Hoe artificial intelligence het schatten van productietijden binnen de metaalbewerkingsindustrie verandert

Wat vroeger voor metaalbewerkers nattevingerwerk was, is vandaag de dag een arbeidsintensieve klus, namelijk productietijden schatten binnen de metaalbewerkingsindustrie. Maar artificial intelligence en machine learning gaan daar verandering in brengen. Echt waar; we gaan dankzij die ontwikkelingen weer terug naar voorspellen. Nauwkeuriger en dus betrouwbaarder dan ooit. Te mooi om waar te zijn? Lees deze blog en ontdek de toekomst van offreren en plannen binnen de metaalbewerkingsindustrie. 

Eerst even terug de geschiedenis in. Tientallen jaren geleden waren metaalbewerkers gespecialiseerd in een klein aantal bewerkingen zoals lasersnijden, lassen of het zagen van balken. Als specialist konden ze de productietijd van dat werk schatten op de achterkant van een bierviltje. Met de natte vinger dus. 

Er is nog steeds een generatie metaalbewerkers uit die tijd. Zij hebben een bewonderenswaardig goed gevoel voor het bepalen van de productietijd die hoort bij de bewerking van een bepaalde hoeveelheid kilo metaal. Vanwege de toenemende diversiteit aan bewerkingen is dat in de praktijk echter bijna niet meer te doen. Neem lasersnijden: veel complexe figuurtjes maken is andere koek dan het uitsnijden van een groot vierkant. De kilo’s zijn hetzelfde, maar de productietijden die erbij horen zijn toch echt verschillend. 

Het belang van betrouwbaar schatten van prijzen en doorlooptijden

Het is binnen de supply chain steeds belangrijker geworden dat je als metaalbewerker betrouwbaar kunt schatten. Dat is in de eerste plaats het gevolg van de kleine marges, die vanwege concurrentie onder druk staan. Het is zaak om steeds scherpere prijzen aan te bieden. Dan is het niet handig als je gaat overschatten. 

Nauwkeurigheid is ook geboden doordat de productietijden die je schat gevolgen met zich meebrengen voor het verdere productieproces. De tijdschatting bepaalt welke metaalbewerking machine je wanneer reserveert. En als de capaciteit op de werkvloer daardoor vermindert, heeft dat een nadelig effect op iedere aanvraag die binnenkomt. Vermijden dus. 

Ten derde: er wordt steeds korter op de bal gespeeld in de supply chain. Daardoor zijn er minder voorraden op de vloer aanwezig en is just-in-time leveren min of meer een vereiste. Dat betekent dat de schattingen die je als metaalbewerker maakt van invloed zijn op je levertijd. Schat je verkeerd? Dan kan het zomaar zo zijn dat je levertijd te veel oploopt. En dat heeft in negatieve zin zijn weerslag op de supply chain. Door verkeerde schatting kan het ook voorkomen dat de producten bij jou op de werkvloer liggen te wachten. Allemaal onhandig. 

Calculeren hoeft niet arbeidsintensief te zijn

Daarom is het zo belangrijk dat je waarheidsgetrouw kunt schatten. De tijd van nattevingerwerk is voorbij. Daarvoor in de plaats zijn andere technieken gekomen. Voor een deel helpen CAM-systemen om te schatten, omdat die kennis bezitten over de technische specificaties van machines en weten welke taken machines moeten uitvoeren. Daar kunnen ze vervolgens tijden aan hangen. Op die manier kun je heel nauwkeurige schattingen uit CAM-systemen krijgen. 

Het nadeel hiervan: het is erg arbeidsintensief. Want de mens is nog altijd aan zet. De calculator is hierbij een soort diskjockey geworden. Hij grasduint door al die CAD-files om daar productietijden uit te krijgen. Vervolgens giet hij die in Excel en/of het ERP-systeem, zodat hij uiteindelijk offertes kan maken. Een tijdrovend proces, zeker nu de diversiteit aan bewerkingen is toegenomen. Dat maakt dat de calculator er langer over doet om een offerte te maken – en klanten langer moeten wachten op de prijzen. 

We hebben het nu nog steeds over schatten in plaats van voorspellen. Terwijl de natte vinger en het gevoel nog het meest opleverde om op basis van kilo’s voorspellingen te doen, moeten calculators nu ingewikkelde formules gebruiken om de tijden van de verschillende productiestappen te schatten. 

Snellere metaalbewerkingsmachines maken tijd inschatten lastiger

Er is nog een ontwikkeling die dit proces bemoeilijkt. Machines zijn steeds sneller geworden. Hoeveel kennis en ervaring calculators ook hebben, voor hen is het daardoor steeds lastiger om productietijden te schatten. Vooral ook omdat de bottleneck, daar waar het productieproces het traagst is, steeds verplaatst. Wat zich nu bijvoorbeeld voordoet; snijmachines kunnen zo snel snijden, dat het laden van een plaat, of het eruit krijgen van de gesneden producten, veel langer duurt dan het snijden zelf. 

Daar kun je wel technologie voor inzetten, maar als je dat hebt gedaan is het verplaatsen van de plaat naar de machine de traagste factor in het proces. Dat verandert dus niets voor een calculator. Soms is deze op detailniveau aan het schatten hoeveel tijd snijden kost, terwijl hij uit het oog verliest dat met het transporteren van de producten naar het volgende werkstation wel vijf tot tien minuten verloren gaan. 

Big data zorgt voor efficiëntie verbetering binnen de metaalbewerkingsindustrie

Gelukkig is er in sneltreinvaart verandering gaande. Laten we beginnen met de metaalbewerkingsmachines zelf. Die werkten in het verleden ‘op zichzelf’ en gaven weinig feedback over het productieproces. Nu delen ze steeds meer informatie over wat ze aan het doen zijn; dat noemen we events, gebeurtenissen. Dit komt mede doordat machines tegenwoordig aangesloten zijn op het computernetwerk van de fabriek. Ze kunnen dus niet alleen input ontvangen, maar ook events uitsturen die exact vertellen waarmee de machine bezig is. 

Big data zorgt voor efficientie verbetering binnen de metaalbewerkingsindustrie

Dat betekent dat het gedrag van de machine observeerbaar is geworden. Als je events vastlegt, kun je die heel goed gebruiken om steeds meer te leren over de werksnelheid en laadtijd van machines. Maar ook hoe vaak een machine uitval heeft. Zodra we die events als belangrijke informatie vastleggen ontstaat er big data. En hoe meer je daarover beschikt als metaalbewerker, hoe waardevoller. Want je kunt al die informatie vervolgens gebruiken voor een nieuwe generatie algoritmes. 

Digital twin zorgt voor procesoptimalisatie op de werkvloer  

Dit werkt een andere versnelde ontwikkeling in de hand. Omdat de machine verbonden is met het netwerk en veel informatie doorgeeft, is er een nieuwe vorm van software ontstaan: digital twin. Deze digitale tweeling, een virtuele representatie van de werkelijkheid, draait op de server en bootst het gedrag van de machine op de werkvloer na. Alle events die de machine ‘uitspuwt’, informatie over bijvoorbeeld de actuele status van het machinale proces, zijn in deze virtuele omgeving uit te lezen. 

En zo krijgt langzamerhand de gehele metaalbewerkingsfabriek een weergave in de virtuele wereld – in de vorm van digital twins. Die twins kunnen over van alles gaan: de actuele status van de machines, de locatie van autonoom rijdende karretjes en zelfs de operators op de werkvloer kunnen dankzij camera’s een digital twin krijgen. Daar kun je vervolgens algoritmes op loslaten, die bijvoorbeeld continu de veiligheid van operators monitoren en automatisch een alarm laten afgaan als dat nodig is. Zelfs hele bedrijfsprocessen of zaken over de fabriek als geheel, inclusief transport en energieverbruik, kunnen in een digital twin gegoten zijn. 

Geautomatiseerde bedrijfsprocessen binnen de metaalbewerkingsindustrie dankzij data in de cloud

Digital twins zijn weliswaar abstracte weergaven en meestal dus niet zichtbaar op een scherm, maar ze zijn zeer waardevol in de communicatie tussen verschillende machines – ook als ze van andere bedrijven in de keten zijn. Normaal praten die machines in hun eigen dialect, maar digital twins brengen gestandaardiseerde events voort, waardoor er ‘event streams’ ontstaan. Het mooie is dat je op die streams andere onderdelen van je productieproces kunt abonneren. Door alle events vast te leggen kun je de gehele fabriek door de tijd heen afspelen in streams. Precies zo alsof je opgenomen muziek afspeelt. 

Het gedrag van een fabriek in afspeelbare vorm is de toekomst. En om het nog inventiever te maken, kunnen bedrijfsprocessen als subscribers op die streams geabonneerd zijn. Dus als een event zich voordoet, kun je op die manier automatisch een nieuw proces opstarten of een besluit nemen op een bepaald moment in de tijd. Deze streams groeien op die manier uit tot een belangrijke basis voor het ontwikkelen van geautomatiseerde bedrijfsprocessen en beslissingen. 

Op dit moment zijn zulke technologieën, zoals digital twins of abonnementen op events, voornamelijk actief op computersystemen binnen een fabriek. Maar inmiddels zijn precies dezelfde diensten ook in de cloud beschikbaar. Dat maakt dat je events naar de cloud kunt sturen, daar big data kunt opnemen en er bedrijfsprocessen geautomatiseerd kunt inrichten. Nog een voordeel; je kunt in de cloud veel makkelijker fabrieken op elkaar aansluiten dan op de infrastructuur binnen de muren van een fabriek. 

Van data gedreven naar event gedreven metaalbewerkingsfabrieken

Het afscheid van de conventionele manier van denken, in vormen van ERP-systemen, is nabij. Centraliseren van data is nu nog leidend, zodat die gegevens in fabrieken herbruikbaar worden. Dat heeft zeker zijn waarde, maar daardoor ontstaan vooral datagedreven processen. Dat paradigma gaat de branche in hoog tempo verlaten. 

In plaats van datagedreven gaan metaalbewerkers hun fabrieken event gedreven inrichten. Het grote voordeel? Door meerdere bedrijfsprocessen op events te abonneren kan een fabriek veel meer real time reageren op incidenten en zijn ze daarbij minder afhankelijk van de centrale database. Het event draagt de data die nodig is immers al in zich.  

Waar voorheen het ERP-systeem een belangrijk rol had, neemt een andere technologie die over: Enterprise Service Bus. Deze architecturale software constructie zorgt ervoor dat je events kunt vastleggen, dat je ze kunt observeren en dat processen zich op die events kunnen abonneren. Het maakt dat je bedrijfsprocessen veel robuuster en real time kunt inregelen. Alles wat in je fabriek gebeurt, wordt observeerbaar binnen de digitale wereld. 

Van schatten naar voorspellen dankzij cobots en AI

Dit is wat de technologie van vandaag mogelijk maakt. Dit is de basis die ervoor zorgt dat je als metaalbewerker van schatten naar voorspellen kunt. Ook nu machines steeds meer kunnen, sneller zijn en de bottleneck daardoor steeds verplaatst. En zelfs nu cobots steeds vaker een deel van het werk van operators op zich nemen, verandert daarmee de snelheid van het proces en wordt het realistisch schatten van productietijden nog moeilijker. Maar in de nieuwe digitale wereld zijn ook de cobots aangesloten op het netwerk, en ook zij hebben een digital twin, waardoor ook hun werk is te observeren en nauwkeuriger in tijd is te schatten. 

van schatten naar voorspellen dankzij cobots en AI

Het is de kracht van artificial intelligence. Als mens kunnen we het niet winnen van de computer. En dat komt doordat we de computer kunnen laten leren zoals de mens leert, maar dan sneller. Daarvoor moeten we hem wel trainen. Liefst continu. Daar is heel veel data voor nodig. Dus hoe leren we een computer schaken? Door alle schaakspelen die gespeeld zijn te digitaliseren en te voeden aan de computer. Die leert zo stap voor stap schaken. Dat gaat nog sneller als je twee computers tegen elkaar laat schaken; dan ontstaan in relatief korte tijd ontzettend betrouwbare algoritmes. Dat is het grote voordeel: de computer leert veel sneller dan de mens. Die kun je 24/7 trainen zonder moe te worden.  

Op deze manier ontstaat een neuraal netwerk – een imitatie van hoe het menselijk brein werkt – gesynchroniseerd in software. Het trainen van dat proces heet machine learning. Door big data te gebruiken, is het vandaag de dag mogelijk om die neurale netwerken goed te trainen. En naarmate het beter getraind is, komen er steeds betere voorspellingen uit. Dat noemen we geen schattingen meer, omdat we geen formules meer gebruiken. In plaats daarvan voorspellen we de toekomst op basis van het verleden. Want de data waarmee je het model traint gaat altijd over het verleden. Dit sterke staaltje moderne technologie vertalen we nu dus naar de metaalbewerkingsindustrie. 

Continu zelflerend systeem in plaats van excelsheets

Er zijn drie verschillende technologieën die ervoor zorgen dat metaalbewerkers van schatten naar voorspellen kunnen: grote hoeveelheden data (big data), event gedreven inrichting van de fabriek (observeerbare fabriek) en artificial intelligence. Als het op offreren en werkvoorbereiding neerkomt, zorgen deze drie ontwikkelingen dat we als mensen niet langer met excelsheets hoeven te werken om productietijden te schatten. 

We kunnen in plaats daarvan een continu zelflerend systeem inrichten, waardoor de calculator productietijden veel betrouwbaarder kan voorspellen. Niet langer zijn metaalbewerkers afhankelijk van de beschikbaarheid van kennis en kunde van mensen. Het complete verleden en heden van hun fabriek zijn opgenomen in big data, die ze in de toekomst altijd kunnen gebruiken om algoritmes te verbeteren en zelfs nieuwe ontdekkingen te doen. 

Daarmee is het verhaal rond. Want de manier waarop de digitale wereld werkt blijft vergelijkbaar met hoe specialisten vroeger de productietijden van hun bewerkingen bepaalden. Het blijft een voorspelling, alleen is de natte vinger ingeruild voor een computer die veel meer data gebruikt. Het verschil? Een zeer hoge nauwkeurigheid – en dat is wat de metaalbewerker wil. 

Deel dit artikel

Array