Geen digitalisering zonder (frontline-)data

BLOG – De maakindustrie vertrouwt op statistische procescontrole (SPC) om productieprocessen te optimaliseren. Deze methoden hebben echter hun beperkingen. Dataverzameling op basis van steekproeven geeft een onvolledig beeld van de daadwerkelijke processen. Bovendien kan dit een belemmering vormen voor realtime-feedbackcontroles die nodig zijn om de bedrijfsvoering continu te optimaliseren. De hedendaagse digitalisering vereist uitgebreidere data, die grotendeels worden gegenereerd aan de frontlinie. Machine vision legt daarentegen real-world-gegevens vast over fysieke producten en processen. Dit omvat gedetailleerde geometrische metingen met een nauwkeurigheid tot op subpixel niveau, beoordelingen van de oppervlaktekwaliteit, positiegegevens, kleur- en contrastvariaties en andere kenmerken. Machine vision Machine vision is een technologie die machines in staat stelt beelden te ‘zien’, interpreteren en analyseren om taken uit te voeren, vergelijkbaar met menselijke zicht, door gebruik te maken van camera’s, sensoren, en algoritmen voor beeldverwerking. Dankzij vision systems worden ook tijdelijke trends binnen productieruns zichtbaar. Door vision data te koppelen aan geavanceerde analyses reaaliseerde fabrikanten al aantoonbare voordelen. Zo worden correlaties tussen procesparameters en kwaliteitsresultaten zichtbaar die met statistische methoden anders mogelijk over het hoofd zouden worden gezien. Fabrikanten hebben digitaliseringscapaciteiten nodig om vision data vast te leggen, op te slaan, te verwerken en te analyseren. Dit zal steeds sneller gaan naarmate de digitalisering verder toeneemt, in combinatie met kunstmatige intelligentie (ai), het industriële internet der dingen (iiot) en cloudgebaseerde technologieën. Dagelijkse leven Digitalisering en digitale transformatie zijn in essentie middelen om een doel te bereiken: het verbeteren van het werk en het dagelijks leven van organisaties, hun werknemers en klanten. Er wordt steeds meer aandacht besteed aan de eerstelijnswerkers, zij die ter plekke data verzamelen, vastleggen, digitaliseren en analyseren. Deze processen ondersteunen het geautomatiseerde en intelligente werk op het gebied van visuele inspectie. Digitalisering is het proces waarbij digitale technologieën, zoals 3d-sensoren, slimme camera’s en machine vision-software met deep learning-modellen, worden ingezet om bestaande bedrijfsmodellen, processen, diensten en producten te transformeren. Het gaat hierbij om het toepassen van technologieën zoals machine vision om de efficiëntie, productiviteit en de klantervaring te verbeteren. Het gaat dus niet om het simpelweg digitaliseren van informatie uit analoge formats (digitalization), maar om de bredere context van de integratie van digitale technologieën in verschillende aspecten van een productieomgeving. Uitdagingen Data is de drijvende kracht achter digitalisering. Bij effectief databeheer komen echter een aantal uitdagingen kijken. Er kunnen meerdere data-eigenaars, formaten en opslaglocaties bestaan die eerst gestandaardiseerd moeten worden. Naarmate de hoeveelheid data toeneemt, nemen ook de opslag- en rekenvereisten toe. Operations- en it-leiders staan bovendien voor de uitdaging om gegevens uit meerdere bronnen te integreren met behulp van verouderde manufacturing execution systems en enterprise resource planning-systemen. Een gebrek aan variatie in datasets, die de diversiteit van praktijkvoorbeelden en productieomgevingen zouden moeten weerspiegelen, leidt tot onvoldoende gegevens voor het trainen en testen van deep learning-ai-modellen. Deze uitdagingen kunnen nog groter worden als er geen cloudgebaseerde oplossingen worden overwogen. Om deze problemen aan te pakken, worden nieuwe deep learning-ai-modellen, datacapturing-technologieën, cloudplatforms en analyse oplossingen ontwikkeld, die nieuwe mogelijkheden bieden voor gegevensbronnen die momenteel onderbenut zijn, waaronder afwijkende gegevens van frontline kwaliteitscontroles afkomstig uit verschillende workflows en locaties. In de maakindustrie behoren defecten en afwijkingen in materialen, componenten en eindproducten, evenals de kwaliteit van verpakking, etikettering, barcodes en markeringen en de staat van geretourneerde goederen, tot de tot dusver onbetrouwbare databronnen. Dankzij moderne machine vision-oplossingen worden juist deze gegevens nu van grote waarde voor kwaliteitsbewaking en procesoptimalisatie. De oplossing Door de evolutie naar slimme, geautomatiseerde productieomgevingen zijn machine vision en vision analytics cruciaal voor een duurzaam concurrentievoordeel. In combinatie met closed-loop-procescontroles kan machine vision analytics bijvoorbeeld een productielijn automatisch aanpassen op basis van realtime-kwaliteitsmetingen. Het potentieel wordt nog groter bij complexe toepassingen zoals tolerantiestapeling, waarbij de optimalisatie van dimensionale kenmerken over meerdere productiestations gelijktijdig moet worden gecoördineerd. Er zijn al tal van praktijkvoorbeelden die laten zien dat wanneer frontline-activiteiten worden gedigitaliseerd, geautomatiseerd en verrijkt met ai, bedrijven niet alleen hun industry 4.0-doelstellingen versnellen, maar ook tastbare waarde creëren voor hun teams en klanten: Bosch implementeerde een machine vision-oplossing voor de inspectie van motoronderdelen, waarmee een productievolume van zevenduizend onderdelen per dag wordt gehaald en het aantal valse afkeuringen tot minder dan vijf procent werd teruggebracht; TAS gebruikt machine vision-software met deep learning om elektrische accudoppen te inspecteren. Zelfs de kleinste oppervlaktefouten worden gedetecteerd, wat veiligheid en naleving aanzienlijk verbetert; Idea, leverancier van industriële automatisering voor de auto-industrie, kan met één enkel vision system tweehonderd verschillende remschijven inspecteren dankzij geavanceerde machine vision-software. Onderscheidende factor Naarmate de maakindustrie steeds meer verbonden, geautomatiseerd en datagedreven wordt, wordt het benutten van uitgebreide procesgegevens voor optimalisatie een belangrijke onderscheidende factor. Door het toepassen van digitale technologieën zoals machine vision, 3d en aikunnen bedrijven langdurige uitdagingen overwinnen, inefficiënties verminderen en een fundament leggen voor toekomstig succes: Gebruik intelligente tools: investeer in machine vision, deep learning en 3d-sensoren om realtime-inzichten te verkrijgen en workflows te optimaliseren; Standaardiseer gegevens: zorg dat data binnen de gehele organisatie geïntegreerd, betrouwbaar en van hoge kwaliteit is. Alleen dan is het volledige potentieel van ai-gestuurde analyses en voorspellende modellen te benutten; Kies schaalbare oplossingen: gebruik cloudgebaseerde platforms om samenwerking en schaalbaarheid tussen meerdere locaties en regio’s te waarborgen en zo een uniforme digitale strategie te creëren. Fabrikanten beschikken vandaag al over de tools, inzichten en mogelijkheden om nieuwe manieren van werken te creëren die groei en innovatie stimuleren. Bedrijven die nu investeren in digitale procesoptimalisatie versterken niet alleen hun concurrentiepositie, maar leggen ook de basis voor een schaalbare, datagedreven toekomst. Stephan Pottel, manufacturing strategy director EMEA, Zebra Technologies