Det kommende tiåret vil bli fullspekket med radikale teknologiske endringer på tvers av produksjonsindustrien, endringer som vil generere en rekke nye muligheter for produksjonsbedrifter. Her tar vi for oss noen av de viktigste trendene vi vil se i de kommende årene.

1. IIoT og fornyet innsikt i produktets livssyklus

Produkters livssykluser har tidligere vært forholdsvis ukompliserte. Man designet produktene, bygget dem og solgte dem. Verken mer eller mindre. Men med fremveksten av «Industrial Internet of Things» (IIoT) kan produksjonsbedrifter få dypere innsikt i hvordan produktet benyttes etter at det har blitt solgt, innsikt som kan utnyttes for å optimalisere neste generasjons produkter.

I dag bygges intelligens inn i stadig flere produkter, ved hjelp av sensorer som kontinuerlig samler inn og sender fra seg data gjennom hele produktets livssyklus. Disse dataene vil gi produksjonsbedrifter verdifull innsikt i hvordan dagens produkter brukes og når produktene vil ha behov for vedlikehold, samtidig som virksomhetene kontinuerlig lærer mer om hvordan neste generasjons produkter bør utvikles, designes og bygges for forbedret ytelse.

Bilprodusenten Tesla gjør dette. De samler regelmessig inn data fra bilene som kjører ute på veiene og mater denne dataen inn i produksjonsprosessen for nye biler. Dermed lærer alle nye biler som kjører ut av fabrikklokalene til Tesla av de eldre generasjonene og optimaliseres og forbedres deretter.

Les også: 3 bruksområder hvor IIoT og maskinlæring gir verdi for industrien

2. Product-as-a-Service

IIoT vil også åpne døren for nye forretningsmodeller. For eksempel skriver Willem Sundblad i Forbes at Industri 4.0 og IIoT kan generere nye inntektsstrømmer for maskinbyggere. Istedenfor å basere forretningsmodellen sin på kun engangssalg, kan maskinbyggere heller belaste kunden for maskinbruk og -service.

En slik forretningsmodell kalles gjerne «Product-as-a-service», eller «Machine-as-a-service» spesielt for maskinbyggere. Istedenfor å selge kundene et produkt som skal gi deg resultatet, så selges isteden resultatet i seg selv som en tjeneste. Tilbudene erstattes i større grad av service- og tjenester i markeder hvor en tidligere solgte produkter. En slik tjenestemodell medfører pågående interaksjon med kundene, inkludert support, og gir i mange tilfeller kundene muligheten til å bytte inn produktet i en annen eller nyere modell.

Product-as-a-service kommer i mange forskjellige former. I sin reneste form er det produsenten som eier og vedlikeholder produktet, mens kunden leaser produktet eller abonnerer på tjenester. I andre varianter av forretningsmodellen er det kunden som eier produktet, mens produsenten er ansvarlig for vedlikeholdet av produktet. I alle tilfeller bruker produsenten produktet som en plattform for å tilby kundene ytterligere, verdiøkende tjenester.

Rolls Royce, for eksempel, tilbyr en servicetjeneste de kaller «power-by-the-hour», som tillater kunder å betale en fast timepris for driften av en maskin fremfor å kjøpe maskinen. Rolls Royce tar på seg ansvaret for vedlikehold og har installert sensorteknologi som tillater de å samle inn data for prediktivt vedlikehold.

Som konsulentfirmaet Accenture skriver, snur Product-as-a-service insentiver for produktholdbarhet og -oppgradering på hodet. Forretningsmodellen fører til at produksjonsbedrifter må skifte fokus fra volum til ytelse. Risikoen flyttes derfor fra kunden over til leverandøren. Sluttkunden får en bedre tjeneste, mens leverandøren må ta ansvar for produktet og tjenesten de selger. Stopper tjenesten og produktet å fungere, stopper også pengestrømmen.

3. Utvidet virkelighet (AR) og akselerert opplæring

Utvidet virkelighet (AR) vil spille en betydelig rolle i morgendagens industri og forbedre både produktivitet og effektivitet. AR brukes aktivt i designfasen av nye produkter for å teste hvordan ulike endringer vil påvirke sluttresultatet, og teknologien brukes i vedlikeholdsarbeidet i flere moderne fabrikker. Ikke minst ser vi at AR vil eliminere behovet for tidkrevende opplæringsprosesser.

AR kan benyttes i et bredt spekter av programvareapplikasjoner og maskinvare hvor brukeren får digital informasjon overlagt sitt nærliggende fysiske miljø. Med andre ord er det en teknologi som legger et ekstra lag av informasjon på den fysiske verden, i form av virtuelle data, ved hjelp av for eksempel AR-briller eller smarttelefoner. I motsetning til den mer kjente teknologien virtuell virkelighet (VR), inneslutter ikke AR brukeren i en separat virtuell verden, avskåret fra virkeligheten, men kombinerer fysiske sanseinntrykk med digital informasjon.

I og med at AR bygger en bro mellom den virtuelle og fysiske verden, er det en godt egnet teknologi og et godt egnet verktøy til bruk på produksjonsgulvet – spesielt for akselerert opplæring.

For eksempel kan AR gi brukeren instruksjoner, steg for steg, i sanntid og i den riktige konteksten, instruksjoner som kan betraktes samtidig som man arbeider med maskiner eller produksjonslinjer. Flyprodusenten Boeing gjør allerede dette produksjonen av flyene sine. Istedenfor at teknikerne må tolke, memorere og basere kablingen på store todimensjonale diagrammer, har Boeing tatt i bruk utvidet virkelighet for å gi teknikerne interaktive kablingsdiagrammer i 3D rett foran øynene deres.

Les også: Hvordan vil fremtidens kontrollrom se ut?

4. Digitale tvillinger for simulering og optimalisering

Det er ikke bare AR som bygger broer mellom den fysiske og den digitale verden. Også digitale tvillinger er i ferd med å viske ut skillelinjene mellom våre fysiske omgivelser og virtuell informasjon. Allerede i 2017 ble digitale tvillinger vurdert som en av de ti viktigste teknologitrendene av Gartner, og teknologien bringer med seg lovnader om betydelige gevinster innen produksjonsindustrien.

En digital tvilling er en modell av en selvstendig prosess eller et produkt som får tilført data fra en eksisterende fysisk prosess eller et eksisterende fysisk produkt. Det er en virtuell representasjon som speiler de fysiske egenskapene til en fabrikk, et anlegg, et produkt eller en komponent, ved å samle inn data gjennom sensorer, kameraer og annen teknologi.

I og med at den digitale tvillingen er en virtuell representasjon av noe som eksisterer i den fysiske verden, kan den brukes til å teste ulike forretningsresultater. For eksempel kan du bruke den digitale tvillingen til å optimalisere en eksisterende fysisk prosess, ved å gjøre endringer i den virtuelle prosessen for å se hvordan den håndterer ulike scenarier. Dermed får du et mye større handlingsrom til å gjennomføre eksperimenter enn du ville gjort i den fysiske verden. Det vil generere en rekke fordeler.

For eksempel ville en maskinbygger tidligere tegnet og beregnet før prototypen ble laget. Prototypen ville deretter bli justert og kanskje bygget om, før maskinbyggeren etter mye prøving og feiling kom fram til en velfungerende maskin. Ved å bygge maskinen ved hjelp av programvare, altså en digital prototype, kan tilpasninger og finjusteringer gjøres digitalt før man investerer i selve maskinen.

5. Maskinlæring: Utvidet innsikt og prediktiv produksjon og vedlikehold

Den virkelige verdien av IIoT, er den enorme mengden data de sammenkoblede enhetene og maskinene genererer. Men det betydelige volumet av data som samles inn, vil praktisk talt være umulig for oss mennesker å analysere. Men der vi mennesker kommer til kort, tar maskinlæring over og lar oss transformere fjell av ustrukturerte data om til konkret innsikt som vil forbedre produksjons- og vedlikeholdsprosessene våre.

Maskinlæring handler om å få en datamaskin til å gjennomføre en handling uten å bli eksplisitt programmert for det. Enkelt forklart er maskinlæring en algoritme som gjør programvareapplikasjoner mer presise i å forutse ulike utfall. Premisset for maskinlæring er å bygge algoritmer som kan motta data og bruke statistisk analyse for å forutse et utfall, samtidig som utfallene oppdateres etter hvert som ny data blir tilgjengelig. 

Bare i løpet av det siste tiåret har maskinlæring gitt oss selvkjørende biler, virtuelle personlige assistenter, som Siri og Alexa, og intelligente chatboter. Nå blir også teknologien mer og mer utbredt i industrien.

En av de viktigste bruksområdene vil bli innen vedlikehold generelt og prediktivt vedlikehold spesielt. 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.

Les også: Maskinlæring: Hva det er og hvorfor det er viktig for norsk industri