Van Big Data naar Smart Data:betere inzichten in de productie

Fabrikanten beschikken over veel gegevens en weinig inzichten. Volgens onderzoek van IBM gebruikt slechts 28% van de organisaties “data van apparatuur, processen en systemen om inzichten te verwerven voor continue procesverbetering.” 

Het probleem? Big data alleen zorgen zelden voor betekenisvolle waarde zonder context en intentie. Om de huidige activiteiten te optimaliseren en concurrerend te blijven in een digital-first-markt, hebben fabrikanten een manier nodig om big data om te zetten in slimme data. Dat wil zeggen:informatie die relevant, accuraat en actiegericht is. 

Blijf lezen voor meer informatie over big data en slimme data, en hoe bedrijven de kloof kunnen overbruggen. 

Wat zijn big data in de productie?

Big data bestaan uit grote en complexe datasets die door productiesystemen worden gegenereerd, maar volume alleen garandeert geen inzicht of operationele verbetering. 

Veel voorkomende big data-bronnen zijn IIoT-systemen, productiesysteemsoftware en programmeerbare logische controllers (PLC's), onderhoudslogboeken, kwaliteitscontroletools en geautomatiseerde onderhoudsbeheersystemen (CMMS). 

Big data richt zich eerder op kwantiteit dan op kwaliteit, wat op zijn beurt uitdagingen met zich meebrengt op het gebied van bruikbaarheid. Hoewel meer gegevens bedrijven kunnen helpen het grote geheel te zien, wordt het moeilijker om de details te zien. 

Vier kenmerken komen vaak voor bij big data: 

• Volume:  Volume verwijst naar de hoeveelheid gegenereerde gegevens. Veel bedrijven genereren tegenwoordig elke dag terabytes (TB) aan gegevens. 

• Snelheid:  Snelheid verwijst naar de snelheid waarmee gegevens worden gemaakt en bijgewerkt. Omdat veel productielijnen 24/7/365 draaien, staan ​​de gegevens nooit stil.  

• Verscheidenheid:  Variatie spreekt tot variatie. Fabrikanten verzamelen nu alles, van materiaalgegevens tot informatie over prestatie-efficiëntie, aangesloten IoT-sensorgegevens en kwaliteitscontroleresultaten.  

• Waarheidsgetrouwheid:  Waarheid is waarheid:zijn gegevens accuraat en betrouwbaar? Big data zijn niet nuttig als gegevensbronnen niet kunnen worden vertrouwd. 

Wat zijn slimme gegevens?

Slimme data zijn samengestelde, gecontextualiseerde en doelgerichte informatie die wordt geproduceerd via big data-analyse. Terwijl big data vaak op grote schaal worden verzameld en opgeslagen, worden slimme data doelbewust vormgegeven om geïnformeerde besluitvorming te ondersteunen. 

Drie kenmerken onderscheiden slimme data van hun big data-tegenhanger: 

• Kwaliteit:  Kwaliteit heeft betrekking op gegevens die duidelijk, beknopt en correct zijn opgemaakt.  

• Relevantie:  Relevantie heeft betrekking op actualiteit. Hoewel historische gegevens een rol spelen bij langetermijnplanning, zijn actuele gegevens vereist om ervoor te zorgen dat er actie wordt ondernomen om de huidige omstandigheden aan te pakken. 

• Nauwkeurigheid:  Nauwkeurigheid spreekt precisie. Machines met hoge temperaturen kunnen bijvoorbeeld een kalibratie van slechts enkele tienden van een graad vereisen. Meer of minder uitvoer is mogelijk niet bruikbaar. Slimme data zijn nauwkeurige gegevens. 

Weet u niet zeker of u big data of smart data heeft? Begin met een simpele vraag:worden gegevens eenvoudigweg opgeslagen of helpen ze zakelijke en operationele vragen te beantwoorden?   

Belangrijkste verschillen tussen big data en smart data

Zowel big data als smart data spelen een rol bij productieactiviteiten. Big data leggen de basis voor grootschalige trendanalyse en kunnen de afstemming op wettelijke verwachtingen en richtlijnen zoals goede productiepraktijken (GMP's) ondersteunen. Slimme data helpen fabrikanten ondertussen problemen op te sporen, oplossingen te definiëren en gerichte actie te ondernemen. 

Er zijn vier belangrijke verschillen tussen big en smart data: 

1. Big data legt de nadruk op verzamelen; slimme data legt de nadruk op gebruik. 

2. Big data zijn algemeen; slimme data zijn specifiek. 

3. Big data geven prioriteit aan inhoud; slimme data geven prioriteit aan context. 

4. Big data zijn stabiel; slimme data zijn snel. 

Waarom alleen big data vaak falen in de productie

Bedrijven kunnen het zich niet veroorloven de rol van big data in de productie te negeren. 

Historisch gezien waren ondernemingen alleen uitgerust om gegevens op hoog niveau vast te leggen, zoals totale uitvoervolumes, cyclustijden of herbewerkingspercentages. De komst van kleinschalige, altijd verbonden systemen en sensoren maakte het verzamelen van machinegegevens echter op grote schaal mogelijk. Tegenwoordig kunnen fabrikanten elk detail van de werking van apparatuur volgen en vastleggen, van de eerste keer opstarten tot standaardproductietaken en onverwachte downtime. Elk proces van productielijnmiddelen, elke actie van het personeel en elke handeling van software wordt onderdeel van het big data-landschap. 

De uitdaging? Datavolumes kunnen leiden tot tunnelvisie; Fabrikanten gaan ervan uit dat het simpelweg verzamelen van gegevens voldoende is om tot inzicht en snelle actie te komen. In de praktijk leveren big data-initiatieven echter vaak geen waarde op. Er zijn vijf veelvoorkomende oorzaken van storingen: 

• Gegevensverzameling zonder duidelijke doelstellingen 

• Slechte gegevenskwaliteit en consistentie

• Gebrek aan standaardisatie tussen systemen 

• Beperkt vermogen om gegevens te interpreteren en er actie op te ondernemen 

• Te veel dashboards, te weinig inzicht 

Hoe slimme data de productieprestaties verbeteren

Slimme data helpen de productieprestaties te verbeteren omdat het bruikbare inzichten oplevert. Overweeg vier grote sets gestructureerde gegevens die zijn verzameld uit meerdere bronnen, waaronder apparatuursensoren, controllers, gebruikersrapporten en operationele benchmarks. Bruikbaar inzicht zit vervat in de gegevens, maar is alleen zichtbaar wanneer gegevens worden gevalideerd, beheerd en geanalyseerd.  

Deze processen zetten big data bij de productie om in slimme data, wat meerdere voordelen biedt voor de prestaties. Ten eerste is er een snellere analyse van de hoofdoorzaak. Uitgerust met contextuele gegevens over hoe, wanneer en waarom apparatuur faalde, kunnen teams bronnen oplossen in plaats van symptomen. 

Slimme data verbeteren ook de betrouwbaarheid en uptime van assets. Door huidige en historische prestatiegegevens te combineren, kunnen teams mogelijke faalpunten identificeren die tot ongeplande downtime kunnen leiden en stappen ondernemen om deze problemen op te lossen. Als uit analyse bijvoorbeeld blijkt dat een asset met een hoge werklast regelmatig te maken krijgt met elektrische storingen, kunnen bedrijven vaker onderhoud plannen om het directe probleem op te lossen en tegelijkertijd naar de hoofdoorzaak te zoeken. 

Andere voordelen van slimme data zijn onder meer een betere kwaliteit en opbrengst gekoppeld aan nauwkeurige en actuele informatie over uitval- en herbewerkingspercentages, samen met een betere planning en voorspelling van de werklast op basis van zowel operationele behoeften als apparatuurefficiëntie. 

Ten slotte zorgen slimme data voor een sterkere afstemming tussen teams. Dit komt omdat slimme data ervoor zorgen dat onderhoudsteams, operators, managers en C-suites dezelfde taal spreken, waardoor het risico op overtollig werk of gemiste kansen wordt verkleind.

De rol van onderhoud en betrouwbaarheid in slimme datastrategieën

Onderhouds- en betrouwbaarheidsgegevens spelen een sleutelrol in slimme datastrategieën. Dit is een wederzijds proces. Het volgen van onderhoud en betrouwbaarheid verbetert de impact van slimme data, en slimme data helpt de voortdurende verbetering van onderhouds- en betrouwbaarheidsprocessen te stimuleren. 

Hier zijn vier voordelen gebruikelijk: 

• De onderhoudsgeschiedenis biedt context voor fouten:  Onderhoudsgeschiedenissen bieden zinvol inzicht om de context van machinestoringen bloot te leggen en kunnen prescriptieve analyses ondersteunen. 

• Itemvoorwaarden kunnen worden gekoppeld aan prestatieresultaten:  Itemvoorwaarden bestaan vaak uit zowel gestructureerde als ongestructureerde gegevens. Naast sensoroutputs kunnen bedrijven ook gebruikersrapporten opnemen die aanbevelingen bevatten op basis van jarenlange ervaring. Het combineren van deze gegevensbronnen zorgt voor betere prestatieresultaten.  

• Bruikbare gegevens verminderen reactief onderhoud en de risico's van ongeplande downtime:  Reactief onderhoud is duur en tijdrovend omdat het pas begint als er storingen optreden. Door slimme data te gebruiken om heatmaps, risicorapporten en datavisualisaties te maken, kunnen potentiële oorzaken van ongeplande downtime worden geïdentificeerd. 

• Slimme data vormen de basis  analyses van voorspellend onderhoud :  Met voorspellende analyses kunnen onderhoudsteams potentiële problemen voorblijven. Ze spelen ook een rol in geavanceerdere analyses die end-to-end inzicht bieden in de machineprestaties en mogelijke verbeteringen.

Slimme data als basis voor Manufacturing 4.0

Digitale transformatie maakt de adoptie van Manufacturing 4.0-processen mogelijk, die afhankelijk zijn van apparaten en apparatuur die altijd verbonden zijn en altijd aan staan. 

Slimme data vormen ondertussen de basis van digitale transformatie.  

Denk aan kunstmatige intelligentie (AI) en machine learning (ML). Deze technologieën stimuleren de creatie van slimme fabrieken die huidige en historische gegevens gebruiken om in de loop van de tijd te ‘leren’ en de bedrijfsvoering te verbeteren. De modeltraining uitgevoerd door ML-algoritmen en de data-analyse uitgevoerd door AI vereisen beide schone en contextuele gegevens. Het simpelweg inzetten van deze tools op big data-bronnen zal de effectiviteit ervan beperken. Door gebruik te maken van slimme data wordt de afstand tussen onderzoek en inzicht korter. 

Slimme data ondersteunen ook de realtime monitoring en optimalisatie van de machinestatus die vereist is door Manufacturing 4.0. In veel productieomgevingen wordt langdurige stilstand van apparatuur steeds kostbaarder en ontwrichtender. Met toegang tot slimme data kunnen teams onmiddellijk beslissingen nemen die tot betere prestaties leiden. 

Bovendien maakt het gebruik van slimme data schaalbare en duurzame digitale initiatieven mogelijk. Bedrijven kunnen bepalen waar geld het beste kan worden besteed om de productieactiviteiten uit te breiden en manieren te identificeren om de kosten te verlagen, de uitstoot te beperken en nieuwe groene technologieën te ondersteunen. 

Er zijn ook argumenten voor het gebruik van slimme technologie om voorop te blijven lopen op de technologiecurve. Nu nieuwe AI-middelen en autonome agenten gemeengoed worden, kunnen teams gemakkelijk achterop raken. Slim gegevensbeheer helpt bij het identificeren van verbeterpunten en het voorstellen van manieren om de operationele gereedheid te garanderen. 

Best practices voor het creëren van slimme gegevens in de productie

Het leggen van de basis voor slimme data in de productie begint met vijf best practices: 

1. Definieer duidelijke zakelijke en operationele doelen:  Slimme data bieden duidelijkheid, maar alleen als je weet waar je naar kijkt. Begin met duidelijke business intelligence en operationele doelstellingen. Wilt u de machinedoorvoer verbeteren? De uitvoerkwaliteit verbeteren? Onderhoudsresponstijden verkorten? Het begrijpen van het einddoel helpt bij het definiëren van het startpunt. 

2. Standaardiseer gegevensdefinities en statistieken:  Creëer consistente statistieken en definities voor gegevensverwerking. Dit betekent dat u de punten van KPI's, zoals de gemiddelde reparatietijd (MTTR), de gemiddelde tijd tussen storingen (MTBF) en de algehele apparatuureffectiviteit (OEE), met elkaar moet verbinden om ervoor te zorgen dat de gegevens interoperabel zijn. 

3. Focus op gegevenskwaliteit boven kwantiteit:  Meer gegevens betekent niet betere gegevens. Kies waar mogelijk voor gegevens van hogere kwaliteit in plaats van grotere hoeveelheden informatie. Nauwkeurige temperatuurmetingen die elke 10 minuten worden gedaan, zijn bijvoorbeeld waardevoller dan schattingen van het honkbalveld die elke 30 seconden worden verzameld. 

4. Integreer gegevens tussen systemen:  Geïsoleerde gegevens zijn niet slim. Om het inzicht te maximaliseren, integreert u gegevens uit verschillende systemen, zoals CMMS, enterprise asset management (EAM) en enterprise resource planning (ERP). 

5. Bouw cross-functionele samenwerking:  Zorg voor gezamenlijke toegang tot slimme gegevens om bruikbare strategieën te ontwikkelen. Dit omvat operators, onderhoudspersoneel, productieleiders, technologieprofessionals en bedrijfsleiders. 

Slimme data zetten informatie om in actie

Big data bieden volume. Slimme data bieden waarde. Beide zijn nodig voor datagestuurde productieactiviteiten. Big data vormen de basis voor grootschalige trendanalyse en naleving van de regelgeving, terwijl slimme data bedrijven helpt de prestaties, betrouwbaarheid en kostenbeheersing te verbeteren. 

Zet informatie om in actie met diepgaande analyses. ATS helpt fabrikanten slimme data toe te passen om de betrouwbaarheid, prestaties en besluitvorming te verbeteren. Laten we praten. 

Referenties

IBM Instituut voor Business Value. (2022). Productie 4.0:van data naar beslissingen. IBM. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/manufacturing-4-0