niet zo’n specialistische achtergrond hebben, maar die gewoon met hun kennis van de applicatie de klus kunnen klaren. Ook hoeven we het Bayesiaanse netwerk niet meer steeds handmatig te updaten als we het systeemontwerp veranderen.’

Hybride AI

De in Carefree gemaakte diagnostische modellen bestaan uit abstracte representaties van printercomponenten, hun capabilities en waarneembaar foutief gedrag. ‘Elke printer heeft een papierinvoermodule, met een lifttafel die telkens een stukje omhoog beweegt als er een vel in de machine wordt ingevoerd’, geeft Kruizinga als voorbeeld. ‘Voor deze module hebben we een model gebouwd met componenten als de liftmotor en de ladesensoren. De liftmotor heeft als capabilities dat hij omhoog en omlaag kan bewegen en een van de sensoren kan de omhoog-positie detecteren. Zowel de opwaartse beweging als de detectie van de opwaartse positie kan leiden tot de foutsituatie dat de lifttafel te laat bij de sensor is.’

Het model omvat voor elk onderdeel de kans dat het zich in een bepaalde toestand bevindt, voor elke capability de kans dat deze actief is en voor elke fout de kans van optreden. Deze kansen zijn gebaseerd op fabrieksspecificaties of ze kunnen worden afgeleid uit historische machinedata. ‘Dezelfde papierinvoermodule gebruiken we in een breed scala aan printers’, illustreert Kruizinga. ‘Dit levert ons een gedetailleerd inzicht in de frequentie waarmee componenten en capabilities falen en fouten optreden in de praktijk, waardoor we de a priori waarschijnlijkheden nauwkeuriger kunnen bepalen.’

Door de waarschijnlijkheden bij te stellen op basis van bewijsmateriaal uit het veld, is het mogelijk om de hoofdoorzaak van een storing aan te wijzen. Kruizinga: ‘Als de printer een foutmelding geeft dat de lifttafel te laat bij de sensor is aangekomen, kunnen we de waarschijnlijkheid dat die fout optreedt op 100 procent zetten. Deze verandering verspreidt zich dan door het model en beïnvloedt de andere kansen. De kans dat de liftmotor defect is, wordt bijvoorbeeld hoger. Aanvullend bewijs kunnen we verkrijgen door diagnostische tests uit te voeren op de printer. Als uit zo’n test blijkt dat de omhoog-positie met succes kan worden gedetecteerd, kunnen we de waarschijnlijkheid van die capability op 100 procent zetten. Door de sensor als bron van het probleem te elimineren, stijgt de waarschijnlijkheid van een defecte motor tot bijna 100 procent, wat ons de waarschijnlijke hoofdoorzaak geeft.’

Met behulp van kunstmatige intelligentie denken de projectpartners de diagnostische prestaties nog een extra impuls te kunnen geven. ‘We willen de waarschijnlijkheden nog nauwkeuriger maken door AI-technieken toe te passen op daadwerkelijke sensorgegevens van de printer. We overwegen ook om AI te gebruiken om nuttige informatie uit gebruikersprofielen te halen – het zou heel goed kunnen dat specifieke printopdrachten tot andere slijtage leiden dan volumewerk’, stelt Hegge. ‘Deze hybride AI-benadering, waarbij menselijke kennis wordt verfijnd met door de computer gegenereerde inzichten, is binnen Canon goed ontvangen.’

Systeemontwerp

Hoewel de voorlopige projectresultaten al veelbelovend zijn, ziet Hegge nog veel meer potentie. ‘Er zijn nog veel relaties bloot te leggen binnen het printerdomein – denk aan allerlei thermische en mechanische interacties. Die hebben we nog niet in onze modellen opgenomen, maar ze zouden van groot belang kunnen zijn bij het verbeteren van de beslissings-engine.’

De technologie kan ook nuttig zijn tijdens de systeemontwikkeling. Hegge: ‘In een eerder project bij ASML hebben we de benadering toegepast om design for diagnostics te doen. Als het niet mogelijk is om in één stap van een foutmelding naar de trigger van de fout te gaan, is dat een goede reden om extra sensoriek in te bouwen.’ Kruizinga: ‘Het gebruik van de technologie in het systeemontwerp is voor ons ook een interessante onderzoeksrichting. Welke extra tests kunnen we in de printer inbouwen om de diagnostiek te verbeteren?’

Carefree legt de technologische basis waarop CPP een onderhoudstool kan bouwen voor eenvoudige troubleshooting in het veld. ‘Wanneer zich een probleem voordoet bij een van onze klanten, sturen we een servicemonteur op pad. Nadat hij de tool heeft gevoed met de foutmeldingen en ander ter plekke aangetroffen ‘bewijsmateriaal’ en een aantal aanvullende tests heeft uitgevoerd zoals voorgesteld door de tool, kan hij snel de oorzaak van het probleem achterhalen door de resultaten van de tool te combineren met zijn eigen expertise’, stelt Kruizinga zich voor. ‘Het gaat om de combinatie van computerslimheid en menselijke vaardigheden. De tool is niet bedoeld om onze servicemonteurs te vervangen maar om hen te helpen hun werk nog beter te doen.’

‘Bij ESI hebben we veel ervaring opgebouwd met dit soort diagnostische uitdagingen – in de samenwerking met ASML maar ook met bijvoorbeeld Thales. In het Carefree-project brengen we deze kennis in bij Canon’, besluit Hegge. ‘Ons doel is om een hybride AI-benadering te ontwikkelen die kan worden gebruikt om het onderhoud van professionele printers te stroomlijnen, maar die ook nuttig is voor de hightech industrie als geheel.’ Binnen TNO is Carefree onderdeel van een breed [onderzoeksprogramma over de toepassing van AI(tno.nl/nl/aandachtsgebieden/artificiele-intelligentie).

Dit artikel is geschreven in nauwe samenwerking met Canon Production Printing en ESI (TNO).