naar top
Menu
Logo Print

“TIJD & TECHNOLOGIE RIJP VOOR INDUSTRIE 4.0"

Hoe meer inzicht verkrijgen door analyse van Big Data?

De opkomst van slimme sturingen en nietsontziende sensoren, in combinatie met de voortdurend toenemende wiskundige rekenkracht van processoren, laat steeds beter toe data uit het productieproces optimaal te capteren. Maar waar de ontginning van gegevens een pak eenvoudiger wordt door de toevloed van krachtdadige hardware, blijkt vooral het leggen van verbanden of het converteren van Big naar Actionable Data geen sinecure. We legden ons oor te luisteren bij Koning & Hartman, specialist inzake Smart Industry. Want hoe manifesteren Big Data zich? En ... wat kan je er nu mee?


THE TIME IS NOW!

Tegenwoordig valt steeds vaker op te tekenen dat de tools om de bedrijfstechnische processen aan een analytisch en geconnecteerd onderzoek te onderwerpen meer dan ooit toegankelijk zijn, en ook op de voorbije editie van Indumation (2017) in Kortrijk klonk diezelfde boodschap. Met een combinatie van enthousiasme en ervaring in de materie lijken Bert Agten en Tim de Wolf, respectievelijk Industrial Automation Expert en Smart & Big Data Expert bij Koning & Hartman, dé personen bij uitstek om onduidelijkheden omtrent Industrie 4.0 en Big Data voorgoed de wereld uit te helpen, met daarbij behoorlijk wat aandacht voor de praktijk.

“Een klassiek voorbeeld van automatisering waarbij sensoren de productiecontinuïteit garanderen, vinden we bij koudwalsinstallaties", steekt Agten van wal. “Daar moeten sensoren en motion controllers (zoals HEC of tension controllers) het decoilproces nauwgezet monitoren om zo de aandrijving van de decoiler aan te passen en zo stilstand (bij een coilwissel) óf een te snelle aanvoer in het daaropvolgende proces te vermijden."

Ook voor partpicking blijken visionsystemen en vooral ook de onderlinge communicatie tussen de verschillende processen (waaronder ook aanvoerunits zoals transportbanden) onontbeerlijk om de snelheid van de verschillende units synchroon te laten lopen.

“Maar," zo klinkt het haast profetisch, “dit is nog maar het topje van de ijsberg. Alles staat of valt immers met de gegevensuitwisseling tussen de verschillende units, of het nu gaat om productietechnische of eerder administratieve tasks. Datamining (het ontginnen van data bijvoorbeeld via sensoren of machinesturing) maar vooral ook een correcte en diepgaande analyse van die data zijn hierbij onontbeerlijk."


HYPE OF DOORONTWIKKELING?

Wordt Smart Industry niet stilaan een gehypete term?

Tim de Wolf: “In zekere zin wel, al is die zogenaamde hype zeker niet onterecht te noemen. Immers, er liggen twee revoluties ten grondslag aan Smart Industry die eindelijk allebei tot volle wasdom komen, in die mate dat ze de algehele doelstelling van Smart Industry niet langer kunnen beperken tot de theorie, maar dat dit doel eindelijk ook kan worden vertaald naar de praktijk. De eerste revolutie situeert zich op het vlak van hardware, conform de Wet van Moore*."

* (nvdr: deze stelling uit 1965 bepaalde dat het aantal transistors op een chip elke twee jaar zou verdubbelen, wat ineens ook de katalysator was voor een technologische vooruitgang die decennialang zou aanhouden. Tegenwoordig echter lijken fysieke limieten (lees: het bereiken van de atoomgrens wat betreft de dikte van stroomdraden en de kwantumeffecten die optreden op deze schaal) het einde in te luiden van deze revolutionaire stelling).

Tim de Wolf: “De rekenkracht die in 1969 in de Apollo 11 zat, zit tegenwoordig in een broodrooster. Processorkracht is dus veel toegankelijker geworden. Wiskunde is de tweede, en misschien nog belangrijkere evolutie. Algoritmes worden steeds slimmer, en die slimheid verdubbelt dan nog eens iedere negentien maanden. Waarom is Smart Industry nú precies zo'n hype? Wel, omdat we nu pas in staat zijn de revoluties in hardware en algoritmes te combineren. Om het in cijfers uit te drukken: de combinatie zorgt ervoor dat wat 25 jaar geleden 3 jaar innam om te berekenen, nu slechts 1 seconde in beslag neemt. Voor de metaalbewerking heeft dit geresulteerd in krachtigere CNC-sturingen die sneller in staat zijn nog complexere bewerkingen te programmeren, bijvoorbeeld voor vijfassig simultaan bewerken."


Mooie cijfers, maar helaas niet de cijfers waar de doorsnee ondernemer zich door laat overtuigen.

De Wolf: “Klopt. Het capteren van data is één ding, maar het economische voordeel ligt toch vooral in de datamining, het zoeken van patronen in data om zo voorspellingen te kunnen doen, bijvoorbeeld naar onderhoud of productiecapaciteit, maar ook naar fluctuaties in de hoeveelheid orders. Hebben we het over een sector als maritiem transport, dan zie je bijvoorbeeld nu al dat de steeds slimmere sensoren in de motoren van laadkranen realtime het gewicht van containers kunnen opmeten. Het wordt pas echt interessant als je weet dat de data die door die sensoren worden gegenereerd, kunnen worden gebruikt om aan de hand van een simulatiemodel een schip op de meest ideale manier te beladen, zodat er zo weinig mogelijk brandstof wordt verbruikt. Gewichtsdistributie om geld te besparen dus. En dat is precies wat ondernemers interesseert."

VOORSPELLEN VAN ONDERHOUDSBEURTEN
De tekenen van een dreigende storing blijven bij routinecontroles vaak onopgemerkt, met alle gevolgen van dien. De combinatie van de opmars van Machine to Machine-communicatie, een nieuwe sensortechnologie en evoluties op het vlak van IT (Big Data en data-analyse) maken het steeds beter mogelijk om machinestilstand te voorkomen. Zo ontstaat er stilaan een verschuiving van correctief onderhoud naar predictive maintenance. Wanneer trillingen van bijvoorbeeld een schroefas realtime worden gemeten, kan er in een zeer vroeg stadium geconstateerd worden of de as misschien verkeerd is uitgelijnd. En het gaat verder. Zo kan men ook verbanden leggen tussen de temperatuur van de machine, de snelheid van de lijn, de temperatuur en luchtvochtigheid van de werkplaats en een eventuele machinestilstand. Via deze verbanden kun je de gezondheid van het machinepark in kaart brengen

Is de metaalindustrie, als eerder behoudsgezinde branche, klaar voor het hele verhaal?

De Wolf: “Vandaag vallen digitale simulatiemodellen van machines of zelfs integrale productieprocessen perfect te verkrijgen. Ook het inzamelen van data aan de hand van slimme sensoren om zo de status van machines of aanvoerunits te kunnen zien is behoorlijk courant. Recent - we spreken de jongste twee jaar - is er een toevloed van een nieuwe, erg krachtige generatie van sensoren. Bijvoorbeeld sensoren die via het elektromagnetische spectrum in staat zijn om de relatieve diëlektriciteit en de viscositeit van hydraulische oliën op te meten, om zo in een vroeg stadium potentiële problemen in de hydraulische componenten van een machine te constateren, zodat je de proces- of machineparameters kunt wijzigen. Op die manier kunnen storingen & stilstand worden vermeden. Hardwarematig en op wiskundig vlak is alles dus in stelling gebracht, maar de hele keten is nog onvoldoende op elkaar afgelijnd om het optimale gebruik van Big Data te realiseren."

Heerst er in die optiek wat protectionisme bij machinebouwers? Want het ultieme doel voor de eindklant moet toch zijn dat zijn machines, ongeacht het merk, onderling kunnen communiceren?

De Wolf: “In principe hoort de machinefabrikant het metaalverwerkende bedrijf altijd toegang te verlenen tot het protocol van de sturing, zodat de vrijgekomen data kunnen worden aangewend om verregaand én merkonafhankelijk te kunnen integreren op bedrijfsniveau. Vandaag echter verloopt dit nogal stroef en is dit fenomeen iets waar vooral integratoren de handen mee vol hebben, maar het zou dus wenselijk zijn om standaard meer openheid in de machinesturingen te voorzien."

Zijn er sectoren waar de metaalbranche zich aan kan spiegelen inzake data-analyse?

De Wolf: “Zeer zeker! In de retail - een sector die zich veel meer online beweegt - 
zie je bijvoorbeeld heel wat toepassingen van Big Data Analytics. Een pasklaar antwoord op de vraag waarom het daar wél werkt en in de industrie minder, is er niet. Al denk ik dit fenomeen te kunnen toeschrijven aan de verschillen in investeringscycli tussen beide sectoren. Machines horen nu eenmaal heel wat jaren te kunnen overbruggen, waardoor de drang om te innoveren vaak minder aanwezig is in vergelijking met de retail. Dat is, denk ik, de reden waarom de industrie wat achterloopt in het gebruik van data om aan procesoptimalisatie te doen."


SCHOOLVOORBEELD VAN DATA-ANALYSE
Na een studie besloot de Amerikaanse pakjesbezorger UPS zijn gps-systemen aan te passen, zodat chauffeurs zo min mogelijk links zouden moeten afslaan. Immers, wie linksaf moet, staat vaak stil op een kruispunt tot hij aan de beurt is. Door deze bizarre ingreep wist het bedrijf intussen circa 38 miljoen liter brandstof per jaar te besparen, wat overeenkomt met een reductie van 20.000 ton CO². Bovendien is er ook minder risico op ongevallen. Het toont aan dat ingrepen die in eerste instantie misschien onlogisch of absurd lijken, toch heel wat winst kunnen opleveren.


De kern van het hele verhaal ligt dus bij data-analyse. Kunnen computers dit al autonoom?

De Wolf: “Om op een goede manier aan data-analytics te doen, heb je wiskundigen nodig, analytici, die bijgestaan door krachtige software bepaalde verbanden kunnen leggen. Koning & Hartman kan hiervoor bogen op het partnership met Ortec, een van 's werelds grootste aanbieders van optimalisatiesoftware en analyseoplossingen. Die software kan dan wel zelf verbanden zoeken, het vertrouwen is er (nog) niet om productiebesturingssystemen op dit moment realtime autonoom aanpassingen te laten doen op basis van een resem algoritmes. Dan begint het hele verhaal stilaan te neigen naar zelflerende AI of artificiële intelligentie. Maar zoiets heeft tijd nodig. Op dit moment echter verkiest men de teugels zelf stevig in handen te houden."

"Vergelijk het met iets als Adaptive Cruise Control (nvdr: waarbij de snelheid van een wagen automatisch wordt aangepast wanneer je binnen een bepaalde afstand van een voorligger komt). Heb je die technologie pas, dan vertrouw je het voor geen haar en ga je steevast zelf op de rem staan. Na verloop van tijd echter merk je dat die autobouwers hun huiswerk echt wel hebben gemaakt en dat je erop kunt rekenen. Een dergelijke state of mind zal zich ook geleidelijk aan doorzetten in de industrie, denk ik. Zodra een efficiencytoename zichtbaar wordt, zal de functie van de achterliggende systemen evolueren van louter adviesverlening tot het autonoom doorvoeren van beslissingen ten behoeve van een betere procesbeheersing."

HINDERNISSEN

Vandaag zou naar verluidt zo'n 70% van de gecapteerde data onbenut blijven.

De Wolf: “Dat lijkt me zelfs nog erg positief. Het inzamelen van data, het maken van een strategische analyse, het verkrijgen van inzicht en het uitbouwen van voorspellende modellen nemen nu eenmaal tijd in beslag. Maar net dáár zit de essentie van Big Data, terwijl dit net het punt is waar vele bedrijven de brui eraan geven."

Wat zijn de praktische hindernissen die een adequate analyse van data vandaag nog in de weg staan?

De Wolf: “Als de data-acquisitie en de rapportages nog handmatig gebeuren, is er al geen beginnen aan. Wanneer die klip dan toch wordt gerond, blijkt de factor mens een andere hindernis. Mensen kunnen de grote stroom van gegevens simpelweg niet allemaal bevatten en verwerken. Een ander obstakel is beveiliging en de omvang van het netwerk. Vaak blijken netwerken te klein om optimaal gebruik te kunnen maken van de doelen die Industrie 4.0 vooropstelt, en komen daarboven de vrees naar inbreuken op de veiligheid en de diefstal van intellectuele eigendommen. Een derde heikel punt dat het optimale gebruik van data in de weg staat, is tijd."

"Vaak heb je de tijd niet om te voorzien in een correcte analyse om zo bloot te leggen wat nu de belangrijkste zaken zijn om te optimaliseren. Last but not least is er ook nog de slagkracht. Is er voldoende geld beschikbaar om de investering in middelen te maken om ten volle te kunnen profiteren van de beschikbare data? Vaak worden structurele wijzigingen en implementaties ten behoeve van Industrie 4.0 te weinig naar waarde geschat: 'Heeft dit wel allemaal zin?'. Bij heel wat bedrijven zijn de marges simpelweg te klein om mensen 'dedicated' in te zetten om processen te analyseren en eventueel aan te passen. En dus gooit men helaas vaak de handdoek in de ring nog voor de eigenlijke winst voelbaar wordt."

ZELF-ADAPTIEF PRODUCTIEPROCES
Zelf-adaptief produceren is met de middelen geen science fiction meer, gezien de beschikbaarheid van automatiseringstechniek, communicatietools en algoritmes voor data-analyse. In de praktijk zorgt het monitoren van de productie met de nodige sensoren ervoor dat er bij het overschrijden van bepaalde waardes adviezen realtime worden overgemaakt aan het productiebesturingssysteem, dat hieraan zelf de nodige gevolgen geeft. Door de wederzijdse uitwisseling van data tussen de scanner (sensoren) en het besturingssysteem ontstaat met andere woorden een zelf-adaptief productieproces, waardoor niet enkel de kwaliteit van het eindproduct toeneemt, maar ook de continuïteit. First-Time-Right-(eenstuksproductie voor de prijs van massaproductie) en Just-In-Time-levering komen zo binnen handbereik te liggen.


HOE DAN WEL STARTEN?

Zodra de hindernissen dan toch overwonnen worden, hoe begin je dan aan het proces om data te gebruiken om je bedrijf beter te maken?

De Wolf: “Bepaal eerst de stip op de horizon. Waar wil je naartoe? Weerhoud jezelf om dat doel ineens te willen bereiken, maar identificeer een klein deelproject waar je mee aan de slag kan, en probeer vervolgens te groeien van een handmatige naar een automatische data-acquisitie. Eén datakoppeling kan al een begin zijn. Probeer zo stap voor stap bits & bytes te vertalen naar praktische modulaties om je firma beter te maken. En die stappen hoeven echt niet al te groot te zijn om alles voor de onderneming en haar medewerkers bevatbaar te houden. Met één (slimme) machine en één platform voor onder meer visualisatie kun je in principe je eerste stappen zetten naar data-driven manufacturing."

Kan ieder bedrijf de overstap naar het benutten van data even vlot overbruggen?

De Wolf: “Het is erg duidelijk dat kleinere start-ups met jonge directieleden de algehele mentaliteit van het gebruik van data in hun opleiding meekrijgen, en hier dan ook ten volle gebruik van willen maken. Ook grotere organisaties zoals multinationals weten inmiddels dat de kleinste procentuele optimalisaties mogelijk miljoenen opleveren, dus ook zij laten deze opportuniteit niet links liggen. De middenmoter, echter, waar ik zo'n 90% van alle bedrijven onder reken, blijkt veelal toch iets te log om dynamisch te ageren onder impuls van data."

HOLOGRAPHIC MACHINE INTERFACE
Met de Holographic Machine Interface brengt ICONICS via de Microsoft Hololens nu ook augmented reality naar de wereld van industriële automatisering en realtime productieomgevingen. Concreet kun je bijvoorbeeld een robot aansturen via handbewegingen die je voor de Hololens maakt, terwijl je tegelijkertijd realtime procesdata te zien krijgt. Koning & Hartman werkt samen met ICONICS om de mogelijkheden van de Hololens te vertalen naar praktische Smart Industry- & Factory Automation-oplossingen.