Knelpunten elimineren: Analytics benutten voor productie-efficiëntie

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

De problemen rondom knelpunten in de productie zijn goed gedocumenteerd. Van productievertragingen, overvoorraad, verhoogde druk van klanten en daarbuiten, de problemen die veroorzaakt worden door een plotselinge, onvoorziene beperking in capaciteit, kunnen verwoestend zijn voor elk bedrijf in de industrie. Met dit in gedachten, spreekt Manufacturing Global met de vroegere Yahoo data scientist en leidende figuur bij Progress DataRPM, Ruban Phukan, over het gebruik van voorspellende onderhoudsmodellen en hoe ze kunnen helpen een fail-proof omgeving te vestigen.

Tot de kern van het probleem

Als vroegere lid van het Yahoo data-analyseteam, is Phukan goed vertegenwoordigd in de complicaties rondom het gebruik van big data. "Ik was onderdeel van het eerste data science team dat bij Yahoo werd aangemaakt veel jaren geleden," zegt hij. "De grote les daar was dat data science heel moeilijk handmatig te schalen is voor grote organisaties. Wat we realiseerden is dat de enige manier om het data science-probleem op te lossen, op een manier die waarde toevoegt aan een bedrijf, is om de processen die achter die data-analyse zitten te automatiseren."

Na Yahoo, startte Phukan zijn eigen verticale zoekmachinebedrijf, waarbij machine learning werd gebruikt om gebruikersgedrag te begrijpen, specifiek omgaande met voorspellende analytics. Na het verkopen ervan ging hij in business met zijn huidige medeoprichters, waar hij het verhaal van ProgressDataRPM oppakt en hoe het stappen zet naar, onder andere, het aanpakken van knelpunten.

"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 opgelost worden. Er zijn gewoon niet genoeg data scientists. Zelfs met de enorme hoeveelheid data die er is, rechtvaardigt het soort waarde dat bedrijven eruit haalden niet de ROI," zegt hij.

"Dus, we begonnen te zeggen: 'kunnen we een platform creëren dat data science processen naadloos en geautomatiseerd maakt?' We wilden dat bedrijven best practices kunnen benutten, toepassen op hun problemen en op schaal oplossen."

Voortgang in machine learning

Met de vooruitgang in de technologische capaciteit van machine learning, waren Phukan en zijn medeoprichters in staat om de schiere hoeveelheid data en informatie die beschikbaar was voor hun cliënten aan te pakken op een manier die eerder niet mogelijk was. Cruciaal, voor productiebedrijven, betekende dit dat ze ook een positieve impact konden initieren op zaken als de productielijn.

"Bijvoorbeeld, met dingen zoals sensors die ingeschakeld zijn, helpt het ons om op een heel gedetailleerd niveau te begrijpen, het normale functioneren van een machine onder verschillende operationele en omgevingscondities. We kunnen dan beoordelen hoe dit de gezondheid van een machine beïnvloedt en consequent wat dit doet met de productielijn, in termen van efficiëntie," vertelt hij ons.

Door een geautomatiseerd plant farm te deployen dat niet vereist dat iemand een data science expert is, helpt ProgressDataRPM grote asset-gebaseerde industrieën essentieel twee problemen op te lossen: hoe ongeplande downtime te minimaliseren en hoe de kwaliteit en efficiëntie van de output van hun activa te maximaliseren. Dit wordt allemaal gedaan via hun cognitieve anomalie voorspellingssoftware. Het moment dat het verbonden is met sensor-gebaseerde data, baseline het automatisch de normale operationele condities van de machine. Het zoekt dan naar dingen die afwijken van deze condities en creeërt een waarschuwing voordat het de potentiële problemen voorspelt die kunnen optreden.

Het is deze capaciteit om het onbekende te voorspellen die Phukan vindt dat een grote afwijking vertegenwoordigt van eerdere traditionele processen. "We moeten in staat zijn om te onderzoeken waarom dingen in het verleden zijn gebeurd, maar, nog belangrijker, we moeten ook dingen voorspellen die nog niet zijn gebeurd," legt hij uit.

Impact op de montagelijn

Een van de kerngebieden die productiebedrijven moeten onderzoeken zijn de processen die impact hebben op wat er op de productielijn gebeurt, specifiek de timing van kwaliteitscontrole. "We hebben met een aantal fabrikanten in de auto- en gezondheidszorgindustrie gewerkt, bijvoorbeeld, en een van de grootste uitdagingen die ze tegenkomen is dat de kwaliteitscheck aan het einde van het productieproces gebeurt. Dus, zodra een hele batch van een product gemaakt is, zullen de tests worden gedraaid om te bepalen of het OK is. Dit kan leiden tot schrootpercentages van zo hoog als 75%," zegt Phukan.

Omdat de meeste test suite regels alleen geschreven kunnen worden op basis van eerdere ervaring, kan dit, wanneer een nieuw probleem ontstaat dat niet is meegerekend, leiden tot ernstige problemen zoals productterugroepacties. Het gebruik van voorspellende analytics platforms zal daarom, volgens Phukan, de norm worden. Inderdaad, dit is iets wat hij al steeds vaker in de productie ziet.

"Wanneer fabrikanten met ons spreken, vragen ze of ze machine learning kunnen gebruiken om te bepalen, onderweg, of een batch defect is. Ze weten dat we dingen veel eerder kunnen detecteren, dus ze kunnen het proces stoppen om kosten en verlies te minimaliseren."

Heeft hij specifieke voorbeelden van dit in actie? "We werken met een grote telecom provider in Frankrijk en ze hadden een echte uitdaging met hun set-top box, wat niet iets is wat u zou aannemen dat zware voorspellende onderhoud vereist. Het probleem dat ze hadden was dat elke keer dat er een faalde, ze moesten gaan en het probleem identificeren en het vervangen. Natuurlijk is dit kostbaar in termen van tijd en geld. Er is ook een enorm risico op klantverlies," zegt hij.

"We hebben proactief geïdentificeerd dat een derde van hun boxen een probleem had wat betekende dat klantenservice kon bellen en de mensen vertellen om hun box te updaten of een vervanging te sturen voordat een storing optreedt."

De toekomst van knelpuntsanalyse

Fabrikanten worden duidelijk meer afgestemd op de voordelen van machine-first cognitieve technologie, wat hen in staat stelt om anomalieën te identificeren en potentiële een subject matter expert in te schakelen om de gevolgen van de bevindingen van de machine te bepalen.

Inderdaad, bespreekt Phukan hoe AR, IoT, garanties, hybride cloud computing en blockchain allen hun rol zullen gaan spelen, echter, het is het detecteren van het onbekende wat hij voelt dat de sleutel zal zijn. "De sleutel is niet wat al bekend is; domeinexperts kunnen een geweldig werk doen om dat te hanteren, maar de grote uitdaging is het onbekende en wat bedrijven de volgende keer gaat treffen. Dat is wat we moeten voorkomen en dat is de kern van wat het productiespel zal veranderen," concludeert Phukan.