Van big data naar slimme data: productie-inzichten verhogen

Fabrikanten zitten vol met data, maar hebben te weinig inzichten. Volgens IBM-onderzoek gebruiken slechts 28% van de organisaties "data van apparatuur, processen en systemen om inzichten te trekken voor continue procesverbetering".

Het probleem? Big data alleen levert zelden betekenisvolle waarde zonder context en intentie. Om huidige operaties 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: informatie die relevant, nauwkeurig en actieerbaar is.

Lees verder over big data en slimme data, en hoe bedrijven de kloof kunnen overbruggen.

Wat is big data in de productie?

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

Gebruikelijke bronnen: IIoT-systemen, productiesoftware, programmeerbare logische controllers (PLC's), onderhoudslogboeken, kwaliteitscontroletools en CMMS.

Big data focust op kwantiteit in plaats van kwaliteit, wat bruikbaarheidsuitdagingen creëert. Meer data helpt het grote plaatje zien, maar maakt details lastiger zichtbaar.

Vier kenmerken van big data:

• Volume: Hoeveelheid data. Veel bedrijven genereren terabytes (TB) per dag.
• Velocity: Snelheid van datacreatie en -update. Met 24/7/365 productielijnen stopt data nooit.
• Variety: Variatie. Fabrikanten verzamelen alles: materiaaldata, prestatie-efficiëntie, IoT-sensordata, kwaliteitsresultaten.
• Veracity: Waarheid: is data accuraat en betrouwbaar? Big data is nutteloos als bronnen niet vertrouwd kunnen worden.

Wat is slimme data?

Slimme data is gecureerde, gecontextualiseerde en doelgerichte informatie geproduceerd door big data analytics. Waar big data vaak op schaal verzameld en opgeslagen wordt, is slimme data bewust gevormd om geïnformeerde besluitvorming te ondersteunen.

Drie kenmerken die slimme data onderscheiden:

• Kwaliteit: Duidelijke, beknopte, correct geformatteerde data.
• Relevantie: Tijdelijkheid. Historische data speelt een rol in langetermijnplanning, maar tijdige data is nodig om acties af te stemmen op huidige omstandigheden.
• Nauwkeurigheid: Precisie. Bijvoorbeeld: hoge-temperatuur machines vereisen calibratie van enkele tienden graden. Slimme data is nauwkeurige data.

Niet zeker of u big data of slimme data heeft? Begin met een simpele vraag: wordt data alleen opgeslagen, of helpt het zakelijke en operationele vragen beantwoorden?

Belangrijkste verschillen tussen big data en slimme data

Beide spelen een rol in productie-operaties. Big data legt de basis voor grootschalige trendanalyse en kan compliance met regelgeving (zoals GMP) ondersteunen. Slimme data helpt fabrikanten problemen pinpointen, oplossingen definiëren en gerichte actie ondernemen.

Vier kernverschillen:

1. Big data benadrukt verzameling; slimme data benadrukt gebruik.
2. Big data is algemeen; slimme data is specifiek.
3. Big data prioriteert inhoud; slimme data prioriteert context.
4. Big data is stabiel; slimme data is snel.

Waarom big data alleen vaak faalt in de productie

Bedrijven kunnen de rol van big data niet negeren.

Historisch konden ondernemingen alleen hoog-niveau data vastleggen: totale outputvolumes, cyclus tijden, herwerkpercentages. Het opkomen van kleinschalige, always-connected systemen en sensoren maakte machine data-verzameling op schaal mogelijk. Vandaag kunnen fabrikanten elk detail van apparatuurbewerkingen tracken: van opstart tot standaardbelasting tot onverwachte downtime. Elk proces, actie en software-operatie wordt onderdeel van het big data landschap.

De uitdaging? Datavolumes leiden tot tunnelvisie; fabrikanten nemen aan dat verzamelen genoeg is voor inzicht en actie. In de praktijk leveren big data-initiatieven vaak geen waarde. Vijf veelvoorkomende falencausa's:

• Data verzamelen zonder duidelijke doelen.
• Slechte datakwaliteit en consistentie.
• Gebruik van standaardisatie tussen systemen.
• Beperkte vermogen om data te interpreteren en erop te handelen.
• Te veel dashboards, te weinig inzicht.

Hoe slimme data productieprestaties verbetert

Slimme data verbetert prestaties door actieerbare inzichten. Vier grote gestructureerde datasets uit meerdere bronnen (sensoren, controllers, gebruikersrapporten, operationele benchmarks) bevatten bruikbaar inzicht, maar zichtbaar pas na validatie, curatie en analyse.

Deze processen veranderen big data in slimme data, met voordelen:

• Snellere basiscausanalyse: Gecontextualiseerde data over hoe, wanneer en waarom apparatuur faalde, lost bronnen op in plaats van symptomen.
• Betere asset-betrouwbaarheid en uptime: Combineren van huidige en historische prestatiedata identificeert mogelijke falen die leiden tot onverwachte downtime. Bijvoorbeeld: als analyse toont dat een hoogbelast asset regelmatig elektrische fouten heeft, kunnen bedrijven vaker onderhoud plannen om het directe probleem op te lossen terwijl ze tegelijkertijd de basiscausa zoeken.
• Betere kwaliteit en opbrengst: Gebonden aan accurate, actuele info over afval en herwerkpercentages.
• Verbeterde werkbelastingplanning en forecasting: Gebaseerd op operationele behoeften en apparatuurefficiëntie.
• Stärkere afstemming tussen teams: Slimme data helpt onderhoud, operators, managers en C-suite dezelfde taal spreken, vermindert redundant werk en gemiste kansen.

De rol van onderhoud en betrouwbaarheid in slimme data strategieën

Onderhouds- en betrouwbaarheidsdata spelen sleutelrollen in slimme data strategieën. Dit is een wederkerig proces. Het bijhouden van onderhoud en betrouwbaarheid verbetert de impact van slimme data, en slimme data drijft continue verbetering van onderhouds- en betrouwbaarheidsprocessen.

Vier veelvoorkomende voordelen:

• Onderhoudshistoriek geeft context voor falen: Biedt betekenisvol inzicht om context van machinefalen te onthullen en ondersteunt voorschrijvende analytics.
• Assetcondities koppelen aan prestatieresultaten: Assetcondities bestaan uit gestructureerde en ongestructureerde data. Samen met sensoroutputs kunnen gebruikersrapporten met ervaringsgebaseerde aanbevelingen worden geïntegreerd. Deze combinatie drijft betere prestaties.
• Actieerbare data vermindert reactief onderhoud en risico's op onverwachte downtime: Reactief onderhoud is duur en tijdrovend omdat het pas begint bij falen. Slimme data om heatmaps, risicorapporten en visualisaties te creëren, identificeert potentiële oorzaken van onverwachte downtime.
• Slimme data onderbouwt voorspellende onderhoudsanalytics: Voorspellende analytics stellen onderhoudsteams in staat vooruit te lopen op problemen. Ze spelen ook een rol in geavanceerdere analytics voor end-to-end inzicht in machineprestaties en potentiële verbeteringen.

Slimme data als fundament voor Manufacturing 4.0

Digitale transformatie maakt adoptie van Manufacturing 4.0 processen mogelijk, die staan op always-connected, always-on apparatuur.

Slimme data is het fundament van digitale transformatie.

Kunstmatige intelligentie (AI) en machine learning (ML) drijven slimme fabrieken die huidige en historische data gebruiken om "te leren" en operaties te verbeteren. Modeltraining door ML en data-analytics door AI vereisen schone, gecontextualiseerde data. Deze tools loslaten op big data bronnen beperkt hun effectiviteit. Slimme data verkort de afstand tussen vraag en inzicht.

Slimme data ondersteunt ook real-time machinegezondheidsmonitoring en optimalisatie vereist door Manufacturing 4.0. In veel omgevingen is verlengde downtime steeds duurder en storender. Met slimme data kunnen teams directe beslissingen nemen die prestaties verbeteren.

Daarnaast maakt slimme data schaalbare en duurzame digitale initiatieven mogelijk. Bedrijven bepalen waar geld het beste besteed wordt om productie uit te breiden en manieren om kosten te verlagen, emissies te beperken en groene technologieën te ondersteunen.

Er is ook een geval voor slimme technologie om voorop te lopen op de technologiecursus. Als nieuwe AI-geïntegreerde assets en autonome agenten gangbaar worden, raken teams gemakkelijk achter. Slimme datamanagement wijst verbetergebieden aan en stelt operationele gereedheid verzekerd.

Best practices voor het creëren van slimme data in de productie

Het leggen van de basis begint met vijf best practices:

1. Duidelijke zakelijke en operationele doelen definiëren: Slimme data biedt duidelijkheid, maar alleen als u weet waarnaar u kijkt. Start met duidelijke business intelligence en operationele doelen. Wil u machine-doorvoer verbeteren? Uitvoerkwaliteit verhogen? Onderhoudsresponstijden verminderen? Het begrijpen van het einddoel definieert het startpunt.
2. Datadefinities en metrics standaardiseren: Creëer consistente metrics en definities voor dataverwerking. Dit betekent KPI's als MTTR, MTBF en OEE verbinden om data interoperabel te maken.
3. Focus op datakwaliteit boven kwantiteit: Meer data betekent niet betere data. Kies waar mogelijk hogere kwaliteit data boven hogere hoeveelheden. Bijvoorbeeld: nauwkeurige temperatuurmettingen elke 10 minuten zijn waardevoller dan schattingen elke 30 seconden.
4. Data integreren over systemen: Geïsoleerde data is niet slim. Om inzicht te maximaliseren, integreer data over systemen zoals CMMS, enterprise asset management (EAM) en enterprise resource planning (ERP).
5. Bouw cross-functionele samenwerking: Zorg voor collaboratieve toegang tot slimme data om actieerbare strategieën te bouwen. Inclusief operators, onderhoudspersoneel, productieleiders, technologieprofessionals en bedrijfsleiders.

Slimme data zet informatie om in actie

Big data biedt volume. Slimme data biedt waarde. Beide zijn nodig voor data-gedreven productie-operaties. Big data zet de toneel voor grootschalige trendanalyse en regelgevingscompliance, terwijl slimme data bedrijven helpt prestaties, betrouwbaarheid en kostenbeheersing te verbeteren.

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

Referenties

IBM Institute for Business Value. (2022). Manufacturing 4.0: From data to decisions. IBM. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/manufacturing-4-0