We gebruiken cookies om content en advertenties te personaliseren, om social media toepassingen aan te bieden en om webtrafic te analyseren. We delen de informatie over uw gebruik van onze website met onze social meida, adverteer en analytics partners. Meer weten
SAP. ERP, DELAWARE, maakindustrie, innovatie, sensors
20-2-2018

De droom van de maakindustrie: data uit het veld als input voor innovatie

Als machinebouwer inzicht krijgen in het functioneren van je product op locatie bij een klant. Dat is natuurlijk allang mogelijk dankzij sensors die aangeven of een onderdeel vervangen moet worden. Maar kunnen we daar niet meer mee doen? Gegevens over performance en kwaliteit van de producten rechtstreeks terugkoppelen naar Research & Development (R&D) bijvoorbeeld? Die geanalyseerde data, verkregen dankzij de toepassing van Internet of Things (IoT) op machines, levert ongetwijfeld waardevolle input voor innovatie en een nieuwe en verbeterde versie op. Het is ook een opmaat naar nieuwe businessmodellen doordat Closed Loop Lifecycle Management (CL2M) mogelijk wordt. Het klinkt als een veelbelovend idee, maar is het ook haalbaar? Vooralsnog lijkt daar geen sprake van te zijn…

CL2M is hét recept voor betere service en machines

Meetbare input voor designers en engineers dankzij real-time inzicht in smart en connected machines op locatie. Manufacturers zouden met CL2M betere service kunnen leveren aan klanten en efficiëntere en duurzamere machines kunnen produceren. Hét recept voor een topproduct? Eerder was ik ervan overtuigd dat het (data)lijntje tussen een machine op locatie en de R&D-afdeling van een manufacturer met IoT in één simpele beweging getrokken kon worden. Naarmate ik dieper nadacht over het onderwerp, moest ik die overtuiging nuanceren. Om van Product Lifecycle Management (PLM) te transformeren naar de zo gewenste CL2M, is namelijk meer nodig. In dit blog zet ik de voorwaarden en valkuilen bij een dergelijke omslag op een rijtje.

Immense datastromen door Product Lifecycle Management

Product Lifecycle Management – enige tijd geleden schreef ik een blog over het belang van PLM voor manufacturers – omhelst de productcyclus die door de machinebouwer ondersteund wordt, van conceptontwerp tot ontwikkeling en aflevering. Daar hoort ook de servicefase bij. Predictive Maintenance – door het inzetten van IoT in het serviceproces – is dan ook allang geen nieuw concept meer. Om te komen tot CL2M vormt een goed PLM-proces de basis.

Processen en systemen zijn vaak volledig geautomatiseerd en zorgen voor immense datastromen in productie-omgevingen. Daar weten fabrikanten, zowel de manufacturers als gebruikers van machines, inmiddels flink hun voordeel mee te doen. Maar dan gaat het vooral om de verbetering van het productieproces of onderhoud. 

Neem een voorbeeld aan Tesla

In theorie valt er veel meer te halen uit al die data. Autofabrikant Tesla – misschien wel het meest aangehaalde voorbeeld ooit als het om IoT gaat – doet dat bijvoorbeeld al. De wagens die de fabrikant ontwikkelt en produceert zijn als het ware ‘zelflerend’. Sensors registeren situaties die overdag in het verkeer voorkomen en verwerken dit tot data. ’s Nachts analyseert Tesla de gegevens automatisch middels Machine Learning en stuurt ze terug naar de auto, zodat deze de volgende dag volledig geüpdatet de weg op kan.

Real-time data vanuit het veld, die als input dienen voor betere en slimmere machines. Hoe graag ze het ook zouden willen, manufacturers kunnen niet zomaar het Tesla-model toepassen om van PLM, CL2M te maken. De database van de engineers van R&D is, op dit moment, immers niet gekoppeld aan de machines die ze ontwikkeld hebben. Natuurlijk kunnen ze de gegevens opvragen en analyseren, maar dat vergt nog altijd de tussenkomst van een analist. Daarnaast zijn R&D-afdelingen multidisciplinair opgezet. Uit de informatie die wordt opgehaald, moeten dus requirements worden geformuleerd voor verschillende teams. Een factor die een transformatie naar CL2M bemoeilijkt.

Closing the loop tussen PLM en CL2M

Ondanks de obstakels, geloof ik nog steeds dat CL2M het logische vervolg is op PLM. De uitdaging ligt met name bij het bewerkstelligen van een closed loop tussen service in de eindfase naar engineering aan het begin van een cyclus. De data van machines uit de servicefase vormen dan het automatische startschot voor innovatie bij R&D. Hoe sluit je die loop tussen IoT in het servicestadium en de ontwerpfase? Hoe zorg je dat de engineers van R&D integraal de informatie van de machine op locatie kunnen meenemen in hun ontwerp- en ontwikkelingsproces? Een tool die feedback geeft over kwaliteits- en productverbeteringen zou ideaal zijn. Echter, het real-time meten van data die iets zeggen over het ontwerp van de machine, en dus automatisch een voorstel tot verbetering triggeren bij R&D, dát is nog echt toekomstmuziek voor manufacturers. Hoe kunnen de sensors op de machine nu weten welke verbetering van belang is om terug te koppelen? Of is de oplossing ‘right there for the taking’?

De missing link: Machine Learning en software

Sensors op machines in het veld meten immens veel. Dat moet ook. Door complexere wet- en regelgeving, vergrijzing, veranderende businessmodellen en sustainability sturen fabrikanten van machines en hun eindklanten doorlopend op verbetering van zowel producten als proceskwaliteit. IoT – dat toch al in het serviceproces wordt gebruikt – biedt uitkomst in het vraagstuk rondom CL2M wanneer daar Machine Learning aan verbonden wordt. Ook de opmars van het gebruik van software in machines draagt daaraan bij.

 En dan komt tóch het voorbeeld van Tesla weer om de hoek kijken. De auto zelf meet de kwaliteit van het weggedrag en verbetert deze automatisch doordat hij - dankzij al die data – ‘leert’ van zichzelf. Machine Learning dus. De wagen wordt zodoende tijdens zijn levensduur steeds slimmer en ‘beter’.

De data van de sensors op machines, die worden ingezet voor het meten van het kwaliteitsproces, zouden met de tussenkomst van Machine Learning óók gebruikt kunnen worden voor kwaliteitsverbetering en innovatie van de machine. Toegegeven, een productiemachine is geen hypermoderne Tesla. Maar hoewel bij productie-omgevingen nog vaak wordt gedacht aan fabriekshallen met grote mechanische apparaten, worden moderne machines voornamelijk aangedreven door software. Aan mechanica kan uiteraard ter plekke weinig worden aangepast en zal een Machine Learning-model weinig uithalen, maar bij software des te meer. Met deze inzichten zou het gat tussen PLM en CL2M gedicht kunnen worden. Het gebruik van Machine Learning en software in machines zou weleens die missing link kunnen zijn.  

CL2M is de toekomst

Een ‘smart’ manufacturer heeft zijn PLM op orde, dat statement maakte ik enige tijd geleden en daar sta ik nog altijd achter. Om echter toekomstbestendig te zijn zal een machinebouwer óók moeten nadenken over een transformatie naar CL2M. Alleen zo kan er ingespeeld worden op ontwikkelingen in het veld, zoals de spotifyisering van de maakindustrie waarin de nadruk komt te liggen op dienst in plaats van product. En bij deze laat ik mijn – nogal gechargeerde – stelling uit de inleiding los. Want die transitie van PLM naar een CL2M? Ik durf te stellen dat we aan de vooravond staan van een nieuw businessmodel. CL2M ís de toekomst.

 Houdt het vraagstuk rondom CL2M u ook bezig? Ik ga graag met u om de tafel om van gedachten te wisselen.