IN THE FIELD  
Maintenance Magazine 150 – november 2020

Artificiële intelligentie in stockbeheer

Een goed beheer van reserveonderdelen draait om twee tegenstellingen. Erover waken dat er voldoende voorraad in het magazijn ligt om de productie draaiende te houden. Erover waken dat er niet te veel voorraad in het magazijn ligt om geen financieel kapitaal te laten verdampen. Met artificiële intelligentie zou men een stapje dichter kunnen komen in het vinden van de gulden middenweg tussen beide. En dit is heus geen verre toekomstmuziek. De technologie ervoor bestaat vandaag al.

De grote variatie aan stukken en het lage volume dat ze betekenen in de omzet maken het beheer van reserveonderdelen bijzonder uitdagend voor elk bedrijf. Nochtans kan het een grote impact hebben op de productie. Een item dat niet op voorraad ligt kan een volledig bedrijf op zijn knieën brengen. En dat hoeft niet eens om complexe, moeilijk te verkrijgen stukken gaan. Vraag het maar aan Elon Musk die zijn volledige productielijn voor Tesla tot stilstand zag komen door een gebrek aan USB-kabels (wegens een probleem bij de leverancier) om het computersysteem van de wagen aan te sluiten. Voorraadbeheer van reserveonderdelen is dus meer dan alleen iets wat in stoffige magazijnen moet gebeuren. Het verdient alle aandacht van het management en bijhorende investeringen. De berekening die als rode draad kan dienen om het evenwicht te vinden tussen de beschikbaarheid van een onderdeel en de kost van het magazijn, gaat als volgt: de kost van onbeschikbaarheid (per dag) x de doorlooptijd x de failure rate. Als die hoger ligt dan de eigenlijke opslagkost dan hoort het reserveonderdeel sowieso in de voorraad thuis.

Hoe meer sites, hoe moeilijker voorraadbeheer

In vergelijking met andere materialen die op voorraad gehouden worden, brengen reserveonderdelen nogal wat eigenheden met zich mee. Ze verschillen enorm in waarde, de vraag ernaar is laag en willekeurig wat de kosten per stuk hoog doen oplopen. Bovendien is het bijzonder moeilijk voorspellingen te doen over de benodigde hoeveelheid door de onregelmatige vraag. Een bijkomend aandachtspunt is de manier waarop ze omschreven staan. Ieder heeft zo zijn eigen manier van classificeren, catalogeren en beschrijvingen maken, vaak in de eigen taal. Afdelingen werken nog te veel in silo’s, waardoor dat mogelijk is. Die verschillen worden nog groter wanneer er over verschillende sites en landen gewerkt wordt. Hierdoor verhoogt de kans op duplicaten in het systeem en wordt een efficiënt beheer nog moeilijker. En dat maakt ook de stap naar predictief onderhoud een stuk groter.

Hoe AI kan helpen

Net om die al redenen biedt de introductie van software en artificiële intelligentie enorm veel potentieel. Niet alleen in zijn toekomstige, maar ook al in zijn huidige vorm, op voorwaarde tenminste, dat het gebruikt wordt als onderdeel van het systeem, onder het auspiciën van menselijke intelligentie. Artificiële intelligentie kan op twee manier bijdragen tot een verbeterd beheer van reserveonderdelen. Allereerst kan het een instrument zijn om de vraag onder controle te krijgen. Het is beter om te kunnen plannen dan te moeten voorspellen. Door meer planmatig en minder reactief te werken, verlagen de onderhoudskosten, de stilstandtijden, de voorraden en verhoogt de levensduur van onderdelen en de productie. Maar hoe leg je daar de basis voor? Efficiëntie begint met een juiste classificatie van alle reserveonderdelen. Dat moet gebeuren op basis van vier criteria: de vraag (stabiel of onstabiel, hoge of lage frequentie) naar een bepaald reserve-onderdeel, de voorspelbaarheid (gepland of ongepland onderhoud), de flexibiliteit in de toevoer (veel of weinig leveranciers, besteltijden kort of lang) en het kritische karakter van de component (hoe groot is het risico op stilstand). Op basis van die informatie kan, zonder dat er artificiële intelligentie aan te pas komt bepaald worden of de bestelling moet voorspeld worden, kan ingepland worden of dat het stuk altijd op voorraad moet zijn.

Data samenbrengen

Maar om tot de juiste antwoorden en een juiste classificatie te komen, moet er wel een hele hoop informatie worden samengebracht en geanalyseerd. Informatie die ook mee-evolueert met het bedrijf. En daar zal artificiële intelligentie het verschil beginnen maken. Door data in en uit het productieproces te verzamelen en samen te brengen, kan er een model opgesteld worden. Daaruit kan artificiële intelligentie gaan leren wanneer defecten mogelijk optreden en wanneer bepaalde reserveonderdelen dus nodig zullen zijn. Dit hoeft zeker niet beperkt te blijven tot de gegevens die beschikbaar zijn op de productievloer. Alle data kan in principe in het model betrokken worden. Komt er een hittegolf aan? Dan kan het systeem gaan controleren of alle kritische componenten met betrekking tot koeling op voorraad zijn.

Masterdata op orde stellen

Het tweede aspect heeft meer te maken met het eigenlijke beheer. Artificiële intelligentie kan een geweldige hulp zijn om ook in een bestaand magazijn de masterdata van alle reserveonderdelen op orde te krijgen. Dat begint met de data op een consistente manier beschikbaar te hebben voor alle schakels in de productieketen. Van het inkooporder tot facturen en de catalogi van de leverancier, tot productieplanning en contracten, iedereen moet over dezelfde data beschikken terwijl die vandaag cryptisch en domeinspecifiek zijn, vaak in meerdere talen bestaan en veel ruimte laten voor persoonlijke interpretatie. Artificiële intelligentie helpt die ontbrekende gegevens automatisch invullen: duplicaten eruit halen, workflow en dataverrijking voor proactieve alarmen en de creatie van slimme materialen.

Door Valérie Couplez