Integrale aanpak voor industrial IoT

Digital twin verbindt het fysieke met het virtuele

Verhoging van efficiency en innovatieve ontwikkeling van nieuwe producten is aan de orde van de dag in het ict-domein. Toepassing van IoT en AI kan in een productieomgeving efficiencyverbeteringen opleveren van 20 tot 40 procent. Een integrale benadering van Industry 4.0 doet hier wonderen.

Ter illustratie van deze claims, bekijken we de praktijk van NEC, leverancier van communicatie- en IT-infrastructuren. Vanwege de jarenlange toepassing van lean six sigma in de productieprocessen, viel er op het gebied van ‘first time right’ en ‘zero waste’ daarom nauwelijks nog winst te behalen. Met Industry 4.0 – het zo breed mogelijk toepassen van industrial IoT en AI – kunnen toch nog significante verbeteringen worden behaald. Manager Kiwamu Takata liet op de IFS World Conference zien dat het Japanse bedrijf op dit vlak mijlenver voor ligt op Europese en Amerikaanse productiebedrijven: “Er is vandaag de dag veel technologie die je kunt inzetten om je productieprocessen en supply chain te optimaliseren, van Fingerprint of Things-technologie tot gezichtsherkenning en spraakgestuurde software. Wij vinden dat je niet bij de technologie moet beginnen, maar bij je strategie en de onderliggende processen. Ons strategische doel is om productiviteitsverbeteringen te bereiken door sneller betere beslissingen te nemen en de menselijke component daarin zoveel mogelijk weg te automatiseren.”

 

End-to-end

Dit kun je project voor project aanpakken, maar een integrale benadering is beter. Takata: “We hebben onze end-to-end processen – van planning, inkoop, productie en onderhoud van machines tot sales en logistiek – in samenhang bekeken, omdat een verbetering in de ene silo invloed heeft op de andere.” Veel kernprocessen in fabrieken worden ondersteund door het ERP-systeem van IFS en de vervolgstap naar Industry 4.0 zette het bedrijf met het IFS Enterprise Operational Intelligence (EOI)-platform. Dit platform maakt het mogelijk om een zogenaamde digital twin te maken van de gehele fabriek: strategie, processen, menselijke resources, machines, datastromen enzovoort. Wanneer ergens in de strategie, processen of resources iets wijzigt, dan zorgt het model ervoor dat deze wijziging automatisch op alle andere relevante plaatsen wordt doorgevoerd. Op deze manier kan een bedrijf de strategie linken aan verbeterplannen en andersom behaalde verbeteringen direct relateren aan de strategie.

 

Predictive maintenance

Zo begon het bedrijf jaren geleden al met predictive maintenance, door de bezettingsgraad van apparatuur te visualiseren en te analyseren. Sensoren houden van alle machines de operationele status, draaiuren, slijtage en storingen nauwgezet bij. Deze data worden geanalyseerd met AI om te voorspellen wanneer apparatuur onderhoud nodig heeft. AI brengt correlaties naar de oppervlakte tussen vele honderden factoren die voorspellend kunnen zijn. Predictive maintenance heeft op veel meer processen impact dan op het plannen van onderhoud en het daarop aanpassen van de fabrieksplanning. Takata noemt als voorbeeld de contracten met de leveranciers van machines. “Vaak worden daarin afspraken gemaakt voor periodiek onderhoud volgens een vooraf opgesteld onderhoudsplan. Dat past niet bij de predictive maintenance-aanpak die je juist wilt gaan hanteren door toepassing van IoT. Met andere woorden: de contacten moeten veranderen en ook het contractbeheer moet op een andere manier worden ingericht.”

 

Spraakgestuurde software

Ook kan de efficiency van medewerkers worden verhoogd. Medewerkers in de fabriek communiceren spraakgestuurd met de achterliggende software via een headset. Ze krijgen opdrachten door via hun koptelefoon en koppelen via spraak terug wanneer ze een taak hebben gecompleteerd. Takata: “Zo houden de operators hun handen vrij, zodat ze hun aandacht beter bij de taak kunnen houden die ze verrichten in plaats van continu op een monitor te kijken wat de volgende werkopdracht is. Als ze dan toch op een scherm moeten kijken of data via een toetsenbord moeten invullen, worden ze voor de inlog herkend op basis van gezichtsherkenning.”

 

Fingerprint of Things

Het Japanse bedrijf doet er alles aan om vervelende taken weg te halen bij medewerkers, zoals de visuele inspectie van producten. “Wij maken nu video-opnamen van de producten”, vertelt Takata, “die we door een AI-algoritme laten beoordelen. Zo’n algoritme presteert veel beter dan mensen, omdat het ook kleine afwijkingen goed herkent. Bovendien wordt een algoritme nooit moe, raakt nooit afgeleid en het is eenvoudig te trainen. Het hoeft alleen maar te leren hoe het product eruit hoort te zien, waarna het zelf alle afwijkingen detecteert.”

Een stap verder is het identificeren van hele kleine afwijkingen om zo producten individueel te herkennen. Dit is handig met het oog op tracking & tracing; producten kunnen dan niet alleen op batchniveau maar zelfs op individueel niveau worden gevolgd. Met de Fingerprint of Things-technologie worden minimale verschillen gedetecteerd, bijvoorbeeld tussen printplaten. Hierdoor wordt onder meer throughput-visualisatie en -analyse mogelijk op het niveau van individuele producten. “We monitoren alle stappen en deelprocessen in onze supply chain”, vertelt Takata. “De voorraden grondstoffen en halfproduct, de doorlooptijden enzovoort. We kunnen bottlenecks snel identificeren en wegnemen. Daardoor hebben we de throughput in vrijwel alle fabrieken kunnen verhogen.”

 

Advanced forecasting

Tevens zijn er grote stappen gezet op het gebied van vraagvoorspelling door toepassing van advanced demand forecast. Yasushi Yagyu werkt in de fabriek waar de servers worden geproduceerd: “Voorheen maakten onze productieleiders gemiddeld 100 productieplannen per week”, vertelt hij. “Dat deden ze handmatig op basis van de vraag in het verleden, nieuwe productintroducties door ons en door concurrenten en eventuele marketingacties die voor een tijdelijke verhoging van de vraag zorgen. Een forecast is altijd nattevingerwerk; hij klopt vaker niet dan wel, wat tot te hoge voorraden leidt of juist out-of-stocks. Een computer maakt veel betere voorspellingen dan mensen, omdat computers veel meer data kunnen combineren. We halen nu 200 verschillende typen data binnen, van salesdata, macro-economische data, data van concurrenten, tot sociale data. Daarop passen we Heterogeneous Mixture Learning (HML) toe, een technologie die zeer heterogene data in samenhang kan analyseren en patronen kan ontdekken die mensen nooit zouden kunnen vinden.”

Om te voorkomen dat het algoritme ‘op hol slaat’, wordt dit allemaal in een white box gedaan. “AI is vaak een black box, maar dat vinden wij te risicovol”, zegt Yagyu. “We willen weten hoe het algoritme tot zijn voorspelling komt, zodat een productieleider die voorspelling eventueel kan aanpassen. Ook ontdekken we allerlei verbanden. Zo kwamen we er bijvoorbeeld achter dat een stijging in de vraag naar bepaalde typen pc’s twee maanden later leidde tot een hogere vraag naar servers. In de serverfabriek zijn daardoor zowel de voorraad onderdelen als de voorraad gereed product afgenomen. Ook ontdekten we dat salesmensen de vraag vaak overschatten. We kochten op basis van hun forecasts teveel onderdelen in en bleven vervolgens ook nog eens met te hoge voorraden gereed product zitten. We hebben de voorraadniveaus sterk kunnen reduceren – met 45 procent – zonder dat we nu vaker met out-of-stocks te maken hebben.”

 

Samenhang processen

Dit voorbeeld van betere vraagvoorspelling laat duidelijk het belang zien van een geïntegreerde aanpak, aldus Takata. “Door de betere forecast kunnen we een betere voorspelling maken van de benodigde onderdelenvoorraden. Dit heeft gevolgen voor de inkoopcontracten met leveranciers. Zij moeten in staat zijn om flexibeler te leveren. Vaak betalen we dan wel iets meer voor hetzelfde onderdeel, maar dat verdienen we terug met de lagere voorraden. De betere vraagvoorspelling heeft impact op de productieplanning. Ook die moeten we veel flexibeler kunnen aanpassen. Als er vandaag iets gebeurt waardoor de vraag toeneemt, dan moeten we de planning direct kunnen aanpassen. Aan de productieplanning hangt onder meer de personeelsplanning vast, dus de betere vraagvoorspelling heeft indirect ook impact op HR. Alles hangt met alles samen.” De digital twin van de fabriek helpt bij het behouden van dit overzicht.

 

Te kort door de bocht

Het ene verbeteridee lokt andere verbeterideeën uit, al zijn die niet altijd snel te implementeren, zo waarschuwt Yagyu. “We hebben geweldige resultaten behaald met HML op het gebied van forecasting en we willen dit idee graag toepassen op andere processen, maar daarvoor moeten data scientists wel voldoende kennis hebben van de business. Je ontdekt geen nieuwe verbanden als je niet begrijpt wat er in bepaalde processen gebeurt. We moeten de data scientists daarom eerst trainen. Dat vraagt tijd. Het is wel belangrijk die tijd te nemen. Als je te snel wilt en te kort door de bocht gaat, dan schiet je jezelf uiteindelijk in de voet.”

Tot slot vermeldt Takata nog kort de gebruikte technologie. “Wij hebben alle AI-assets op Azure draaien. Daarnaast gebruiken ons eigen NEC Industrial IoT-platform. Alles wordt geïntegreerd op het IFS-platform.”

 

 

 

Gerelateerde berichten...

X