Volg de innovatieversnellers: focus op de job-to-be-done, kijk niet (teveel) naar de databerg | Agoria

Volg de innovatieversnellers: focus op de job-to-be-done, kijk niet (teveel) naar de databerg

Afbeelding
Gepubliceerd op 13/08/21 door Anje Van Vlierberghe
Artificiële intelligentie wordt beschouwd als één van de bouwstenen van Industrie 4.0, en als één van de meest beloftevolle tools om de maakindustrie uit de huidige crisis te innoveren. Toch geven minder dan 10% van de maakbedrijven wereldwijd aan dat ze het volle potentieel benutten, ondanks het potentieel dat deze technologie biedt om efficiënter te produceren, stilstanden te reduceren, en de productkwaliteit te verhogen. Wat kan je leren van maakbedrijven die al eerder experimenten opgezet hebben met data en artificiële intelligentie?

Bij de meeste maakbedrijven genereert het machinepark al heel wat digitale gegevens, bij voorbeeld via (stand alone) PLC’s en machinesturingen. Dit is een noodzakelijke, goede basis voor de verdere digitalisering. Denk hierbij voor deze eerste fase aan CNC-machines waarbij de CAD-gegevens nog manueel (of via een USB-stick) tot bij de machine gebracht worden, waarbij met andere woorden de machine nog niet automatisch geconnecteerd is met het ERP-systeem van het bedrijf. Grosso modo 10% van de Europese maakbedrijven bevindt zich in deze fase.

Bij het overgrote deel van de bedrijven (zowat 80%) zijn er al heel wat OT-elementen (operationele technologie) geconnecteerd zijn met IT-systemen (informatietechnologie), maar is er nog lang geen sprake van een volledige integratie van IT-systemen met OT-technologie. Volledige integratie zou hier betekenen dat van zodra er een ontwerp (in digitale vorm) afgewerkt is bij de ontwikkelafdeling, men deze gegevens kan doorsturen naar de productie-afdeling, en dat de productie-afdeling de volgende stappen dan autonoom kan afwerken. Van zodra de productiestappen uitgevoerd zijn, wordt dit dan automatisch en in (near) real-time bevestigd via een MES-systeem (Manufacturing Execution System). Het is niet ongebruikelijk dat men op de productievloer machines aantreft die pakweg 30 à 50 jaar oud zijn, en deze machines beschikken niet by default over moderne communicatiesystemen. 

Het is niet onlogisch dat deze bedrijven het volle potentieel van data en AI (nog niet) benutten, en zij geven hoofdzakelijk aan dat ze nog uitdagingen ervaren op vlak van het connecteren van uiteenlopende databronnen. Maar hoe zet je in dit geval de volgende stappen om het potentieel van data, artificiële intelligentie en/of Industrie 4.0 verder te ontsluiten?

Stap 1: leg je doel vast

Een eerste belangrijke stap, is het doel vastleggen – digitaliseren is geen doel op zich, maar kan wel een middel zijn om één van de onderstaande doelen te bereiken:

  • Assets en gereedschappen efficiënter inzetten
  • De juiste informatie op het juiste moment aanreiken aan de operator
  • Energie-efficiënter aansturen van utilities
  • Optimaliseren van voorraden
  • Borgen van productkwaliteit
  • Borgen van veiligheid op de werkvloer
  • Versnellen van time-to-market
  • Flexibeler produceren
  • Efficiënter plannen op de productievloer
  • ...

Definieer voor dit doel een concrete en haalbare ambitie, zoals bij voorbeeld “reduceer ongeplande stilstanden in productie” – uit ervaring van voorgaande projecten, weten we dat dit gemiddeld 40% van de gerelateerde kosten kan verminderen.

Stap 2: DIY of uitbesteding ?

Ga vervolgens concreet aan de slag: gaat het over enkele grote, ongeplande stilstanden, of zijn er veel stilstanden van minder dan 5 minuten ? Welke productiedata of andere data kunnen hieraan gerelateerd zijn? Er is een myriade aan technologische oplossingen, maar het probleem met de motor vereist wellicht een heel andere aanpak dan het probleem van de vele, kleine stilstanden. Hoe pak je dit aan ? Stuur je je eigen medewerkers naar een gespecialiseerde opleiding, zodat ze dit zelf kunnen aanpakken, of besteed je het capteren, aggregeren en analyseren van de data uit aan een gespecialiseerd bedrijf of kennisinstelling ? Denk vooraf goed na over de schaalbaarheid van een PoC (proof-of-concept) – misschien vind je wel een oplossing voor deze ene motor, maar misschien is die oplossing niet bruikbaar voor andere motoren die regelmatig uitvallen.

Stap 3: van data naar inzicht

Voor het verkrijgen van inzicht wordt data analyse gebruikt. Welke parameters hebben effect op de performantie van de motor (temperatuur, belasting...)? Welke parameters hebben een effect op de slijtage van de aandrijving (trillingen, olievervuiling, ...)? 

Stap 4: aan de slag

Om op basis van deze inzichten een verdere predictie te kunnen doen, worden artificiële intelligentie technieken gebruikt, zoals machine learning. Met gegevens van één motor zal de predictie wellicht niet erg nauwkeurig zijn, maar de fabrikant van de motor en gespecialiseerde firma’s beschikken wellicht over meer data – waardoor de kwaliteit van de voorspelling heel betrouwbaar kan worden, en een vervanging van de motor beter ingepland kan worden.

Was dit artikel nuttig?