Het bericht komt van Sirris. Xeikon, de producent van digitale printers, heeft vastgesteld dat een doorgedreven gebruik van de loggegevens essentieel was om de printers doeltreffend te bedienen en te onderhouden. "De operator van vandaag maakt vaak alleen maar op een passieve manier gebruik van de machinesensoren en de loggegevens: hij leest de meldingen van storingen, voert pas een analyse na de feiten uit, enzovoort. Een meer actieve benadering maakt het mogelijk om het gedrag van de machines beter te begrijpen, om insteladviezen te krijgen of om op pech te anticiperen", legt Pierre Dagnely uit, data scientist bij Sirris. Om die reden hebben Xeikon en Sirris een proactieve benadering voor printers ontwikkeld.

Twee uitdagingen

Volgens Pierre Dagnely houdt de ontwikkeling van een meer proactieve benadering heel wat uitdagingen in. Om te beginnen moet de ononderbroken gegevensstroom van de digitale sensoren gecombineerd worden met de loggegevens van eenmalige gebeurtenissen. "Er is geen algemeen geldende waarheid over het feitelijke gedrag van printers. Operatoren hebben heel wat impact op het gedrag van printers, waardoor onderscheid moet worden gemaakt tussen 'operatorgedrag' en 'printergedrag'. Andere uitdaging: de gebeurtenislogbestanden zijn ontworpen voor debuggingsdoeleinden, niet om gedetailleerde informatie te geven over de toestand van de printers."

AI en datagestuurde oplossingen

Om het gedrag van printers te begrijpen, hebben Xeikon en Sirris een aanpak gevolgd op basis van de sensorgegevens en de gebeurtenislogbestanden.

"De aanpak begint met het afleiden van de typische gedragingen van printers uit de gebeurtenislogbestanden. Die geven immers de interne processen van de printers weer. Eerst worden de gebeurtenislogbestanden opgeschoond en gesegmenteerd (d.i. de gebeurtenislogbestanden groeperen per printperiode), zodat kleine gebeurtenislogbestanden ontstaan die alle gebeurtenissen bevatten die betrekking hebben op één specifiek proces, zoals een printtaak. Vervolgens worden de segmenten gehergroepeerd om daar de typische interne processen uit af te leiden. Dat gebeurt met een aantal technieken uit de text-mining, zoals de frequentie van termen, een groepering op basis van een willekeurige index, enzovoort", legt Pierre Dagnely uit. "De typische interne processen worden vervolgens gekarakteriseerd door gebeurtenislogbestanden en sensorgegevens te combineren om tot een grote verscheidenheid aan KPI's (Key Performance Indicator) te komen, zoals de frequentie van waarschuwingen, het voorkomen van specifieke gebeurtenissen, de toename van onopgeloste gebeurtenissen, de snelheid waarmee een sensor/functie zijn instelpunt terug bereikt (d.i. de door de operator opgegeven waarde), enzovoort. De waarden van deze KPI's voor de verschillende clusters geven een indicatie van de prestaties die met die typische gedragingen samengaan."

Storingen opmerken

"Die gekarakteriseerde clusters en typische gedragingen kunnen vervolgens worden gebruikt om de gedragingen van de printers beter te begrijpen, operatoren te helpen en het voorspellend onderhoud te vergemakkelijken. Als een printer bijvoorbeeld meerdere keren in de cluster voorkwam, waarin problemen met oververhitting gebundeld werden, was er waarschijnlijk een specifiek onderdeel defect", besluit Pierre Dagnely

Het bericht komt van Sirris. Xeikon, de producent van digitale printers, heeft vastgesteld dat een doorgedreven gebruik van de loggegevens essentieel was om de printers doeltreffend te bedienen en te onderhouden. "De operator van vandaag maakt vaak alleen maar op een passieve manier gebruik van de machinesensoren en de loggegevens: hij leest de meldingen van storingen, voert pas een analyse na de feiten uit, enzovoort. Een meer actieve benadering maakt het mogelijk om het gedrag van de machines beter te begrijpen, om insteladviezen te krijgen of om op pech te anticiperen", legt Pierre Dagnely uit, data scientist bij Sirris. Om die reden hebben Xeikon en Sirris een proactieve benadering voor printers ontwikkeld.Volgens Pierre Dagnely houdt de ontwikkeling van een meer proactieve benadering heel wat uitdagingen in. Om te beginnen moet de ononderbroken gegevensstroom van de digitale sensoren gecombineerd worden met de loggegevens van eenmalige gebeurtenissen. "Er is geen algemeen geldende waarheid over het feitelijke gedrag van printers. Operatoren hebben heel wat impact op het gedrag van printers, waardoor onderscheid moet worden gemaakt tussen 'operatorgedrag' en 'printergedrag'. Andere uitdaging: de gebeurtenislogbestanden zijn ontworpen voor debuggingsdoeleinden, niet om gedetailleerde informatie te geven over de toestand van de printers."Om het gedrag van printers te begrijpen, hebben Xeikon en Sirris een aanpak gevolgd op basis van de sensorgegevens en de gebeurtenislogbestanden."De aanpak begint met het afleiden van de typische gedragingen van printers uit de gebeurtenislogbestanden. Die geven immers de interne processen van de printers weer. Eerst worden de gebeurtenislogbestanden opgeschoond en gesegmenteerd (d.i. de gebeurtenislogbestanden groeperen per printperiode), zodat kleine gebeurtenislogbestanden ontstaan die alle gebeurtenissen bevatten die betrekking hebben op één specifiek proces, zoals een printtaak. Vervolgens worden de segmenten gehergroepeerd om daar de typische interne processen uit af te leiden. Dat gebeurt met een aantal technieken uit de text-mining, zoals de frequentie van termen, een groepering op basis van een willekeurige index, enzovoort", legt Pierre Dagnely uit. "De typische interne processen worden vervolgens gekarakteriseerd door gebeurtenislogbestanden en sensorgegevens te combineren om tot een grote verscheidenheid aan KPI's (Key Performance Indicator) te komen, zoals de frequentie van waarschuwingen, het voorkomen van specifieke gebeurtenissen, de toename van onopgeloste gebeurtenissen, de snelheid waarmee een sensor/functie zijn instelpunt terug bereikt (d.i. de door de operator opgegeven waarde), enzovoort. De waarden van deze KPI's voor de verschillende clusters geven een indicatie van de prestaties die met die typische gedragingen samengaan.""Die gekarakteriseerde clusters en typische gedragingen kunnen vervolgens worden gebruikt om de gedragingen van de printers beter te begrijpen, operatoren te helpen en het voorspellend onderhoud te vergemakkelijken. Als een printer bijvoorbeeld meerdere keren in de cluster voorkwam, waarin problemen met oververhitting gebundeld werden, was er waarschijnlijk een specifiek onderdeel defect", besluit Pierre Dagnely