Knelpunten overwinnen:de kracht van analyses in productie

Ruban Phukan, medeoprichter en Chief Product and Analytics Officer bij Progress DataRPM, bespreekt de eeuwenoude strijd met knelpunten en de rol van pred...

Ruban Phukan, medeoprichter en Chief Product and Analytics Officer bij Progress DataRPM, bespreekt de eeuwenoude strijd met knelpunten en de rol van voorspellende analyses in productie.

De problemen rond knelpunten in de productie zijn goed gedocumenteerd. Van productievertragingen, overstock, verhoogde druk van klanten en daarbuiten, de problemen veroorzaakt door een plotselinge, onvoorziene capaciteitsbeperking kunnen verwoestend zijn voor elk bedrijf in de industrie. Met dit in gedachten spreekt Manufacturing Global met voormalig Yahoo-datawetenschapper en toonaangevend licht bij Progress DataRPM, Ruban Phukan, over het gebruik van voorspellende onderhoudsmodellen en hoe deze kunnen helpen bij het opzetten van een faalveilige omgeving.

Tot de kern van het probleem komen

Als voormalig lid van het Yahoo-gegevensanalyseteam is Phukan goed thuis in de complicaties rond het gebruik van big data. "Ik maakte deel uit van het eerste datawetenschapsteam dat vele jaren geleden bij Yahoo werd opgericht", zegt hij. “Het grote leerpunt was dat datawetenschap voor grote organisaties erg moeilijk handmatig te schalen is. Wat we ons realiseerden, is dat de enige manier om het datawetenschapsprobleem echt op te lossen, op een manier die waarde kan toevoegen aan een bedrijf, is om de processen achter die data-analyse te automatiseren.”

Nadat hij Yahoo verliet, begon Phukan zijn eigen bedrijf voor verticale zoekmachines, waarbij hij machine learning gebruikte om het gedrag van gebruikers te begrijpen, met name op het gebied van voorspellende analyses. Nadat hij het had doorverkocht, ging hij zaken doen met zijn huidige mede-oprichters, waar hij het verhaal van ProgressDataRPM oppikt en hoe het vooruitgang boekt om onder meer knelpunten aan te pakken.

“Toen we voor het eerst bij elkaar kwamen, realiseerden we ons dat er een enorme hoeveelheid digitale data werd gegenereerd, maar het probleem bleef hetzelfde:het kan niet handmatig worden opgelost. Er zijn gewoon niet genoeg datawetenschappers. Zelfs met de enorme hoeveelheid gegevens die er zijn, rechtvaardigt het soort waarde dat bedrijven eruit halen de ROI niet", zegt hij.

"Dus we begonnen te zeggen 'kunnen we een platform creëren dat datawetenschapsprocessen naadloos en geautomatiseerd maakt?' We wilden dat bedrijven de beste praktijken konden benutten, deze op hun problemen konden toepassen en deze op grote schaal konden oplossen."

Vooruitgang in machine learning

Met de vooruitgang in de technologische mogelijkheden van machine learning waren Phukan en zijn mede-oprichters in staat om de enorme hoeveelheid gegevens en informatie die voor hun klanten beschikbaar waren aan te pakken op een manier die voorheen niet mogelijk was. Voor productiebedrijven betekende dit van cruciaal belang dat ze ook een positieve impact konden hebben op zaken als de productielijn.

"Als bijvoorbeeld sensoren zijn ingeschakeld, helpt het ons om op een zeer gedetailleerd niveau de normale werking van een machine onder verschillende bedrijfs- en omgevingsomstandigheden te begrijpen. We kunnen dan beoordelen hoe dit de gezondheid van een machine beïnvloedt en dus wat dit doet met de productielijn, in termen van efficiëntie”, vertelt hij.

Door een geautomatiseerde plantenkwekerij in te zetten waarvoor niemand een datawetenschapsexpert hoeft te zijn, helpt ProgressDataRPM grote, op activa gebaseerde industrieën in wezen om twee problemen op te lossen:hoe ongeplande uitvaltijd te minimaliseren en hoe de kwaliteit en efficiëntie van de output van hun middelen. Dit gebeurt allemaal via de software voor het voorspellen van cognitieve afwijkingen. Op het moment dat het is verbonden met sensorgebaseerde gegevens, stelt het automatisch de normale bedrijfsomstandigheden van de machine vast. Vervolgens zoekt het naar dingen die afwijken van deze voorwaarden en genereert het een waarschuwing voordat het mogelijke problemen voorspelt die zich kunnen voordoen.

Het is dit vermogen om het onbekende te voorspellen dat volgens Phukan een belangrijke afwijking is van eerdere traditionele processen. "We moeten kunnen onderzoeken waarom dingen in het verleden zijn gebeurd, maar, belangrijker nog, we moeten ook dingen kunnen voorspellen die niet zijn gebeurd", legt hij uit.

Beïnvloeding van de lopende band

Een van de belangrijkste gebieden die productiebedrijven moeten onderzoeken, zijn de processen die van invloed zijn op wat er op de productielijn gebeurt, met name de timing van kwaliteitscontrole. “We hebben bijvoorbeeld met een aantal fabrikanten in de auto- en gezondheidszorgsector samengewerkt en een van de grootste uitdagingen waarmee ze worden geconfronteerd, is dat de kwaliteitscontrole plaatsvindt aan het einde van het productieproces. Dus zodra een hele batch van een product is gemaakt, worden de tests uitgevoerd om te bepalen of het in orde is. Dit kan leiden tot schrootpercentages van wel 75%”, zegt Phukan.

Aangezien de meeste regels voor testsuites alleen kunnen worden geschreven op basis van eerdere ervaringen, kan dit leiden tot ernstige problemen zoals het terugroepen van producten wanneer zich een nieuw probleem voordoet waar nog geen rekening mee is gehouden. Het gebruik van predictive analytics-platforms zal volgens Phukan dan ook de norm worden. Dit is inderdaad iets dat hij al steeds vaker in de productie heeft opgemerkt.

“Als fabrikanten met ons praten, vragen ze of ze machine learning kunnen gebruiken om onderweg te bepalen of een batch defect is. Ze weten dat we dingen veel eerder kunnen detecteren, zodat ze het proces kunnen stoppen om kosten en verlies te minimaliseren.”

Heeft hij hier concrete voorbeelden van? “We werken samen met een grote telecomprovider in Frankrijk en zij hadden een echte uitdaging met hun settopbox, waarvan je niet zou verwachten dat er veel voorspellend onderhoud nodig is. Het probleem dat ze hadden was dat elke keer dat er een faalde, ze het probleem moesten gaan identificeren en vervangen. Uiteraard kost dit veel tijd en geld. Er is ook een enorm risico om klanten te verliezen”, zegt hij.

"We hebben proactief vastgesteld dat een derde van hun dozen een probleem had, wat betekende dat de klantenservice kon bellen en de mensen kon vertellen hun doos te updaten of een vervanging te sturen voordat er een storing optreedt."

De toekomst van knelpuntenanalyse

Fabrikanten raken duidelijk meer afgestemd op de voordelen van machine first cognitieve technologie, waardoor ze afwijkingen kunnen identificeren en mogelijk een materiedeskundige kunnen inschakelen om de gevolgen van de bevindingen van de machine te helpen bepalen.

Phukan bespreekt inderdaad hoe AR, IoT, garanties, hybride cloudcomputing en blockchain allemaal in toenemende mate hun rol zullen spelen, maar het detecteert het onbekende dat volgens hem de sleutel zal zijn. “De sleutel is niet wat al bekend is; domeinexperts kunnen daar uitstekend werk van maken, maar de grote uitdaging is het onbekende en wat er vervolgens met bedrijven gaat gebeuren. Dat is wat we moeten voorkomen en dat is de kern van wat het fabricagespel zal veranderen", besluit Phukan.