De stille datarevolutie in de fabrieken

Kent u een voetbalploeg waarvan de trainer zijn elf spelers het veld op stuurt met als enige opdracht: de bal in het doel van de tegenpartij trappen? Allicht niet. Want zonder communicatie of coördinatie - noch tijdens de match, noch ervoor of erna - fixeren alle elf spelers alleen op de bal, in de hoop te scoren. Verlies gegarandeerd tegen een ploeg die wel efficiënt georganiseerd is, communiceert over speltactiek en bijstuurt tijdens de match.

Nochtans gaan de meeste fabrieken te werk zoals die verliezende ploeg: als een geheel van ‘domme’ machines die elk apart hun stukje van het werk doen en onderling niet met elkaar ‘praten’, laat staan gevoed worden door externe data. Ze doen hun werk omdat een arbeider hen instelt en op een knop duwt. Steeds meer bedrijven beseffen dat hun productieapparaat een pak data genereert, die ertoe kan leiden dat de productie met reuzensprongen verbetert: sneller, minder kosten, minder afval, minder stilstand, betere producten, steeds meer op maat van de klant.

Internet of Things (IoT), Industrie 4.0, smart manufacturing, het zijn allemaal termen in dezelfde trend die een revolutie belooft te worden in de maakindustrie: fabrieken worden slim doordat de machines en computers van productiebedrijven, hun leveranciers en hun klanten met elkaar in verbinding staan en zo tonnen data uitwisselen.

De grote voorlopers in die ommekeer kennen we allemaal al uit de consumentenwereld. De exploitatie van big data valt voor de grote techbedrijven als Google, Uber, Amazon en Facebook samen met hun businessmodel. Experts zijn het erover eens dat data ook in industriële bedrijven tot disruptie zal leiden. Na het op stoom aangedreven weefgetouw (1784), de elektrisch aangedreven lopende band (bij Ford, 1908) en de eerste computergestuurde machines (1969) wordt data de grondstof van de fabrieken van morgen.

48.000 miljard

De beloftes van de analyse en de intelligente verwerking van die big data zijn enorm. Volgens de IT-consultant Capgemini zouden slimme fabrieken de komende drie jaar wereldwijd elk jaar tot 500 miljard dollar aan extra toegevoegde waarde opleveren. Uit een enquête van de consultant bij 1.000 grote productiebedrijven (meer dan 1 miljard dollar omzet) blijkt dat investeringen in slimme fabrieken de efficiëntie met meer dan een kwart zal doen stijgen. De ondervraagde bedrijfsleiders stellen dat tegen 2022 een vijfde van hun fabrieken slim zullen zijn.

Maar wat is dat precies, een slimme fabriek? En om hoeveel data gaat het? ‘48.000 miljard’, antwoordt Peter Van Hoecke zonder verpinken. Hij is de familiale CEO van de gelijknamige producent van keukenlades in Sint-Niklaas. ‘Dat is het aantal verschillende keukenlades die in onze fabriek van de band kunnen rollen.’ Honderden kleuren, houtprints, afmetingen, toebehoren en afwerkingen monden uit in een astronomisch aantal combinaties. ‘Het geeft een idee van hoeveel gegevens onze IT-systemen moeten kunnen slikken. Elk van die 48.000 miljard mogelijke lades moet een klant-meubelmaker kunnen ingeven in onze online configurator. Voor wie denkt dat dit allemaal maar theorie is: van de 500.000 lades die hier elk jaar van de band rollen, verschillen er 380.000 van elkaar.’

Een klant-keukenbouwer kan in de configurator van Van Hoecke lades en kasttoebehoren samenstellen en bestellingen doorgeven. Zonder het goed te beseffen zet hij met een druk op de knop op zijn computer meteen de machines in de fabriek van Van Hoecke in gang. ‘Het order dat onze klant online ingeeft, wordt automatisch omgezet in een productieopdracht. Onze centrale planningssoftware groepeert de deelopdrachten, bijvoorbeeld volgens kleur van het plaatmateriaal of volgens de bestemming van het transport achteraf. Vervolgens staat het order in de wachtrij en laat de software de benodigde materialen uit het magazijn aanrukken. Alles is ook gelinkt aan ons ERP-systeem, dat automatisch het magazijn aanvult met een bestelling bij onze leverancier, of de facturen aanmaakt en verstuurt naar onze klanten. Op het einde van de productielijn rolt elke 40 seconden een totaal verschillende lade van de band.’

Mass customization, serieproductie op maat van de klant en dat binnen 72 uur, dat is het unieke voordeel van de gedigitaliseerde productielijn voor Van Hoecke. Ook Joris Ide, de producent van stalen dak- en gevelelementen heeft de voorbije tien jaar zijn productieproces gedigitaliseerd. (zie kader) Met meer keuze voor de klant, een groei van de omzet, snellere doorlooptijden en een hogere productiviteit (meer output met hetzelfde aantal mensen).

‘Het zijn mooie, maar nog relatief eenvoudige voorbeelden van het gebruik van big data’, zegt Bert Baeck. Hij is oprichter van Trendminer, een Vlaamse scale-up die een softwareplatform ontwikkelde voor de analyse van big data in de chemie, olie- en gaswinning en de mijnbouw. Vorig jaar verkocht Baeck zijn bedrijf aan de Duitse IT-reus Software AG.

Bedrijven in de chemie en de oliesector genereren gigantische hoeveelheden data, waarvoor Trendminer fungeert als de ultieme zoekmachine. Op een chemische installatie in de haven van Antwerpen bijvoorbeeld staan tot 500.000 sensoren om de temperatuur, de druk, het debiet en andere waarden te meten. Die worden naar een centrale databank gestuurd, op een eeuwig doorlopende reeks getallen. In de controlekamers zitten medewerkers naar schermen vol tijdseries te turen, op zoek naar onregelmatigheden en gevaren. Met de software kunnen ze die numerieke data indexeren, labelen, analyseren en eventueel voorspellingen doen over incidenten.

Baeck, partner bij het techfonds Smartfin Capital en bestuurder bij enkele datastart-ups, keerde na de verkoop van zijn bedrijf terug naar zijn roots als computerwetenschapper. Hij exploreert de mogelijkheden van het Internet of Things en artificiële intelligentie. ‘Je merkt vandaag een zekere paniek bij veel bedrijfsleiders’, stelt hij vast. ‘Ze horen van overal waaien hoe belangrijk hun grote hoeveelheden data zijn, maar tegelijk zitten ze met de handen in het haar: wat moeten ze ermee? Je hebt vijf niveaus van data-analytics, met een oplopende complexiteit en toegevoegde waarde: op het descriptieve niveau worden diverse parameters van machines - zoals temperatuur, druk, trillingen, stroomverbruik en toerental - gemeten en weergegeven in een soort dashboard, zoals in een auto. De Vlaamse start-up Cumul.io profileert zich bijvoorbeeld in de visualisatie van data.’

Op het tweede niveau worden op die data zoekfuncties losgelaten en correlaties berekend, iets wat heel wat computerkracht - al dan niet op de cloudplatformen van Microsoft Azure of Amazon Web Services - vergt omdat het gaat om enorme hoeveelheden data. Op dit niveau opereert Trendminer: het spoort patronen op, die mensen kunnen beoordelen.

Oorzakelijke verbanden - het derde diagnostische niveau - is voor veel bedrijven al te hoog gegrepen. Ook het aantal start-ups dat ermee bezig is, is nog heel beperkt. Het vierde predictieve niveau - wanneer gaat mijn machine uitvallen, en waardoor? - en de prescriptieve fase - wat moet ik doen om problemen te vermijden? - zijn nog grotendeels toekomstmuziek, zegt Baeck.

→ Lees ook: Krijgt u straks uw C4 van de computer?

Simon Kampa, de CEO van de Britse IoT-softwarespecialist Senseye, bevestigt dat. ‘Twee derde van de bedrijven zijn naarstig bezig met het verzamelen van data in hun fabriek, maar slechts enkele gebruiken die data om een competitief voordeel te creëren.’

Het is daar dat het Vlaamse Collibra op focust. De scale-up van Felix Van de Maele werd vorig jaar de eerste Belgische unicorn, een niet-beursgenoteerd (tech)bedrijf dat 1 miljard dollar waard is. ‘Bedrijven kan je vergelijken met enorme bibliotheken vol boeken die op een hoop bij elkaar liggen. Wij beheren voor die bibliotheek de indexkaartjes: we gaan met onze software op zoek naar welke data waar te vinden zijn en wat ze voor dat bedrijf kunnen betekenen’, legde Van de Maele ooit zijn businessmodel uit.

Voorspellen

Vooral de predictieve fase met het zogenaamde ‘predictive maintenance’ (voorspeld onderhoud) wordt gezien als de heilige graal van de industrie. Het Amerikaanse onderzoeksbureau ARC Advisory Group berekende dat de wereldwijde procesindustrie (voeding, chemie, metalen, papier, textiel, farma, enz.) elk jaar 20 miljard dollar of 12.500 dollar per uur verliest doordat machines onverwacht uitvallen.

Door in te grijpen voor een lopende band of machine stilvalt, valt dus veel geld te besparen. Alleen al in het vliegtuigonderhoud gaat jaarlijks 40 miljard dollar om, zegt Seth Page van de specialist DataRPM op de vakwebsite Information Age. Het kost de helft meer om een kapot onderdeel te herstellen dan om het op tijd een smeerbeurt te geven. Toch zijn er nog maar weinig vliegtuigmaatschappijen die echt aan predictive maintenance doen.

Ook al maken de nieuwste motoren dat technisch mogelijk. Volgens het vakblad Aviation Week registreert de nieuwe vliegtuigmotor van General Electric, de GEnx, die de Dreamliner van Boeing in de lucht houdt, vijf tot tien terabyte aan data per vliegdag. De Pratt&Whitney-motoren van Bombardier tellen 5.000 sensoren die elke seconde 10 gigabyte aan data uitspuwen, goed voor 800 terabyte per dag. Vermenigvuldig dat met de 7.000 motoren die naar schatting op de markt zullen komen, en je komt uit bij ‘big, big data’.

Massa’s data dus, maar opnieuw: dan begint het werk nog maar. De grote meerwaarde komt pas als je kan voorspellen wanneer een onderdeel aan onderhoud toe is. Boeing analyseert al patronen in de vliegomstandigheden, locatie, richting en temperatuur van een toestel in de lucht om te voorspellen of een onderdeel moet hersteld of onderhouden worden. Het heeft daartoe ook de snelheid van de data-overdracht in de netwerken aan boord van de vliegtuigen vertienvoudigd.

Het metrosysteem in Hongkong wordt geroemd als een van de beste ter wereld: 99,9 procent van de metro’s komt stipt op tijd aan de perrons aan. Met dank aan een uitgekiend algoritme, stelt een artikel in het vakblad New Scientist. Artificiële intelligentie kiest in het complexe rittenschema van alle metrostellen precies die momenten waarop een metrostel even stilligt en stuurt op basis daarvan zijn 10.000 technici uit om herstellingen uit te voeren. Het bespaart MTR Corporation, de eigenaar en uitbater van de metro, twee dagen per week aan onderhoudsuren en 800.000 dollar per jaar.

Onvoorziene productiestops zijn ook in de olie- en gasindustrie een groot probleem. Stilvallende boorplatformen alleen al kosten de sector volgens het onderzoeksbedrijf Kimberlite meer dan 50 miljard per jaar. De weinige bedrijven in de sector die toch al big data gebruiken om het onderhoud te plannen zien hun uitval met 36 procent zakken, wat hen elk jaar samen 17 miljard dollar opbrengt. Zo installeert Shell met zijn Smart Fields Technology sensoren op de kleppen en pompen van zijn boorinstallaties, die lekken kunnen registreren. Volgens de oliemajor leveren die velden 10 procent meer olie op en 5 procent meer gas.

Een van de bedrijven die al sinds 2013 geavanceerde technologie levert om de levensduur van grote kritische infrastructuur te verlengen, is het Brusselse Zensor. De scale-up van de ondernemer-ingenieur Yves Van Ingelgem en spin-off van de VUB plaatst technische sensoren op bruggen, windmolens, elektriciteitspylonen, boorplatformen en chemische installaties om inzicht te krijgen in de ‘aftakeling’ van die mastodonten.

De sensoren verzamelen data over bijvoorbeeld corrosie of de opname van water. Door algoritmes los te laten op de data geeft Zensor een idee over de levenscyclus en kan het helpen de infrastructuur langer operationeel te houden. Dat het wel degelijk gaat om belangrijke technologie bewijst de klantenportefeuille van Zensor. Daarin zitten Total, Engie, ArcelorMittal, Boskalis en Besix.

Bij Duracell in Aarschot loopt sinds drie jaar een ambitieus data-analyticsproject om de kwaliteit van de geproduceerde batterijen te voorspellen en het aantal productiestops te reduceren (zie kader). Het Vlaamse project is zo succesvol dat het binnenkort in de wereldwijde groep wordt geëxporteerd naar de fabrieken in de VS en China.

Jobs

Behalve het inperken van uitval en productiestops heeft big data nog andere voordelen. Peter Van Hoecke heeft het over een ‘enorme productiviteitswinst en een constante kwaliteit, die zijn gelijke niet kent’. ‘Zelfs al zet je dubbel zoveel mensen in, er is geen sprake van dat je tegen die snelheid producten met zo weinig fouten kan afleveren. Dat biedt ons een enorm competitief voordeel tegenover onze concurrenten.’

Als laatste komt Van Hoecke met een argument dat je niet meteen verwacht. ‘Ik vind automatisering en digitalisering ook belangrijk voor de ondersteuning van onze werknemers. In een tijd waarin talent niet voor het rapen ligt, kan je maar beter saai en repetitief werk elimineren. Zo hebben we een project lopen waarbij we de verlijming van twee plankjes niet meer laten controleren door een mens, maar door een visueel inspectiesysteem dat heeft geleerd hoe de lijm moet aangebracht worden. Daardoor kunnen we die persoon veel boeiender werk laten doen.’

De redenering van Van Hoecke staat haaks op de vaak geopperde vrees dat big data en digitalisering jobs kosten - de klassieke tegenstelling tussen arbeid en robots. ‘Hadden wij het niet gedaan, dan hadden we nu 70 mensen (op 200, red.) minder in dienst gehad’, stelt Van Hoecke resoluut. ‘Zelfs onze twee robots in het productieproces doen niets wat een mens had kunnen doen. Maar de mens moet altijd de bovenhand houden. Loopt een operator met 20 jaar dienst voorbij een machine en hoort hij een afwijkend geluid in de motor, dan zal hij nakijken wat er scheelt. Zoiets blijft belangrijk.’

Ontnuchtering

‘Ken je het begrip no colour workforce?’, vraag Bert Baeck. ‘De computer is niet blue (arbeider) of white collar (bediende), maar een werknemer naast die twee menselijke medewerkers. Big data, AI en computers hebben hun eigen sterkte: ze hebben een veel groter geheugen, kunnen sneller zoeken, rekenen en vergelijken, maken geen fouten bij repetitieve handelingen. Laat die taken vooral aan machines, zodat de mens meer tijd krijgt voor zijn eigen sterktes: creativiteit, probleemoplossend vermogen, associatief denken, communicatie, enzovoort.’

Sowieso duurt het nog heel wat jaren voor big data, AI en machinelearning gemeengoed geworden zijn in de industrie, menen specialisten. ‘Het aantal succesverhalen blijft al bij al beperkt’, stelt Ingmar Christiaens, partner en AI-expert van de consultant EY. ‘Het zijn de voorbije jaren buzzwords geworden. Het gaat soms zover dat een financieel directeur die wat analyses doet op zijn winst- en verliesrekening dat al omschrijft als data-analytics. Het klinkt sexy, maar er zijn nog maar een handvol grote bedrijven voor wie het werkelijk iets betekent. Voor kmo’s is het maar de vraag of het allemaal het gigantische prijskaartje en de lange ontwikkelingstijd waard is.’

‘Op dit moment voel je in het wereldje steeds meer scepsis de kop opsteken’, zegt ook Baeck. ‘Technisch gezien kan er al heel veel, maar je moet het steeds afzetten tegen de kosten. Om maar iets te noemen: de opslag van data gebeurt vaak in de cloud bij Microsoft Azure of Amazon Web Services, en dat kost handenvol geld. Ga je daar dan nog eens mee beginnen te rekenen, dan wordt het nog duurder. Het duurt vaak ook jaren voor een project werkelijk begint op te brengen. Het is dan de vraag over hoeveel jaar je dat kan afschrijven, voor de technologie alweer verouderd is.’

‘We zitten zelfs in een fase van ontnuchtering. Ik verwacht dat nogal wat start-ups die de voorbije jaren als paddenstoelen uit grond rezen het loodje zullen leggen. Het is wachten op een nieuwe golf en een ondernemer die opstaat en een soort Google van de industrie opricht. Een bedrijf dat al de dataopslag en -verwerking, standaardisering en algoritmes in één plug-and-play-platform aanbiedt. Dan pas komt de grote doorbraak. En dan kan het plots heel hard gaan.’