IoT, data, AI en digital twins in de fabriek: van onderbuikgevoel naar datagedreven besluitvorming

1. Hoe je grip krijgt op de impact van iedere beslissing op je organisatie en/of de keten?
2. Hoe je ervoor zorgt dat je fabriek 24/7 blijft draaien, maar dat je geen operators meer uit bed hoeft te bellen.
3. Hoe je met simulaties precies kan bepalen wat er gebeurt als je de instellingen van machines wijzigt of als je andere grondstoffen gaat gebruiken.

De afgelopen decennia hebben veel bedrijven in de productie-industrie geïnvesteerd in software om processen in verschillende domeinen – zoals operations, sales, finance en HRM – te automatiseren. Daardoor hebben ze kostbare, tijdrovende en repeterende werkzaamheden geautomatiseerd. Denk aan het vereenvoudigen van het order- en facturatieproces en het nauwkeuriger plannen van de productie met behulp van slimme software. De laatste jaren verschuift de focus binnen veel productieorganisaties naar het creëren van inzicht in grote hoeveelheden data met dashboards, analyses en rapportages. Daardoor wordt het mogelijk complexe vraagstukken te onderbouwen met cijfers en om het verhaal achter die cijfers te vertellen. 

Het creëren van inzicht gebeurt nu vaak nog per afdeling of domein. De verkoopafdeling heeft een rapportage met daarin actuele verkoopcijfers, verkoopprognoses en de status van de pijplijn (leads). Productie gebruikt een ander dashboard met daarin de actuele status van machines en de OEE (Overall Equipment Effectiveness). En planners hebben weer een rapportage met daarin de dag- en weekbezetting van machines, het aantal gebruikte manuren etc. Het nadeel van al deze losse inzichten is dat je geen zicht hebt op de impact voor de rest van de organisatie als je iets wilt verbeteren. Als je bijvoorbeeld de productiecapaciteit wilt verhogen, kunnen daar negatieve gevolgen aan vastzitten. Misschien voldoe je daardoor niet meer aan wet- en regelgeving en je duurzaamheidsdoelstellingen, omdat je meer C02 uitstoot dan toegestaan. Dat levert je een boete op die je meer kost dan de winst die je boekt met upgrade van je productiefaciliteiten. Maar het kan ook ervoor zorgen dat je energiekosten boven de maximale kostprijs uitkomen of dat je de kwaliteit van producten niet meer kunt waarborgen. 

Wat is de impact op de organisatie en de keten?

Waar je als productiebedrijf naartoe wilt is dat je niet alleen inzicht hebt per domein of afdeling, maar inzicht krijgt in het gehele proces, en bij voorkeur de gehele keten. Dat betekent dat je precies weet hoe het proces van verkoop tot planning, productie, expeditie en facturatie loopt én hoe al die processen elkaar beïnvloeden. Je gaat op zoek naar een gezamenlijk belang voor je organisatie in plaats van een individueel belang per afdeling. Daar kan data een belangrijke rol in spelen. Door informatie uit systemen, machines, applicaties, dashboards, rapportages en analyses van verschillende afdelingen met elkaar te koppelen, creëer je nieuwe inzichten en kun je verschillende scenario’s doorrekenen. Als je de productiecapaciteit gaat verhogen, wat is de impact op inkoop, planning, medewerkers en verkoop? Wat is de beste manier om onze kosten laag houden? Of hoe kunnen we onze producten verbeteren?

Daarnaast biedt deze integrale aanpak ook mogelijkheden om je processen beter af te stemmen op klanten en leveranciers. De afhankelijkheid tussen alle partners in de keten is groot. Als bijvoorbeeld onderdelen niet geleverd kunnen worden, heeft dat invloed op alle betrokken partijen. Daar wil je het liefst zo snel mogelijk van op de hoogte zijn en inzicht hebben in de mogelijke scenario’s en resultaten. Zo kun je voor- en nadelen tegen elkaar af te wegen en uiteindelijk de beste beslissing nemen. Op basis daarvan kun je nieuwe afspraken maken met je leveranciers en klanten op tijd weten dat er schaarste is van een bepaald product. 

Wat is daarvoor nodig?

Data, slim gebruik van data en bewezen technologie. Hoe meer real-time data, historische data en operationele data je verzamelt en combineert, hoe waardevoller je analyses en rapportages worden. Zeker wanneer je ook data uit je bestaande bedrijfsapplicaties, zoals je ERP-systeem, MES of asset managementsysteem, gaat verzamelen en bij elkaar brengt in een toekomstgericht data-platform. Zo beschik je over een rijke bron van kennis en informatie voor tactische, operationele en strategische beslissingen. Vervolgens kun je met slimme algoritmes patronen ontdekken, waarbij rekening wordt gehouden met de complexe samenwerking van de verschillende onderdelen. Patronen die je anders nooit zou vinden. Bijvoorbeeld het exacte verband tussen temperatuurswisselingen en de slijtage van een onderdeel. 

Deze vorm van inzicht gaat veel verder dan alleen een dashboard waarmee je terugkijkt op wat er gebeurd is. Je gaat kijken naar afwijkende patronen en hoe die ontstaan. Wat zijn de oorzaken en hoe kun je die oplossen? Pas als je echt goed weet waarom iets gebeurt, kun je ook met een hoge betrouwbaarheid iets gaan voorspellen. Daarna kun je voorspellen en simuleren om te kijken hoe processen slimmer ingericht kunnen worden om problemen in de toekomst helemaal te voorkomen. Hoe dat werkt? Dat leggen we uit aan de hand van een voorbeeld.

Dashboarding & advanced analytics

Een productiebedrijf maakt verschillende soorten producten met aardappelen. Een belangrijk onderdeel in het productieproces is het snijden van de aardappelen. De snijmachines bevinden zich aan het begin van de keten en beter snijden reduceert verliezen en verhoogt de output, ook verderop in het proces. Verder leidt beter snijden tot lagere energiekosten, lagere materiaalkosten, minder slijtage en minder arbeid.

Daarom wilde het productiebedrijf het gedrag van de messen in de snijmachines in kaart brengen door continu een viertal aspecten in de gaten te houden:

• Het toerental van de messen
• Het bijbehorende koppel
• De verbruikte stroom
• De handelingen van de operator

De verschillende variabelen worden bij elkaar gebracht, geanalyseerd en gecorreleerd aan allerlei andere gegevens van de snijmachines. Wat was bijvoorbeeld de afstand tussen de messen en wanneer waren er noodstoppen? Al deze gegevens werden verzameld en gevisualiseerd in een dashboard. Uit de eerste analyses kwam naar voren dat het type aardappel veel invloed had op de levensduur van de messen. In een simpele grafiek was te zien hoe de kwaliteit van de messen drastisch daalde bij het snijden van één soort aardappel. 

Vervolgens werd er een voorspellend model ontwikkeld om te bepalen wanneer de messen van een bepaalde snijmachines aan vervanging toe waren. Belangrijk hiervoor was de input van de operator. Als het model aangaf dat de messen aan vervanging toe waren, gaf hij na inspectie direct feedback aan het model met een digitaal formulier of hij het eens was met het voorstel. Schatte hij de resterende levensduur van de messen langer of juist korter in? Door deze feedback worden de voorspellingen steeds nauwkeuriger en dus betrouwbaarder.

Geen operators meer uit bed bellen

Door nauwkeurig te voorspellen wanneer de messen in de snijmachines aan vervanging toe zijn, is het voor operators veel overzichtelijker geworden wanneer ze onderhoud uit moeten voeren. De productie draait 24 uur per dag en het kwam regelmatig voor dat operators midden in de nacht uit bed werden gebeld voor werkzaamheden. Dat leverde veel klachten op bij de HR-afdeling. Nu is het onderhoud beter te plannen en weten operators precies waar ze moeten zijn, wat er vervangen moet worden en wanneer onderhoud nodig is. Bovendien is er meer duidelijkheid over de levensduur van onderdelen in de snijmachines. Daardoor weet de afdeling inkoop precies welke onderdelen ingekocht moeten worden en is er altijd voldoende voorraad. En uiteindelijk worden de onderhoudsprocessen verbeterd. Operators werken volgens nieuwe standaarden, waarbij de operator met de meeste kennis de norm is geworden. Een ‘junior’ operator maakt gebruik van de intelligentie die gebruikt wordt in de technologie en werkt zodoende volgens de norm die het bedrijf nastreeft.

Voorspellen & waarschuwen

Doordat het productiebedrijf meer grip kreeg op het productieproces, kon er efficiënter worden geproduceerd en werd het aantrekkelijker om meer te gaan produceren. Dat heeft invloed op de complexe keten van telers, leveranciers, retailers en eindklanten. Want als producent kun je wel meer willen, maar als je leverancier niet levert of je klanten willen niet meer producten kopen, heeft het niet zo veel zin om meer te produceren. Daarom besloot het bedrijf om een model te ontwikkelen om de productie af te stemmen op de oogst van aardappeltelers en verkoop van het product door retailers. Dit model maakt gebruikt van data over vraag (contracten, daghandel en actuele klantvraag) en aanbod (verwachte oogstprognoses vanuit telers, temperatuur, luchtvochtigheid, type aardappel, zaden, bewatering en andere zaken die de groei beïnvloeden). Daardoor kan het productiebedrijf nu zien waar ze marge laten liggen en hoe ze vraag en aanbod beter op elkaar kunnen afstemmen.

Mede door dit model zag het productiebedrijf dat de verkoop van bepaalde producten achterbleef ten opzichte van andere producten. Daarom zijn ze operationele data – zowel van de afgelopen jaren én actuele informatie – gaan analyseren van het aantal verkochte producten en de verkochte producten per klant. Zo kon het bedrijf voorspellen bij welke klanten en producten naar verwachting de grootste kansen lagen om meer te verkopen. Op basis van die voorspellingen stuurt het model een automatische notificatie naar het salessysteem om verkopers te attenderen op kansen en mogelijkheden. Bijvoorbeeld als een klant de afgelopen jaren voor drie ton heeft besteld, maar halverwege dit jaar pas 50.000 euro heeft besteed, dan krijgt een verkoper daar bericht over. Vervolgens zijn ze ook andere data toe gaan voegen, om de invloed van bijvoorbeeld feestdagen op de verkopen te voorspellen.  

Volledig productieproces digitaal simuleren

Door het succesvolle project met de snijmachines besloot het productiebedrijf om het fabrieksproces verder in kaart te brengen. Stapsgewijs is de data van machines, producten, processen, de omgeving en in-en externe data in kaart gebracht. Nu weet de organisatie per machine waar de knelpunten zitten en wanneer onderdelen vervangen moeten worden. Nog belangrijker is dat het bedrijf nu een volledig digitale representatie (digital twin) heeft van het fabrieksproces. In een dashboard is het proces van begin tot eind gevisualiseerd. Zo kunnen operators onder andere zien wat er gebeurt in de fabriek, welke processen er spelen en hoeveel grondstoffen er verbruikt worden. Bovendien is het mogelijk met een wiskundig model diverse scenario’s in het productieproces te simuleren. Zo kunnen ze bijvoorbeeld zien wat er gebeurt als ze de instellingen van machines wijzigen of als ze andere grondstoffen gaan gebruiken. Afhankelijk van de business drivers – bijvoorbeeld produceren op basis van maximale output of produceren op basis van snelle klantlevering – worden allerlei simulaties doorgerekend en zorgt het algoritme voor het optimale scenario gezien de omstandigheden en wensen. Daaruit komen acties voort die automatisch worden teruggestuurd naar andere systemen en applicaties. Een voorbeeld: uit de simulatie komt naar voren dat als de snijmachine 2 kilometer per uur sneller draait, dat er meer aardappelen gesneden kunnen worden zonder dat de messen sneller slijten. Daardoor wordt het mogelijk om beter te voldoen aan de vraag van klanten en het aanbod van leveranciers. Deze optimalisatie levert dus direct waarde op voor de hele keten. De digital twin geeft op basis van het beste scenario een seintje aan een MES-systeem om de instellingen van een machine te veranderen, zodat die net iets sneller zijn taak uitvoert. De uitkomsten van deze verandering worden nauwkeurig gemonitord in een ander voorspellend model en worden weer als feedback teruggegeven zodat het model – en de digital twin – hiervan leren en slimmer worden. 

Volledig geautomatiseerd

De laatste stap voor de producent is om uiteindelijk ‘het licht uit te kunnen doen in de fabriek’. Dit gebeurt bijvoorbeeld al in broeikassen, waarbij het productieproces volledig geautomatiseerd is en er geen medewerkers nodig zijn om de gewassen te monitoren. Machines, apparaten en sensoren geven zelf notificaties af als bepaalde waarden overschreden worden. Een operator kan vervolgens op afstand zien wat het probleem is en eventueel ingrijpen, of er wordt zelfs automatisch actie ondernomen. Daarvoor heeft het bedrijf echter nog enkele stappen te zetten.

Hoe hebben ze het aangepakt?

Bij de start van dit ambitieuze project had de producent de ambitie om de mogelijkheden van Industrie 4.0 te benutten en hiermee het concurrentievoordeel te behouden. Dduidelijk dat ze met de data uit hun organisatie aan de slag wilden, om meer grip te krijgen op hun bedrijfsprocessen en betere beslissingen te nemen met behulp van data. Daarom kozen ze voor één centraal cloud-platform waarin ze alle data uit machines, systemen, applicaties, dashboards en rapportages integreren en analyseren. Door het onderliggende platform konden ze beheersbaar en veilig groeien. Zo konden ze eenvoudig steeds meer systemen integreren, hielden ze de kosten beperkt en was hun oplossing schaalbaar in het datavolume en rekenkracht. Maar uiteindelijk was het vooral belangrijk om een robuust en toekomstgericht data-platform te ontwikkelen.

Bovendien bood het platform veel voorverpakte functionaliteit waarmee ze snel up-and-running waren met het ontsluiten, integreren, monitoren en analyseren van hun data. Binnen een paar dagen waren de benodigde databronnen verbonden en konden ze al starten met het monitoren van de snijmachines. Stapsgewijs voegden ze extra bronnen en nieuwe data uit bedrijfsapplicaties of de systemen van je leveranciers en klanten toe aan de analyses en voorspellende modellen. Zo bouwen ze stap voor stap aan een digital twin – een collectief brein – waarmee ze hun fabriek steeds slimmer maakt.

Wat zou het jouw productiebedrijf opleveren als inzicht krijgt in het gehele proces – van inkoop tot productie – of zelfs de gehele keten?