Digitale og teknologiske buzzord sniker seg inn i dagligtalen til stadig flere fabrikksjefer. De fleste kjenner til dem og vet de er viktige, men de forblir ofte høytsvevende, uoppnåelige og uforståelige. I denne artikkelen huker jeg tak i to av dem og bringer dem ned til tre konkrete verdiskapende bruksområder for industrien.
De fleste av oss er kjent med konseptet Internet of Things (IoT), eller «tingenes internett», betegnelsen for trenden om å koble ting og utstyr til internett for å gjøre dem i stand til å kommunisere med hverandre eller med oss. Vi kobler bilen til internett slik at vi kan forvarme den via en app, vi bruker smarte armbåndsur som måler helsetilstanden vår og vi kobler strømmålerne våre til nettet for å automatisere måleravlesningene og spare på strømregningen.
Det samme prinsippet kan benyttes i industrien. Ved å koble industrielt utstyr til nettverket, får bedrifter tilgang til en helt ny verden av informasjon og data, data som kan gjøre underverker for bedrifter gjennom avanserte analysemetoder.
Å koble industrielt utstyr til nettverket, kalles Industrial Internet of Things (IIoT). Moderne sensorer og utstyr som benyttes i industrien innehar ofte informasjon om trykk, temperatur, fukt, kalibreringsdata, diagnosedata og lignende. Kobles dette utstyret til produksjonsnettverket, får vi tilgang til denne informasjonen og kan flytte data fra produksjonen og opp til overliggende analyseverktøy.
Når utstyret er koblet opp ved hjelp av sensorteknologi og IIoT-enheter, og data samles inn over tid, kan vi ta i bruk avanserte algoritmer for å prognostisere tilstanden på utstyret. Slike avanserte algoritmer kalles maskinlæring, en underkategori av kunstig intelligens (AI), og gir oss muligheten til å se mønstre og identifisere trender i dataene. Helt uten å bli eksplisitt programmert kan maskinlæring forutse hva som vil skje og korrigere feil før en kostbar stopp i produksjonen oppstår.
Et vellykket giftemål mellom IIoT og maskinlæring åpner døren for nye verdiskapende muligheter for industrien. Det er disse mulighetene jeg skal belyse her.
I dag opererer de fleste produksjonsbedrifter med det vi kan kalle preventive vedlikeholdsstrategier. For eksempel forsøker bedrifter å maksimere oppetiden på produksjonen ved å skifte ut utstyret på maskinene sine til jevnlige tidspunkt, til tross for at utstyret kan være velfungerende og ikke er nødvendig å byttes ut. Slike metoder og strategier har rom for forbedring. Faktisk kan dagens utilstrekkelige vedlikeholdsstrategier redusere en fabrikks produktivitetskapasitet med mellom 5 og 20 prosent.
Prediktivt vedlikehold, som er en av de mest disruptive applikasjonene for bruken av IIoT og maskinlæring i industrien, bringer lovnader om langt mer effektivt vedlikeholdsarbeid. Der man i dag bruker en rekke ulike kvalitative og kvantitative metoder for å forutse nært forestående feil i produksjonen, skaper prediktivt vedlikehold muligheten for å optimalisere vedlikeholdsoppgavene i sanntid. Sensordata og produksjonsdata kan kombineres med avanserte prediksjonsmodeller og analyseverktøy for å forutse feil i produksjonsutstyret og forhindre at de oppstår før det blir et problem.
I olje- og gassindustrien bidrar prediktivt vedlikehold til å fjerne ikke-planlagte stopp i produksjonen og kostbare reparasjoner. Sammenkoblede anlegg bruker fjernstyrte sensorer for å forutsi og rapportere på tilstanden og ytelsen til maskineriet. Ved hjelp av dette kan operatørene oppdage og korrigere problemer tidlig, styre vedlikeholdsressursene dit det er mest behov for dem og maksimere tilgjengeligheten av maskineriet.
Der prediktivt vedlikehold har fått mye oppmerksomhet som en av de viktigste gevinstene av IIoT og maskinlæring, har digitaliseringen av kvalitetssikringen fått ufortjent lite oppmerksomhet.
I dag gjennomføres kvalitetssikring som oftest med skjemaer og papirbaserte prosedyrer. Papirskjemaer blir fylt ut og arkivert, og har sjelden eller aldri noen annen funksjon enn at de blir slått opp i ved eventuelle kundeklager. Her ligger det mye urealisert potensial.
Ved å ta i bruk data fra kvalitetssikringen kan produksjonsbedrifter spare betydelige summer. Maskinlæring kan slå disse dataene sammen med andre data som påvirker produktkvaliteten og lage prognoser for når kvalitetsavvik vil oppstå. Gjennom dette kan produksjonsbedrifter korrigere produksjonen, slik at avvikene unngås. Og undersøkelser viser at det er store summer å spare. Konsulentfirmaet McKinsey forteller at kvalitet som verdidriver i industrien, gjennom blant annet digital kvalitetsstyring, kan redusere kostnader knyttet til kvalitet med opptil 10 til 20 prosent.
Tetra Pak, for eksempel, bruker blant annet IoT og maskinlæring aktivt i kvalitetssikringen av produksjonen sin. For å få bukt med inkonsistente kvalitetssikringsrutiner, uklare kvalitetsmål og lange reaksjonstider når problemer oppstår, implementerte de et system for å samle inn data automatisk. Gjennom dette er de nå i stand til å analysere sammenhengen mellom produksjonsdata og kundereklamasjoner. Resultatet ble 90 prosent reduksjon i salgstap på grunn av kvalitetsutfordringer og 50 prosent reduksjon i kundereklamasjoner.
Bedrifter som opererer med større logistikkfunksjoner i leveranseapparatet sitt, kan også ha mye penger å spare på en effektiv utnyttelse av IIoT og maskinlæring.
Transportmidler som biler, lastebiler og lastebåter, kan utstyres med IIoT-enheter som rapporterer geolokasjonen deres. Om du installerer IIoT-enheter på alt utstyr som beveger seg på fabrikkgulvet eller i anlegget ditt, kan du få en oversikt over hvor utstyret befinner seg til enhver tid. Det vil gi deg muligheten til å optimalisere både interne og eksterne transportrutiner basert på sanntidsdata fra IIoT-enhetene.
Ta intern logistikk som eksempel. Ofte beveger den interne transporten i en fabrikk seg uten sentralisert kontroll eller forutbestemte planer. Om det oppstår uforutsette transportbehov, bidrar denne manglende oversikten til å redusere reaksjonstiden som kreves for å flytte materialer, skape ineffektivitet på fabrikkgulvet og ofte forårsake unødvendige bomturer og omveier. Om transportrutene derimot kan planlegges i sanntid ved hjelp av datainnsamling og analyse, kan transportrutinene optimaliseres og produksjonen strømlinjeformes.
IIoT og maskinlæring vil gjøre underverker for produksjonsbedriften din. Men en effektiv bruk av avanserte analysemetoder bringer imidlertid med seg en del forutsetninger. Det krever en helhetlig tilnærming til hvordan teknologi kan utnyttes praktisk i forbedringsarbeidet på tvers av organisasjonen. Hvis du vil grave dypere i det temaet, har vi utarbeidet en guide til industriell digitalisering, som du er velkommen til å laste ned ved å klikke på linken nedenfor.