IN HET KORT
Dit is de kop
De binnenkant van de smart industry spiraal richt zich op machines, productielijnen en fabrieken. Door het combineren van sensor netwerken met productiedata kunnen potentiële verbeteringen op verschillende vlakken in productie worden voorkomen. Digital twins en dashboards spelen daarbij een grote rol, maar we mogen ook de rol van productiemedewerkers niet uit het oog verliezen.
Verbeterstappen
De spiraal, die eigenlijk een samenstelsel van cirkels is, is een mechanisme om verbeteringen door te voeren in een productieorganisatie. Die verbeteringen kunnen liggen op het vlak van efficiency, kosten, kwaliteit en zelf milieu. Welke verbeteringen het meest relevant zijn is natuurlijk afhankelijk van de KPIs die als meest relevant worden bestempeld. In veel productiebedrijven gaat het in eerste instantie on productie-capaciteit en daaruit volgend efficiënter produceren, maar het is ook heel goed mogelijk dat sustainability belangrijker is, waarbij er wordt gekeken naar zaken als energieverbruik en het verminderen van afvalproductie.
In alle gevallen is het nodig om te weten wat er op de werkvloer gebeurt, daarover informatie te verzamelen en op basis daarvan veranderingen door te voeren – die vervolgens gemonitord worden.
“Als een bedrijf op zoek is naar efficiëntie-verbeteringen, dan komen vragen op tafel ten aanzien van de hoeveelheid product die passeert bij een werkstation, de tijd die nodig is om die hoeveelheid te verwerken en de stilstand van een werkstation. De antwoorden op die vragen zijn op verschillende manier te verkrijgen.”
Data, en meer data uit machines en werkstations
Het binnenste niveau van onze spiraal is de machine, of beter gezegd het werkstation. Die laatste term is beter, omdat met name in het MKB er het nodige handwerk wordt verricht in productie, waarbij een productiemedewerker handmatige acties combineert met machinale bewerkingen. Denk hierbij aan zaken als het handmatig toevoegen van kleine hoeveelheden ingrediënten in mengvoerproductie, het instellen en bijstellen van machines voor het buigen of zagen van metalen onderdelen of het assembleren van producten met behulp van een soldeerrobot.
Als een bedrijf op zoek is naar efficiëntie-verbeteringen, dan komen vragen op tafel ten aanzien van de hoeveelheid product die passeert bij een werkstation, de tijd die nodig is om die hoeveelheid te verwerken en de stilstand van een werkstation. De antwoorden op die vragen zijn op verschillende manier te verkrijgen. Na elke productiestap, dus na elk werkstation ontstaat zogenaamde WIP, Work-in-Progress. Door deze te tellen en te combineren met de uren die besteed zijn door een werkstation (op basis van draaiuren, of door WIP-aantallen te combineren met de prikklok van de medewerkers) kan relatief nauwkeurig worden afgeleid hoe efficient een werkstation is.
Gaat het om sustainability en energieverbruik, dan wordt het al lastiger. Zeker bij electrisch aangedreven apparatuur is er niet standaard een energiemeter per machine beschikbaar. Hetzelfde geldt voor het geproduceerde afval, waar van toepassing – ook daar wordt weinig per machine bijgehouden.
Sensoren
Voor het verzamelen van data kan het zinvol zijn om extra sensoren toe te voegen aan een machine. De energiemeter voor het stroomverbruik is een eenvoudig voorbeeld, maar we kunnen ook denken aan een sensor die bijvoorbeeld op basis van bewegingsmeldingen het daadwerkelijk aantal productieve uren van een machine bepaalt. Er zijn tegenwoordig relatief goedkope sensoren beschikbaar, die bij, op of in een machine geplaatst kunnen worden zonder dat de werking (hardware en software) van de machine zelf hoeft te worden aangepast. Die sensoren kunnen aan een netwerk worden gekoppeld en de gegevens die worden verzameld kunnen centraal worden opgeslagen en gebruikt. Ook de prikklok, of een tel-pedaal of weegschaal die door productiemedewerkers wordt gebruikt kan als een sensor worden gezien, waardoor ook de niet geautomatiseerde kant van productie kan worden gemeten en geanalyseerd.
“Er zijn tegenwoordig relatief goedkope sensoren beschikbaar, die bij, op of in een machine geplaatst kunnen worden zonder dat de werking (hardware en software) van de machine zelf hoeft te worden aangepast.”
Reactief als proactief
De data die door deze sensoren wordt verzameld is zowel preventief als proactief te gebruiken. Reactief gebruik is bijvoorbeeld van toepassing op de zaken als verbetering van efficiëntie en sustainability. De sensoren verzamelen data, die wordt geanalyseerd en vervolgens gebruikt om aanpassingen in bijvoorbeeld de configuratie van een machine te maken. Proactief gebruik vinden we op vlakken als preventief of predictief onderhoud. Door bij te houden hoe lang een machine draait, hoe nauwkeurig een machine bepaalde bewegingen maakt, en hoe vaak fouten optreden kan onderhoud worden gepland voordat een machine daadwerkelijk stilvalt.
Productielijnen zijn relevanter dan individuele machines
Het optimaliseren van de werking van individuele machines in een fabriek is niet altijd zinvol. In veel gevallen maken die machines onderdeel uit van een productielijn, waarin ze opeenvolgende bewerkingsstappen uitvoeren. In dat geval gaat het dus veel meer om de combinatie van wat de verschillende machines samen bewerkstelligen. De sensoren die we hierboven hebben benoemd kunnen worden gebruikt om te analyseren waar in de productiestraat bottlenecks ontstaan, en hoe deze opgelost kunnen worden. In het eerste artikel in deze serie refereerden we al aan het werk van Goldratt uit de jaren ’80, waarin het probleem van bottlenecks centraal stond. Als in die tijd legde Goldratt de nadruk op het verzamelen van data uit productielijnen, omdat alleen op basis daarvan kan worden bepaald waar het proces stokt. In die tijd, rond 1984, was het nog verre van gebruikelijk om computers in een fabriek te hebben die alle data verzamelenden en beschikbaar maakten. Met de huidige stand van de techniek, en de bovengenoemde sensoriek hebben we twee goede mogelijkheden om deze analyses beter te doen.
Dashboards en Digital twins
Deze twee zijn dashboards en digital twins. Een dashboard is te vergelijken met een live rapportage-systeem: data verzameld uit sensoren wordt gebruikt om op een scherm te laten zien welke machines draaien, welke stilstaan, wat en hoeveel er wordt geproduceerd binnen een productiestraat en waar er eventueel problemen zijn. Dit is vergelijkbaar met wat gebeurt op de controleschermen van MES en SCADA systemen, maar de nadruk ligt in ons geval meer op de sensordata die wordt verzameld als onderdeel van verbetering dan op de operationele data die wordt gegenereerd door de machines zelf.
Een digital twin is een digitale representatie van een productiestraat, met alle machines. Deze kan worden gebruikt om de werking van de productiestraat te simuleren, waarbij de data verzameld in de echte fabriek wordt gebruikt om de simulatie te voeden. Hierdoor wordt het mogelijk om bepaalde scenarios opnieuw af te spelen, en aanpassingen te testen zonder een daadwerkelijk wijziging in de fabriek door te voeren. Een dergelijke digital twin kan op verschillende detailniveaus worden uitgevoerd. De meest basieke vorm werkt op procesniveau en gebruikt globale parameters, zoals de doorvoersnelheid van machines om productie te simuleren. De meest geavanceerde vorm, die ook in engineering wordt gebruikt (daarop komen we in een volgend artikel terug), simuleren alle details, bewegingen en fysica van de individuele machines om een veel gedetailleerdere analyse te kunnen doen.
Deze dashboards en simulatie worden veel gebruikt om allerlei verbeteringen en aanpassingen te identificeren en door te voeren. Met name de simulaties zijn erg interessant, omdat ze zonder vertraging in productie verbanden tussen productiestappen zichtbaar maken die anders niet worden gedetecteerd.
“De mogelijkheden met de datasets die uit deze combinaties ontstaan zijn bijna eindeloos.”
De fabriek als geheel
De spiraal zoals we die hebben geïntroduceerd heeft vijf niveaus, waarbij de fabriek zelf het middelste niveau is. In fabrieken wordt, zij het lang niet overal, gewerkt met SCADA en MES software om het productieproces te plannen en te monitoren. Ook deze systemen genereren de nodige data, vaak in de vorm van logging – waarbij events (gebeurtenissen) worden vastgelegd. Denk daarbij aan events als ‘opdracht gestart’, ‘batch afgerond’, ‘ingredient toegevoegd’, met uiteraard de bijbehorende details als tijdstip, opdrachtnummer enz. Als deze data wordt gecombineerd met de sensor data die we eerder beschreven, wordt het mogelijk om hele fabrieken te simuleren in een digital twin, maar ook om correlatie tussen productieplanning en bottlenecks, of tussen productieplanning en machine uitval te identificeren. De mogelijkheden met de datasets die uit deze combinaties ontstaan zijn bijna eindeloos.
De grote uitdaging daarbij voor veel producenten is tweeledig: enerzijds hebben met name kleiner partijen niet altijd een centraal MES of SCADA systeem waar deze data wordt verzameld, anderzijds is het bij elkaar brengen van de juiste gegevens niet altijd triviaal. Gelukkig zijn er de afgelopen 20 jaar de nodige ontwikkelingen geweest op het vlak van data warehousing, big data en (de nieuwste naam voor deze tak van sport) data science. De software om deze analyses te kunnen doen is beschikbaar, waardoor voor elke fabrikant, groot en klein, een wereld van informatie kan opengaan.
En de mens?
In het begin van dit artikel noemden we ook de productiemedewerkers. Zij worden op twee manieren geraakt door wat we hier hebben benoemd. Allereerst komt de vraag naar privacy op als we data gaan verzamelen over het werk dat zij doen. Niemand wil, en mag, worden afgerekend op basis van de informatie die we verzamelen. Daarnaast lopen zij het risico dat hun werk verandert of zelfs verdwijnt als we smart industry oplossingen gaan introduceren. Daar ligt een taak voor hun werkgevers en voor de aanbieders van smart industry oplossingen, de partijen waarover het derde en laatste artikel in deze serie zal gaan.
TIPS
Dit is de kop
Verbeteringen in een machine of productielijn gaan niet altijd over efficiëntie, ook sustainability is onderdeel van smart industry
Dit is de kop
Data verzamelen over een productielijn of fabriek is een combinatie van reeds aanwezige data identificeren en sensoren toevoegen voor aanvullende informatie
shinchoku
Shinchoku, wat Japans is voor ‘vooruitgang’, is een bedrijf dat gespecialiseerd is in Smart Industry en Duurzaamheid. De activiteiten van Shinchoku zijn in 2020 gestart als spin-off van Delphino Consultancy.