Een historian of ander systeem waarin procesparameters en data opgeslagen zijn bieden goede mogelijkheden voor analyses.

Vaak hebben organisaties veel data opgeslagen, maar weten ze deze niet om te zetten naar waardevolle informatie. Wat je wel ziet is dat verschillende medewerkers binnen hun eigen afdeling en met hun eigen programma’s handmatig aan de slag gaan, bijvoorbeeld met Excel. Gevoelsmatig hebben ze dan het idee dat er verbanden te leggen zijn tussen bepaalde procesparameters. Na een paar dagen puzzelen met zo’n vier tot hooguit tien parameters komen ze er dan ook wel uit en is er een bepaalde trend te zien. Maar die hadden ze vaak ook wel verwacht.

Alle data koppelen en analyseren

Met de huidige moderne data-analysetechnieken is het mogelijk om duizenden procesparameters aan elkaar te koppelen en te analyseren. Deze parameters kunnen variëren van de temperatuur van een tank tot de output van een extruder en van de microbiologische tellingen uit LIMS tot de drukmetingen van een ketel. Door naar al deze data van het proces te kijken bijvoorbeeld vlak voor eerdere afwijkingen optraden, is het mogelijk om bepaalde patronen in de data te herkennen die de afwijking voorspellen. Er kan dan voordat de afwijking optreedt al actie ondernomen worden om het proces bij te sturen. Bij assetmanagement vindt deze data-analyse bijvoorbeeld plaats in de vorm van predictive maintenance om gepland onderhoud te kunnen uitvoeren voordat een storing optreedt.

Overwegingen

Bezwaren om te starten met een dergelijke data-analyse liggen vaak op het gebied van cybersecurity. Om de grote hoeveelheden data te kunnen analyseren is de rekencapaciteit van de server van een bedrijf vaak niet voldoende en zijn cloudtoepassingen noodzakelijk, waardoor de systemen mogelijk gehackt zouden kunnen worden. Een andere angst is om de bestaande datasystemen als MES, ERP, LIMS aan te sluiten op de cloud. Ook kan gedacht worden dat de huidige data van een te slechte kwaliteit zijn, omdat wellicht de systemen verouderd zijn. Dit is iets om absoluut rekening mee te houden. Daarom is er een goede uitleg en aanpak nodig om de data-analyse toe te gaan passen.

Historianders

Het werkt niet om een analyse los te laten op een oneindige hoeveelheid historische data, zonder te weten waar men naar op zoek is. De kans dat er dan een trend gevonden wordt die van waarde kan zijn is minimaal. Vaak kom je dan uit op trends die al bekend waren. Het is daarom goed om met bijvoorbeeld een aanpak als Historianders van start te gaan. Deze aanpak is erop gebaseerd dat er eerst een business case gemaakt wordt. Dat gekeken wordt waar de vermoedelijke bottleneck van het proces zit en wat het op zou leveren als de proceswaarden rond die bottleneck zouden leiden tot een procesverbetering. Door gericht op zoek te gaan komt een organisatie vaak tot nieuwe en waardevolle inzichten en kunnen bottlenecks opgelost worden. Daarom is een data-analyse ook niet iets eenmaligs wat je loslaat op je gegevens. Juist door de ene bottleneck op te lossen, kom je op andere plaatsen vaak weer nieuwe bottlenecks tegen. Zo zit je in een continu verbeterproces.

Nieuwe inzichten

Tijdens het opstellen van een business case kan het ook zijn dat geconstateerd wordt dat er onvoldoende data zijn om te analyseren, of dat de data van onvoldoende kwaliteit zijn. Ook daarom is het goed om altijd een gedegen plan van aanpak op te stellen en om hiervoor wellicht eerst een workshop te volgen, hoe zo’n plan te maken. Of data-analyse uiteindelijk toepasbaar is en van waarde kan zijn in een organisatie is moeilijk op voorhand te zeggen. Wel is bekend dat er eigenlijk altijd nieuwe inzichten volgen. Zo kunnen bijvoorbeeld op het gebied van energiebesparing alleen al stappen gemaakt worden, wanneer gesignaleerd wordt dat apparaten draaien op momenten dat het niet nodig is.

Een andere bijvangst is dat verschillende afdelingen nader tot elkaar komen, doordat men naar 1 dataset kijkt. Hierdoor gaan de neuzen dezelfde kant op staan, met een gemeenschappelijk doel, vanwege het inzicht dat data uit hun verschillende systemen met elkaar te maken hebben.

Kortom, data-analyse vraagt om een goed onderbouwd plan en is niet iets om even uit te proberen. Door stapsgewijs de analyse aan te pakken worden nieuwe inzichten verkregen en kunnen in de meeste gevallen voorspellingen gedaan worden over het productieproces.

Auteur: Ferry Janssen, business consultant bij Actemium, kennispartner van VMT

Voor meer technische details over een plan van aanpak is een whitepaper beschikbaar.