De manier waarop we data gebruiken om productiesystemen te monitoren en te controleren is veranderd. TIBCO's director of digitalisatiestrategie Alessandro Chimera trekt zijn elektronische overall aan en laadt zijn digitale vetsmeerspuit op om de vorm van de anomalie-economie te verkennen die operationele prestatiebeheer stuurt en bespreekt alles van digital twins tot AI, automatisering tot menselijk toezicht.

Sommige delen van de productie-industrie bestaan nog steeds zoals ze waren aan de wending van de 1900s. We hebben nog steeds het vet, tandwielen en slijpmachines naast de overalls en theepauzes. Die fundamenten zullen waarschijnlijk ver in de geautomatiseerde, autonome toekomst doordringen omdat mensen altijd een rol zullen spelen in het bredere fundamentele verhaal dat elke productiefaciliteit opereert.

Maar, natuurlijk, we weten dat productie veranderd is. Door de eerste, tweede en nu derde industriële revoluties hebben we stoom-aangedreven versnelling, mechanisatie en nu IT-gedreven automatisering zien toegepast op productieoperaties op manieren die onze voorouders zich nooit hadden kunnen voorstellen.

Naarmate we de hyper-gecontroleerde productiefaciliteit van morgen betreden met digital twins en data die nu onze fysieke machines en menselijke werknemers bijvoegen, moeten we ons afvragen hoe we anomaliedetectie benaderen. Het is redelijk makkelijk om een dip of piek op een grafiek te spotten die een significante meting rapporteert, maar wat doen we als er een langzame degradatie van kwaliteit of prestaties is die plaatsvindt over een maand, of misschien langer?

Verblind menselijk toezicht

Moderne productiefaciliteiten opereren nu op een massaproductieschaal die elke enkelpersoons (of zelfs groeps) vermogen overstijgt om op elk punt op de shopfloor tegelijkertijd te zijn. In deze omgevingen kunnen we niet vertrouwen op menselijke observatie om ons het complete plaatje te geven dat we nodig hebben. In de huidige moderne faciliteiten is er zelden slechts één variabele om te tracken, het is waarschijnlijker honderden of duizenden variabelen.

Als een productie-anomalie 'kruipt' in onze operaties, kan het onopgemerkt blijven tot het te laat is en we er niets meer aan kunnen doen. We moeten praten over nieuwe manieren van werken.

Een naald in een hooistack van productiedata

We weten dat industriële datasets erg groot en extreem complex zijn. Anomaliën detecteren en voorspellen is daarom moeilijker dan zoeken naar een naald in een hooistack omdat we vaak niet weten wat we zoeken. Maar, een anomalië detecteren betekent besparing, wat omgezet wordt in hogere productieopbrengsten, zowel direct als verderop de lijn.

Veel fabrikanten weten dat ze massive datasets hebben, maar al te vaak zijn die datastores gesiloed en verspreid over meerdere systemen. Deze dispersie en divergentie van data maakt het moeilijk om te begrijpen wanneer een anomalië gerelateerd is aan meerdere datasystemen, of gerelateerd aan verschillende fysieke productiefasen. Inderdaad, soms is het nodig om data op te halen van producten die al op de markt zijn en operationele of functionaliteitsproblemen hebben getoond. Of welke manier, de eerste stap is om al je databronnen te verenigen.

Vandaag werken we in een wereld waar analytics een fundamenteel onderdeel wordt van moderne fabrieken; een trend onderstreept door de ontwikkeling van digital twins, waar we accurate, snelle en intelligente analytics moeten toepassen om de voorspellende inzichten te verkrijgen die deze virtuele machines kunnen bieden.

Eenmaal data beschikbaar is en toegankelijk, is geavanceerde analytics er om te beginnen met analyseren wat er gezocht moet worden. Moderne data science technieken helpen ons verborgen anomaliën te ontdekken die niet direct begrepen zijn door het enorme aantal parameters dat productkwaliteit kan beïnvloeden.

Machine learning en AI scouts anomaliën

Dit brengt ons tot vandaag. We zijn nu op een punt waar machine learning (ML) en kunstmatige intelligentie (AI) hun weg vinden in het productieproces.

Sommige fabrikanten hebben initieel ML gebruikt om een begrip te krijgen van hun marketinginitiatieven, klanten te segmenteren en specifieke acties te triggeren. Maar in meer recente jaren, hebben de meer progressieve en geavanceerde fabrikanten begonnen het voordeel te begrijpen van het gebruik van ML en AI technieken om anomaliën te detecteren.

Een voorbeeld is het gebruik van autoencoders om van data te leren. Een autoencoder is een kunstmatig neuraal netwerk intelligentie techniek gebruikt in ML. Het wordt gebruikt om te coderen en feature-te leren van unlabeled datasets in wat we gemeenschappelijk unsupervised learning noemen.

Onze real-time efficiënte productietoekomst

Door getrainde statistische modellen toe te passen op real-time data, is het mogelijk om te voorspellen wanneer een anomalië zal plaatsvinden. Dit drijft ons naar een nieuw punt van efficiënte operaties. Al dit leidt ons tot het punt waar we nu kunnen verschuiven van reageren op een anomalië, naar de anomalië voorspellen met het voordeel van substantiële operationele kostenreducties. We reduceren kosten als direct resultaat van verminderde defect- en schrotpercentages en preventie van ongeplande apparatuurdowntime.

Hemlock Semiconductor (HSC) is een toonaangevende fabrikant die procescontrole, predictief onderhoud en anomaliedetectie-oplossingen gebruikt om de halfgeleiderproductie te stroomlijnen en te controleren.

Door near real-time alerting voor individuele productieprocessen te introduceren, kunnen werknemers nu automatisch sleutelparameters vergelijken tegen vooraf gedefinieerde drempels, statistische regels en optimale patronen ontdekt door machine learning en AI methoden. HSC ontvangt automatisch gegenereerde alerts zodra een proces buiten acceptabele parameterbanden valt, wat productiepersoneel notificeert dat iets hun aandacht vereist. Personeel kan dan direct toegang krijgen tot data om precies te zien welke variabele de oorzaak kan zijn. Eenmaal deze oorzaak-gevolg relaties geïdentificeerd zijn, ondernemen teams actie om procesdefecten weer te voorkomen.

Al deze voortgang leidt ons uiteindelijk naar onze morgen en de toekomst van onze planeet. Naarmate het gebruik van digital twins uitbreidt in lijn met de toepassing van data analytics en ML, wordt elke fabrikant een data-gedreven fabriek, gefocust op steeds nauwkeurigere anomaliedetectie. Op dit punt kunnen fabrikaten meer acuut werken met geoptimaliseerde energieverbruik voor het goed van ons allen.

Plant productiviteit zal altijd voorop staan en aangezien de toekomst onmiskenbaar data-gedreven is, is dit een pad dat we logisch moeten volgen. Als resultaat zullen we in staat zijn om producten op de markt te brengen die niet alleen betere prestaties leveren, maar ook beter werken en langer mee gaan. Wat de impact is op de goedkope wegwerpgoederenmarkt – waar kwaliteit afgestemd is op 'verlopen' na een bepaalde periode – is een andere vraag voor een andere dag.

De manier waarop we goederen en gerelateerde diensten produceren kan nu verbeterd worden door anomaliedetectie en de bijbehorende motor die het krijgt van data analytics en intelligentie. Als dat geen excuus is om onze overalls uit te trekken en neer te zetten voor een theepauze, dan is er niets.