Select your location
Austria

Austria

Czech Republic

Czech Republic

Germany

Germany

Italy

Italy

The Netherlands

The Netherlands

Romania

Romania

Het productieproces optimaliseren met een digital twin

Use case om van uw bedrijf een data company te maken,

Productiefouten zijn een dure zaak. Met een digital twin kunt u sensor- en setpointwaarden gebruiken om de productiekwaliteit te voorspellen en automatisch te optimaliseren.


Productieprocessen gaan standaard gepaard met een zekere hoeveelheid afval. Eindproducten moeten voldoen aan een bepaalde kwaliteitsnorm die is vastgelegd in de verkoopovereenkomst. Alle productie die ondermaats zijn, is dus verspilling. En als er iets is dat fabrikanten tot een minimum willen beperken, is het wel productieafval. Met een digital twin kunt u het kwaliteitsresultaat voorspellen en uw Overall Equipment Effectiveness (OEE) aanzienlijk verhogen.

Algemene efficiëntie van het productieproces verhogen

Operational efficiency
In een productieomgeving heeft de Overall Equipment Effectiveness (OEE) altijd de hoogste prioriteit. Vertragingen in de productie, machinefouten en slecht afgestelde instellingen kosten handenvol tijd en geld. Een menselijke interventie, zoals een ingenieur die een trial-and-error-aanpak toepast om de hoogst mogelijke kwaliteit te bereiken, is vaak niet erg efficiënt. Wanneer een productieproces niet is geoptimaliseerd, ontstaat er afval, dat zelfs in kleine percentages tot hoge kosten kan leiden.

Complexiteit in de productie
Productie is een ongelooflijk complex proces, waarin duizenden parameters en factoren een impact hebben op de kwaliteit van het eindresultaat. Er zijn enorme hoeveelheden productiegegevens beschikbaar, maar een mens kan deze gegevens onmogelijk op een snelle manier uniformiseren en verwerken. Om deze data optimaal te benutten en het productieproces te verbeteren, is een datagestuurde aanpak vereist.

Om deze data optimaal te benutten en het productieproces te verbeteren, is een datagestuurde aanpak vereist

Productiekwaliteit optimaliseren met een digital twin

Productieomstandigheden in een model
Een digital twin is een AI-simulatie die het productieproces simuleert in een virtuele omgeving. In de digital twin kunt u de setpoints van het productieproces aanpassen en voorspellen wat het resultaat zal zijn. Stel bijvoorbeeld dat u wilt weten wat de ideale temperatuur is om een tortilla te bakken. Met een handmatige trial-and-error-aanpak zou u enorme hoeveelheden afval genereren en veel tijd en geld verliezen tijdens het proces. Met een digital twin kunt u de virtuele temperatuurinstellingen wijzigen en voorspellen wat het effect van de verandering zal zijn in uw productieproces.

Digitale kopie van uw productielijn
Om een digital twin te bouwen, moeten u eerst alle sensor- en setpointwaarden (elke instelling die een ingenieur tijdens het productieproces zou kunnen aanpassen) verzamelen. Elk van deze instellingen heeft een invloed op het eindproduct. De ideale balans vinden tussen deze instellingen is dan ook een complexe zaak. Met een digital twin kunt u dit proces echter in een fractie van de tijd uitvoeren en hoeft u geen kostbare grondstoffen te gebruiken. En als het virtuele resultaat tegenvalt, kunt u de productieomstandigheden in de digital twin aanpassen om de ideale setpoints voor een hogere kwaliteit te bepalen.

Bereken de ROI
Om de implementatie van een digital twin te kunnen verantwoorden, is het belangrijk om eerst de afvalkosten te berekenen. Als de kosten van de digital twin lager zijn dan de potentiële afvalkosten, biedt het model een hogere ROI en is het de investering meer dan waard.

Minder afval en grotere kostenefficiëntie

Minder afval
Voor veel productiebedrijven betekent zelfs een klein percentage schroot een hoge kosteninefficiëntie. Met een digital twin kunt u trial-and-error en beslissingen op basis van een onderbuikgevoel vermijden en de hoeveelheid afval tot een absoluut minimum beperken.

Kwaliteitsborging in real time
Verwerkingstijd leidt tot een vertraging tussen de aanpassing van een parameter en de kwaliteit van het eindproduct in een reële productieomgeving. Wanneer instellingen handmatig moeten worden aangepast, kan het uren duren voordat u het eindresultaat ziet. Maar met een digital twin kunt u het resultaat in realtime modelleren.

Geautomatiseerde instellingen
Een digital twin is een voorspellend model. U kunt dus gebruikmaken van de beschikbare sensoren en instelwaarden om de kwaliteitsborging te automatiseren. Met de juiste technologie kunnen setpoints automatisch worden aangepast op basis van gesimuleerde kwaliteitsresultaten en real-life waarnemingen. Hierdoor hoeven technici geen productielijnmonitoring meer uit te voeren en kunnen ze zich concentreren op taken die een echte meerwaarde bieden.

Overall Equipment Effectiveness (OEE)
Geautomatiseerde kwaliteitsborging in real-time neemt niet alleen de repetitieve, handmatige taken van lijnoperators en ingenieurs over, maar levert ook gegevens over de status en efficiëntie van de productiemachines. Als een machine te veel fouten maakt, kan ze worden vervangen om de operationele efficiëntie nog verder te verhogen.

Cloud data platform bouwen voor toekomstige projecten

Extra sensoren
Om de efficiëntie van de digital twin te verhogen, kunnen extra sensoren worden ingezet die de kwaliteit van het eindproduct meten. In het voorbeeld van de tortilla kunnen camera's aan de productielijn worden toegevoegd die de diameter van de tortilla observeren. Elke afwijking van de diameterspecificaties wordt door de computer onmiddellijk en automatisch gedetecteerd en doorgegeven aan de digital twin. Hierdoor kunnen meer gedetailleerde en betrouwbare gegevens worden gebruikt om het voorspellingsmodel te valideren.

Predictive maintenance
Het dataplatform dat wordt gebruikt om de digital twin te bouwen, biedt veel mogelijkheden voor toekomstige verbeteringen. De sensorgegevens kunnen worden aangewend om een predictive maintenance-model op te stellen dat aangeeft wanneer een machine onderhoud nodig zal hebben of wanneer een onderdeel moet worden vervangen.

Cegeka's brede expertise in IoT- en Azure-oplossingen staat garant voor een end-to-endbenadering die de business en IT met elkaar verbindt. Zo kunnen we optische sensoren combineren met een digital twin om de Overall Equipment Effectiveness (OEE) verder te verhogen. Meer nog, op basis van onze uitgebreide data-expertise kunnen we de business, IT, OT en de data scientists op één lijn brengen.

Microsoft Azure

Als Microsoft Gold Partner met meer dan 600 gecertificeerde experts is Cegeka de perfecte partner voor uw overstap naar Microsoft Azure.

Meer over onze oplossingen op basis van Microsoft Azure-technologieën

Via een cloud-based dataplatform kan elk type gegevens worden verzameld, gecentraliseerd, geanalyseerd en getransformeerd. Met onze beproefde referentiearchitectuur bouwen we een dataplatform dat voldoet aan de behoeften van uw organisatie.

Cloud Data Platform met referentiearchitectuur van Cegeka


Uitdagingen

  • Overall Equipment Effectiveness (OEE) verhogen
  • Hoeveelheid afval tot een minimum beperken
  • Productiegegevens uniformiseren en verwerken
  • Datagestuurde aanpak implementeren om de productie te optimaliseren

Aanpak

  • Alle sensor- en setpointwaarden verzamelen en uniformiseren
  • Afvalkosten berekenen
  • Digital twin van de productieomgeving implementeren

Oplossingen


Resultaten

  • Minder afval
  • Kwaliteitsborging in rea-time
  • Geautomatiseerde instellingen voor kwaliteitscontrole
  • Hogere Overall Equipment Effectiveness (OEE)

Checklist data traject

Waar bevindt u zich in uw data traject?

Download onze checklist en ontdek waar zich bevindt in uw traject om een ​écht ​databedrijf te worden.

Download checklist now

Hebt u inspiratie gekregen voor uw eigen use case?

  • Jan Kesters - Sales Manager bij Cegeka

    Jan Kesters
    Sales Manager

Laten we dan samen ontdekken hoe we u kunnen helpen om een datagestuurde organisatie te worden.