Bijna alle elektronische apparaten zijn tegenwoordig uitgerust met een of meer sensoren. Deze verzamelen een schat aan gegevens – over hoe de systemen het doen, wat ze precies doen en onder welke omstandigheden ze dat doen. Al deze gegevens kunnen van grote waarde zijn voor een bedrijf. Het grootste deel van het potentieel blijft momenteel echter onbenut. Dat is jammer, want het biedt een unieke kans om de zogeheten overall equipment effectiveness (OEE) te verbeteren.
OEE is een maatstaf voor de mate waarin een productieproces wordt benut in termen van faciliteiten, tijd en materiaal, in vergelijking met het volledige potentieel, gedurende de periode dat het proces gepland is om te draaien. Het identificeert het percentage van de productietijd dat werkelijk productief is. Een OEE van 100 procent betekent dat we foutloze producten maken (100 procent kwaliteit), op maximale snelheid (100 procent prestaties), zonder onderbreking (100 procent beschikbaarheid). Door de OEE en de onderliggende verliezen te meten, verkrijgen we belangrijke inzichten over hoe we ons productieproces systematisch kunnen verbeteren.
Instellen van machinebewaking
Om de OEE te kunnen meten, moeten we gegevens ophalen uit onze systemen en deze naar de cloud sturen voor analyse. Dit brengt een aantal uitdagingen met zich mee. Een belangrijk obstakel is het sentiment: we delen onze data liever niet met de buitenwereld, met name data die bedrijfsgevoelige informatie kan onthullen. Met de juiste beveiligingsmaatregelen kunnen we het risico dat onze gegevens in verkeerde handen vallen echter minimaliseren, terwijl we met anonimisering eventuele privacyproblemen adequaat kunnen aanpakken. En we kunnen altijd besluiten om de gegevens die echt een concurrentievoordeel opleveren niet vrij te geven.
Als het sentiment eenmaal ten goede is gekeerd, is er de uitdaging om de dataverwerkingspijplijn op te zetten. Het machinepark bevat waarschijnlijk systemen van verschillende merken, elk met hun eigen besturings- en communicatietechnologie, en van verschillende leeftijden, van nieuw met moderne mogelijkheden tot tientallen jaren oud met een beperkte besturing en connectiviteit. Het zal enige moeite kosten om deze systemen en hun datastromen op elkaar af te stemmen en ze samen te brengen in één enkele omgeving waar we de OEE kunnen bepalen.
Wanneer we de infrastructuur op orde hebben en de pijplijn operationeel is, is het een uitdaging om alle gegevens die binnenkomen te begrijpen. Dit ziet er misschien uit als een berg werk, die veel tijd en moeite kost om te beklimmen. Maar met specialistische hulp en intelligent gebruik van intelligent gereedschap, is het mogelijk om klein en overzichtelijk te beginnen.
Aansluiting op het netwerk
Een dataverwerkingspijplijn opzetten begint met het aansluiten van het machinepark op het bedrijfsnetwerk. De gegevens worden vervolgens uit de machinebesturingen getrokken en naar de cloud gestuurd. Het cloudplatform, geleverd door bedrijven als Amazon (AWS), Google (Cloud), IBM (Cloud) of Microsoft (Azure), slaat ze op in een zogeheten datameer. Het biedt ook de mogelijkheid om ze automatisch te analyseren. Deze analyses zetten de data om in bruikbare informatie, die wordt teruggestuurd naar een pc-dashboard dat ze op een inzichtelijke manier presenteert.
De nieuwere systemen in het machinepark zijn uitgerust met sensoren en draadloze connectiviteit die op afstand toegang geeft tot de besturing en de sensordata. Oudere machines moeten wellicht achteraf worden uitgerust met dergelijke connectiviteit. Dit kan door een draadloze gateway aan te sluiten op de seriële of ethernetpoort van de besturing of – wanneer een dergelijke poort niet beschikbaar is – door een speciaal apparaat te gebruiken dat de analoge of digitale I/O van de besturing als ingang neemt en een eigen draadloze verbinding heeft om te communiceren met het netwerk.
De systemen leveren niet altijd direct alle benodigde gegevens om de OEE adequaat te kunnen bepalen. Misschien meten ze een belangrijke eigenschap niet of is de bemonsteringsfrequentie te laag. Om de scope te verbreden, kunnen we ervoor kiezen om extra sensoren te installeren, kant-en-klaar of op maat gemaakt.
Voorbewerking van de datastromen
Verschillende systemen maken gebruik van verschillende communicatieprotocollen, zoals Modbus, MTConnect of OPC UA. Om de gegevens uit verschillende bronnen te kunnen correleren, moeten de verschillende datastromen op een uniforme manier worden gestructureerd. Hier komt kunstmatige intelligentie (AI) in beeld. Cloudplatforms bieden machine learning (ML)-algoritmes die de ruwe data nemen, analyseren op (terugkerende) patronen en op basis daarvan structureren. Unsupervised learning bepaalt bijvoorbeeld de structuur van ongelabelde data en construeert een model zonder menselijk toezicht. Meestal is het echter efficiënter om een servicemonteur te laten assisteren bij het interpreteren van de gegevens.
Eenmaal gestructureerd, kan het zijn dat de data moet worden opgeschoond. Er kan wat ruis in zitten, bijvoorbeeld van sensorstoringen of andere eenmalige gebeurtenissen die irrelevant zijn voor de OEE-bepaling. ML-technieken kunnen deze nutteloze data eruit filteren, zodat de gegevens klaar zijn voor het zware werk.
We kunnen de ruwe gegevens (semi)automatisch verwerken op de eigen locatie – aan de zogeheten edge. Hiervoor kunnen we een speciaal randapparaat tussen de machinebesturing en het bedrijfsnetwerk plaatsen. Dit apparaat, met een draad of draadloos verbonden met de besturing, verzamelt de gegevens van het systeem en gaat er lokaal mee aan de slag. Dit geeft wat snelheidswinst, onze gegevens blijven op onze locatie en we hebben nog steeds analyses beschikbaar, zelfs als de internetverbinding wegvalt.
Inzet van datawetenschappers
In deze AI-ondersteunde transformatie- en besluitvormingsprocessen spelen datawetenschappers dus een sleutelrol. Zij combineren statistieken, gegevensanalyse, machine learning en aanverwante methodes om actuele fenomenen met gegevens te begrijpen en te analyseren. In plaats van alleen maar getallen te zien, begrijpen datawetenschappers wat ze betekenen en hoe ze de AI-toolbox moeten gebruiken om de gewenste informatie te verkrijgen.
We kunnen een datawetenschapper aannemen of inhuren bij een adviesbureau. De belangrijkste reden om er een in dienst te hebben, is dat een interne specialist ons domein snel onder de knie kan krijgen. Bovendien zorgt het voor continuïteit en voorkomt het dat het proces na afloop van een project weer spaak loopt. Het is ook veel gemakkelijker om gegevens intern te gebruiken dan ze te delen met een externe partij.
Aan de slag gaan
Met specialistische expertise en adequate tooling is het vrij eenvoudig om van een machinepark een datafabriek te maken. Door productiesystemen aan het netwerk te hangen en hun sensormetingen automatisch te laten verwerken en presenteren, kunnen we waardevolle inzichten verkrijgen in de kwaliteit, prestaties en beschikbaarheid van onze productie. Het levert bruikbare informatie op basis waarvan we deze parameters kunnen finetunen en onze OEE kunnen verhogen.
Alle benodigde expertise en tooling zijn direct beschikbaar. We kunnen klein beginnen en het klein houden, door hulp van buitenaf in te roepen om de zaken op gang te brengen en een periodieke controle uit te laten voeren. Of we kunnen het zo groot maken als we zelf willen, door eigen datawetenschappelijke machinerie op te zetten. Hoe dan ook, we kunnen er veel voordeel uit halen door onze data goed aan te boren en de olie uit de bronnen te gebruiken om ons productieproces te smeren.
Lakana
Lakana Consulting helpt industriële bedrijven bij het ontwikkelen en uitvoeren van een slimme digitaliseringsstrategie, waarbij software wordt gebruikt om innovatie in hun bedrijf te stimuleren.