Productie kan veel efficiënter als software meer mag doen

Angelo Hulshout heeft een ambitieus plan om fabrieken efficiënter te maken met behulp van Smart Industry-technologieën als het internet of things, cloud en machine learning. In Mechatronica&Machinebouw rapporteert hij over de voortgang van zijn inspanningen.

Angelo Hulshout is onafhankelijke software-expert en lid van het Brainport High Tech Software Cluster.

6 november

Elke machinebouwer die levert aan de maakindustrie loopt er op enig moment tegenaan. In de fabriek worden zijn producten onderdeel van een productieketen en het bijbehorende proces, en voor dat proces is het nooit goed genoeg. Elke week, misschien wel elke dag, is er weer iets dat sneller moet, efficiënter moet of minder alarmen in de controlekamer genereert. Meestal komen we daar wel uit met de engineering-expertise van de machinebouwer. Gewapend met een spreadsheet (in Excel kan alles!) bekijken we wat de specificaties van de machine zijn, wat we werkelijk halen en aan welke knoppen we nog kunnen draaien om er iets aan te veranderen.

Foto: Photos Hobby op Unsplash

Normaal gesproken lossen we het probleem van de week ook wel op, maar stiekem is de verantwoordelijke engineer hier best veel tijd mee kwijt, en de gebruiker van de machine een serieuze hoeveelheid geld. Wie weleens bij ASML is geweest, weet dat elke engineer daar ervan doordrongen is dat een uur stilstand van een machine de klant kapitalen kost aan productieverlies – van tien jaar geleden herinner ik me een bedrag van 100.000 dollar; tegenwoordig is het vast vele malen meer.

Machines in processen

Met een productiestraat waarin machines van verschillende leveranciers de verschillende stappen van een productieproces voor hun rekening nemen, is het ook niet ondenkbaar dat het juist in de overdracht tussen die systemen misgaat. Bij de inbedrijfstelling van zo’n straat stemmen we alles op elkaar af, en dan gaat het proces draaien. Vaak probleemloos, na wat initiële correcties, maar er komt een moment dat het toch weer spaak loopt. Geen enkel productieproces is namelijk gehouwen in steen. Elke producent past zijn proces continu aan, om het te versnellen, om andere producten aan te kunnen of om flexibeler te zijn.

Een voorbeeld uit de mengvoerindustrie: op basis van de receptuur van de fabrikant was doorgerekend hoe de productiestraat eruit zou moeten zien. Na enkele jaren bouwen en de start van productie bleek dat enkele stappen flink onder de verwachte doorvoersnelheid draaiden. De reden bleek heel eenvoudig: door wijzigingen in de receptuur en de batchgrootte werden sommige doseersystemen veel zwaarder belast dan volgens de originele specificaties.

Vervolgens begint dan, meestal dus gewapend met een Excel-sheet, het doorrekenen, opnieuw afstellen, discussiëren over wel of niet opnieuw aanpassen van de receptuur, enzovoorts. Uiteindelijk komt er een oplossing uit, maar in de tussentijd leidt de overbelasting wel tot vertraging in de productie, en dat kost geld.

Van genezen naar voorkomen

Kunnen we dit soort dingen voorkomen? Op de manier zoals we altijd gewerkt hebben niet, maar wel als we beter gebruikmaken van twee componenten uit de mechatronica die nu nog te vaak de ‘sluitpost’ zijn: software en data.

Als softwareman in hart en nieren zie ik al jaren dat bij veel machinebouwers (de hele grote incluis) software vaak wordt beschouwd als de laatste stap, waarin de tekortkomingen van de hardware worden ondervangen. Op zich prima, want doordat software die flexibiliteit biedt, kun je sommige problemen relatief goedkoop oplossen, zonder letterlijk terug naar de tekentafel van de mechanisch ontwerper te moeten. Maar in een goed mechatronisch systeem kan en moet software een veel grotere rol spelen.

Heel veel machines zitten boordevol sensoren, die temperatuur, snelheid, contaminatie en nog veel meer meten. Die metingen worden gebruikt als input voor actuatoren, om die correct te laten werken en ze waar nodig bij te sturen, zoals dat in mechatronica hoort. Dezelfde informatie, in de vorm van data, kunnen we ook aan een softwaresysteem voeren, zodat we het kunnen gebruiken voor analyse.

Dat gebeurt bijvoorbeeld in de moderne digital twin-omgevingen, waar echte sensordata uit productie wordt gebruikt om een virtuele kopie van een systeem te besturen. Hiermee kunnen we een machine of productiestraat virtueel testen op de effecten van aanpassingen zoals een wijziging in de receptuur. Zo helpen software en data problemen voorkomen in plaats van genezen.

Voorspellen en aanpassen

We kunnen daarin nog een stap verder gaan, door de sensordata te verzamelen en er statistische en andere analyses op uit te voeren. Daarmee kunnen we wellicht niet de impact van die receptuuraanpassing voorkomen, maar als we genoeg data hebben, kunnen we wel voorspellen bij welke belasting machines ongewenst gedrag gaan vertonen. Helemaal als we daaraan data koppelen die in veel fabrieken aanwezig is in de software die het totale fabrieksproces bestuurt – de mes-software (manufacturing execution system). Door die koppeling kunnen we simulatiemodellen maken van aanpassingen in het productieproces, bijvoorbeeld batchgroottes of aantallen grondstoffen. Die voorspellingen kunnen we dan gebruiken om de aanpassing in de fabriek eerder in gang te zetten – proactief in plaats van reactief.

Nog een stap verder zouden we zelfs zo ver kunnen gaan dat we technieken als machine learning inzetten. Hiermee kunnen de voorspelde bottlenecks wellicht automatisch worden omgezet in aanpassingen van machineconfiguraties in de productiestraat. Door die vervolgens door te voeren, wordt het proces van aanpassen een stuk simpeler en kan de Excel-sheet wellicht de deur uit.

Groter plan

Waarom doen we dit dan nog niet? Het antwoord is heel eenvoudig, en tweeledig. Enerzijds kunnen we dit alleen succesvol doen als we software niet meer beschouwen als sluitpost. Dit gebeurt al meer en meer, maar ik zie dat veel machinebouwers hier nog stappen moeten maken. Anderzijds zijn er, zeker in segmenten waar productie nog minder hightech is, veel machines in gebruik waarin de voorzieningen om data te verzamelen ontbreken, evenals de mogelijkheden om zonder fysieke tussenkomst van mensen de configuratie aan te passen.

Dit zijn twee onderdelen van een groter plan waar ik mee bezig ben. Ik ben ervan overtuigd dat het met Smart Industry-technologieën als het internet of things (iot), cloud en machine learning mogelijk is om de productie efficiënter te maken. Daarvoor is het niet nodig om hele fabrieken opnieuw in te richten, alleen om de machines en de mes-software te ontsluiten, zodat data in en uit kan stromen en de mogelijkheid ontstaat om daar de juiste dingen mee te doen. Hoe ik dat denk te gaan realiseren en hoe het uiteindelijk gerealiseerd gaat worden, is onderwerp van een serie vervolgartikelen in dit blad.