Vanaf de derde “Visibility”-fase wordt het pas echt interessant: door alle datapunten met elkaar te verbinden creëert men als het ware een up-to-date digitaal model of  “digitale schaduw” van de fabriek. Dit is een hele fundamentele en ingrijpende stap, de bestaande silo’s worden doorbroken. Dit heeft gevolgen voor de operationele structuur en zelfs voor de corporate cultuur. Structurele data uit PLM (Product Lifecycle Management), ERP en MES worden hierbij gecombineerd met streamingdata van PLC’s en sensors om tot een “single source of truth” te komen.

In een vierde fase, “Transparancy”, kan men via root cause analyse begrijpen waarom bepaalde events gebeuren tijden het productieproces. In deze fase wordt via data engineering ook de basis gelegd om in fase vijf voorspelbaarheid of “Predictive Capacity” toe te voegen. Het zijn deze predictieve use cases, zoals predictive maintenance en predictive quality, die voor veel bedrijven tot de verbeelding spreken. Maar eer men zover is, moeten er heel wat (data-)watertjes doorzwommen worden. In een laatste, ultieme fase zou men tot “Adaptability” kunnen komen waarbij bijvoorbeeld de machine zelf de sequentie van productieorders gaat wijzigen om downtime te vermijden of zelf werkorders gaat uitsturen naar het maintenance team. Kortom, het Acatech-model maakt duidelijk dat een stapsgewijze aanpak, die klein begint, mogelijk is.

De data ligt voor het grijpen

De huidige generatie sensors en IIoT-devices (Industrial Internet of Things) zijn in staat om vrij makkelijk te connecteren met oudere machines en equipment, met een beperkte inspanning en kost.

Datacaptatie wordt dus steeds makkelijker en ook kleinere bedrijven zijn nu in staat om massa’s procesdata te verzamelen. Dit heeft het grote voordeel dat men een real-time zicht krijgt op zijn productieparameters en men dus veel sneller kan reageren op bepaalde events of stilstanden. In een volgende stap, zoals aangegeven in het model, kan men via analytics en AI (Machine Learning), op basis van o.a. die real-time data, voorspelbaarheid inbouwen. Door, bijvoorbeeld, op een filterinstallatie een sensor te plaatsen, kan deze automatisch aangeven wanneer deze vervangen moet worden. Een visuele inspectie door een onderhoudsmedewerker is niet nodig, men spaart tijd en resources uit.

Deze relatief kleine investeringen vallen in het niets tegenover de mogelijke business uitkomsten. Procesoptimalisatie, een verhoogde kwaliteit, efficiënter energiebeheer, kortere stilstanden (OEE, Overall Equipment Effectiveness), een kortere cyclustijd; een businesscase is gauw gemaakt, ook voor de kleinere of mid-tier bedrijven.

Grote én kleine bedrijven hebben dus baat bij een data gedreven Smart Industry-aanpak en een gefaseerde roadmap. Beter nu dan morgen, ook in deze onzekere tijden. Does size matter? No, maturity does!

Deze blog is de tweede in een reeks waarin we de mythes en facts die leven rond digitalisatie in de industriële sector bespreken. De eerste twee mythes werden alvast ontkracht, ontdek tijdens de komende weken welke mythes of feiten overeind blijven.

Lees ook:

• Fact of mythe: digitalisering is geen vereiste in industrie