Deel5
Hoe zullen deze fabrieken er binnen 10 jaar uitzien? Nemen robots en Artificial Intelligence het over, of loopt het niet zo’n vaart? We vroegen de zes deelnemers naar hun toekomstvisie.
Maar wat leveren die data nu concreet op? De tweede horde die maakbedrijven nemen, is die data op een overzichtelijke en efficiënte manier aan de medewerkers presenteren.
Guy De Winne (ST Engineering): “De voorbije jaren verzamelden we heel wat data, maar die zat verspreid over verschillende databases, zowel vanuit de productie en machines als uit de ondersteunende diensten. We wilden ervoor zorgen dat alle informatie gecentraliseerd werd in één datacube met verschillende views. Zodat elke medewerker vlot de juiste informatie voor zijn functie uit die centrale database kan halen.”
Voor Lavetan was de verhuis naar een nieuwe, ruimere locatie het startsein voor de digitale transformatie.
Jan Robrechts: “We tekenden één geautomatiseerde waardeketen uit, vanaf het vertrek van het staal bij de klant tot en met de factuur. In onze waardeketen triggert het einde van een procesfase automatisch de daaropvolgende. De intelligentie zit dus versleuteld in het systeem in plaats van in de hoofden van de medewerkers. Die waren immers steeds moeilijker te vinden.
“Onze groei stokte door de schaarste aan labotechnische profielen op de arbeidsmarkt. Maar versleutel je die knowhow zoveel mogelijk in je systemen en processen, dan breek je die talentvijver open. Vandaag heeft ongeveer de helft van onze medewerkers geen labotechnische achtergrond meer nodig.”
Maar het bleef niet bij procesautomatisering alleen. Zo’n vijf jaar geleden startte Lavetan met robotisering, vooral om 24/7 businesscontinuïteit te garanderen. Jan Robrechts: “En sinds een tweetal jaar zitten we in de zogeheten ‘intelligente transformatiefase’. Niet harder, maar vooral nog slimmer werken is nu het motto.”
We tekenden één geautomatiseerde waardeketen uit, vanaf het vertrek van het staal bij de klant tot en met de factuur.”
5. Processen automatiseren
Deel 5 - Hoe ziet de fabriek van de toekomst eruit?
DIGITAL TWIN
TE WEINIG DATA
De visie van de experts
We willen onze digital twin verder uitwerken. Dat is een kwestie van meer data verzamelen, en het machine learning-algoritme steeds meer voeden.”
Nieuwe technologieën zijn niet voor elk bedrijf van toepassing. Voor ST Engineering is AI (nog) niet aan de orde.
Guy De Winne: “Vandaag hebben we nog geen predicitieve modellen, omdat we daar simpelweg te weinig data voor hebben. Wij produceren in te lage volumes om echt veel productiedata te verzamelen. Machine learning en artificiële intelligentie voor data-analyse zijn voorlopig niet haalbaar.”
Ontex gelooft dan weer dat nieuwe technologieën nog niet noodzakelijk zijn om winst te boeken.
Jef Monballyu: “Alleen al met onze huidige technologieën kunnen we nog een pak efficiënter worden. Vandaag leren wij al heel veel uit de data van onze processen, maar de bijsturingen gebeuren manueel. Onze systemen moeten nog meer zelflerend worden.”
“De beschikbaarheid van steeds meer digitale technologieën bracht ons in een stroomversnelling, maar wat brengt de toekomst?”, vervolgt Jef Monballyu. “In elk geval moeten we onze ogen blijven openhouden voor nieuwigheden, ook over de muren van onze eigen business heen. ‘We staan al zo ver en de resultaten zijn prima, hoor ik wel eens. De verleiding is soms groot, maar we mogen nooit tevreden zijn met een status quo.”
Te weinig data
Onze systemen moeten nog meer zelflerend worden."
Machine learning, artificial intelligence, big data … De mogelijkheden van nieuwe technologieën lijken eindeloos, maar hoe schatten de Factories of the Future hun succes concreet in? Zijn deze technologieën haalbaar? En zijn ze echt zo veelbelovend?
Duracell werkt vandaag al met een digital twin: een virtuele weergave van het productieproces.
Jan Casteels: “Door verschillende procesparameters digitaal samen te brengen, kunnen we een digitale batterij produceren die het exacte spiegelbeeld is van de fysieke batterij. Met die tweeling kunnen we dan experimenteren, om zo de best mogelijke batterij te produceren. De grootste uitdaging is de juiste procesparameters vinden om de digitale tweeling te voeden. Er zijn honderden parameters, maar het is niet eenvoudig om te definiëren wat de impact van elke parameter is, en hoe ze zich ten opzichte van elkaar verhouden. Dat is een continu proces van verbetering dat vandaag nog steeds aan de gang is.”
Die digitale tweeling wil Duracell in de komende jaren nog verder uitwerken. Jan Casteels: “Er valt nog steeds winst te boeken op de kwaliteit van de batterijen”, zegt Jan Casteels. “En ook de kwaliteitscontrole willen we volledig digitaliseren aan de hand van een voorspellingsmodel. Dat is een kwestie van meer data verzamelen, en het machine learning-algoritme steeds meer voeden.”
Geert Jacobs: “Het verschil in benadering tussen Duracell en ST Engineering zit in de productie. Duracell heeft gigantisch veel datapunten vanuit de productie, dus ze hebben mogelijkheden om met algoritmes het verschil te maken. ST Engineering maakt producten met een hoge complexiteit, dus hun uitdaging is om de bestaande productie zo goed mogelijk uit te voeren. Geen twee onderdelen zijn dezelfde, dus de productie automatiseren heeft weinig zin. Bij hen draait de digitalisering vooral om de ondersteuning van die productie efficiënter te maken. Of een bepaalde nieuwe technologie interessant is, hangt dus in grote mate van het soort productie af.”
Francis Duvivier gelooft dat er al kleine successen geboekt kunnen worden met nieuwe technologieën: “Vooral met AI en ML (Machine Learning) zijn er enkele interessante maar eerder kleinere cases. Een sterkte en specifieke focus hebben is de sleutel. In veel gevallen gaat het om start-ups die zich specialiseren in deze nieuwe technologieën. Zo zijn er spelers die zich specialiseren in bepaalde inefficiënties, anomalieën detecteren of predictie. Maar op grote schaal zie ik nog weinig projecten die een echt succesverhaal genoemd kunnen worden.”
Dat bevestigt ook Geert Jacobs: “ik zie vandaag vooral potentieel in AI voor beeldvorming. In de Kennedytunnel hangen bijvoorbeeld slimme camera’s met AI-detectie. Een mooi voorbeeld van hoe AI vandaag al kan werken in specifieke toepassingen.”
Deel5
Hoe zullen deze fabrieken er binnen 10 jaar uitzien? Nemen robots en Artificial Intelligence het over, of loopt het niet zo’n vaart? We vroegen de zes deelnemers naar hun toekomstvisie.
Machine learning, artificial intelligence, big data … De mogelijkheden van nieuwe technologieën lijken eindeloos, maar hoe schatten de Factories of the Future hun succes concreet in? Zijn deze technologieën haalbaar? En zijn ze echt zo veelbelovend?
Duracell werkt vandaag al met een digital twin: een virtuele weergave van het productieproces.
Jan Casteels: “Door verschillende procesparameters digitaal samen te brengen, kunnen we een digitale batterij produceren die het exacte spiegelbeeld is van de fysieke batterij. Met die tweeling kunnen we dan experimenteren, om zo de best mogelijke batterij te produceren. De grootste uitdaging is de juiste procesparameters vinden om de digitale tweeling te voeden. Er zijn honderden parameters, maar het is niet eenvoudig om te definiëren wat de impact van elke parameter is, en hoe ze zich ten opzichte van elkaar verhouden. Dat is een continu proces van verbetering dat vandaag nog steeds aan de gang is.”
Die digitale tweeling wil Duracell in de komende jaren nog verder uitwerken. Jan Casteels: “Er valt nog steeds winst te boeken op de kwaliteit van de batterijen”, zegt Jan Casteels. “En ook de kwaliteitscontrole willen we volledig digitaliseren aan de hand van een voorspellingsmodel. Dat is een kwestie van meer data verzamelen, en het machine learning-algoritme steeds meer voeden.”
We willen onze digital twin verder uitwerken. Dat is een kwestie van meer data verzamelen, en het machine learning-algoritme steeds meer voeden.”
Te weinig data
Nieuwe technologieën zijn niet voor elk bedrijf van toepassing. Voor ST Engineering is AI (nog) niet aan de orde.
Guy De Winne: “Vandaag hebben we nog geen predicitieve modellen, omdat we daar simpelweg te weinig data voor hebben. Wij produceren in te lage volumes om echt veel productiedata te verzamelen. Machine learning en artificiële intelligentie voor data-analyse zijn voorlopig niet haalbaar.”
Ontex gelooft dan weer dat nieuwe technologieën nog niet noodzakelijk zijn om winst te boeken.
Jef Monballyu: “Alleen al met onze huidige technologieën kunnen we nog een pak efficiënter worden. Vandaag leren wij al heel veel uit de data van onze processen, maar de bijsturingen gebeuren manueel. Onze systemen moeten nog meer zelflerend worden.”
Onze systemen moeten nog meer zelflerend worden."
“De beschikbaarheid van steeds meer digitale technologieën bracht ons in een stroomversnelling, maar wat brengt de toekomst?”, vervolgt Jef Monballyu. “In elk geval moeten we onze ogen blijven openhouden voor nieuwigheden, ook over de muren van onze eigen business heen. ‘We staan al zo ver en de resultaten zijn prima, hoor ik wel eens. De verleiding is soms groot, maar we mogen nooit tevreden zijn met een status quo.”