Waardevolle informatie slimmer gebruiken

Historianders

Slaat je bedrijf data op uit (productie)processen? En staat proces optimalisatie hoog op de agenda? Met onze Historianders-aanpak zetten we deze data samen om in waardevolle informatie en versnellen we de digitale transformatie van je bedrijf, om te komen tot een smart factory in deze slimme industrie. Lees onderstaand meer over hoe wij deze Industry 4.0 toepassing in de praktijk hebben gebracht.

Data-historian

Data analyse in de industrie vereist kennis van OT, IT, data analytics en het productie proces. Wij verbinden al deze kennisgebieden. We krijgen veel vragen om klanten te ondersteunen in hun digitale transformatie. Om deze ondersteuning voor onze klanten te versnellen, ontwikkelden wij HISTORIANDERS, een methode om de historian anders en slimmer te gebruiken.

Een data-historian wordt gebruikt om de geschiedenis van proces en productie-informatie op te slaan. Vaak worden historians door slechts een klein gedeelte van de organisatie gebruikt. En worden kruisverbanden tussen de verschillende procesvariabelen niet onderzocht, waardoor bedrijven kansen laten liggen.

Trend analyse en patroonherkenning

De meeste SCADA-, MES- en historian-systemen kunnen recente trends tonen. Deze leveren pas meerwaarde op als je ze kunt relateren aan eerdere soortgelijke gebeurtenissen of aan plotselinge gebeurtenissen die niet vastliggen in deze systemen. Dit geldt ook voor patroonherkenning (ook wel bekend als pattern recoginition). Het is vaak tijdrovend om historische data te vinden van een patroon dat zich tijdens een bepaald event of tijdsinterval heeft voorgedaan. Laat staan om deze data te koppelen aan databronnen buiten het systeem. Moderne technieken als machine learning, kunnen trends en patronen in data herkennen en koppelen aan data van buiten het systeem. Ze achterhalen razendsnel verbanden die handmatig niet te vinden zijn.

Verbanden leggen

Als afwijkingen, trends en patronen gevonden zijn, zoeken we verbanden in de data. Deze  kunnen binnen de historian worden gevonden, maar ook in combinatie met externe bronnen. Denk hierbij aan OEE-software, storings- en alarmeringslogs of data uit onderhoudssystemen zoals SPM, Ultimo of Maximo.

Historianders verbanden ontdekken

Een voorbeeld: we zien een storing in de machine optreden en willen de oorzaak achterhalen. Eerst analyseren we van alle parameters de trends en patronen voorafgaand aan de storing. Als we een afwijkende meetwaarde ontdekken, kijken we of deze afwijking ook op soortgelijke wijze optrad bij eerdere storingen. We berekenen de waarschijnlijkheid dat deze afwijking tot de storing heeft geleid. Daarna onderzoeken we of er nog andere parameters zijn die afwijkend gedrag vertonen rondom hetzelfde tijdstip en of deze mogelijk hiervan de oorzaak zijn geweest. Zodoende achterhalen we de feitelijke oorzaak van de storing. 

Whitepaper ‘De meerwaarde van data analytics’

Gebruik data om meer inzicht te krijgen in productieprocessen en mogelijkheden te identificeren om te optimaliseren, kosten te besparen of het energieverbruik te verminderen. Hoe kunnen de gegevens uit jouw productieproces jou ten goede komen?

Lees deze whitepaper en ga direct aan de slag met je data om waardevolle inzichten en procesvoorspellingen te krijgen. De whitepaper is ook in het Engels beschikbaar.

Voorspellen van/waarschuwen voor gebeurtenissen

Als de oorzaken van gebeurtenissen bekend zijn, kunnen de bijbehorende parameters het optreden wellicht voorspellen (predictive maintenance). In een volgende stap bekijken we nut en/of noodzaak om deze gebeurtenissen te kunnen voorspellen. Welke impact heeft het? Kost het veel tijd of geld? Dan is het belangrijk om te kunnen voorspellen. Aan de hand van deze predictive maintenance zetten we notificaties op die de gebruiker informeert over de gebeurtenis die zich heeft voorgedaan of gaat voordoen. Je bepaalt zelf de frequentie waarmee je deze voorspellingen ontvangt. Koppelingen met externe systemen en notificaties naar smartphones zijn mogelijk.

Historianders-aanpak

De HISTORIANDERS-aanpak bestaat uit meerdere stappen. We onderzoeken samen met je of er al specifieke aandachtsgebieden zijn. Als dit niet het geval is, dan kunnen we de parametergegevens, die voor een langere periode in de historian zijn vastgelegd, bestuderen. Dit kan nieuwe inzichten opleveren in bijvoorbeeld onbekend of onnodig energieverbruik. Uniek in de aanpak is dat wij vertrekken vanuit reeds bestaande data!

Ieder bedrijf heeft andere data en data-opslagsystemen. Daarom leveren we maatwerk. In plaats van een ‘one size fits all’-softwaretool of -platform brengen wij eerst de mogelijkheden, beschikbare data en oplossingsrichtingen in kaart.  Ons vertrekpunt is geen platform, maar data waarover de klant al beschikt. De aanpak daarna is gestandaardiseerde  en afgeleid van het CRISP DM-model voor data-analyse en bestaat uit meerdere stappen:

Stap 1: Business-begrip
 

Onze dataconsultant brengt tijdens een vrijblijvende intake je reeds bekende wensen of problemen in kaart. Desgewenst kunnen we de problematiek verscherpen door middel van een ‘Act to the Max’-workshop of een data opportunity scan. Vervolgens schatten we samen de businesscase in. Welke waarde moet de gezochte oplossing leveren? Staat deze in de juiste verhouding tot de kosten? En wat is de terugverdientijd?  

Stap 2: Kick-off: Business- en databegrip 

Tijdens de kick-off scherpt ons analyseteam samen met al je relevante stakeholders, de probleemdefinitie aan. Hoe kan het probleem worden aangepakt? Welke data zijn hiervoor al beschikbaar? Er wordt nogmaals gekeken of de gezochte oplossing genoeg meerwaarde oplevert. Pas daarna start het onderzoek naar en de ontwikkeling van de oplossing.

Stap 3: Dataverkenning en -engineering 

De beschikbare data worden in kaart gebracht, beschreven en beoordeeld op hun kwaliteit. In welke mate zijn de bestaande databronnen geschikt om het probleem te benaderen? Onze bevindingen koppelen we terug naar je. Vervolgens selecteren we de data en parameters die we gaan gebruiken. We maken de data klaar voor analyse. Foutieve data worden gecorrigeerd of verwijderd en ontbrekende data waar mogelijk aangevuld. Ook voegen we data samen en integreren we databronnen. We doen een eerste onderzoek naar afwijkingen, trends, patronen en verbanden.

Stap 4: Domeinkennis feedbacksessie 

Ter validatie en interpretatie van de resultaten uit de eerste analysefase verkennen we de voorlopige bevindingen met je domeinexperts. Zij kunnen de gevonden afwijkingen, patronen en verbanden het best interpreteren. Samen met ons analyseteam definiëren we geschikte vervolganalyses.  

Ideeën uitwisselen?

We zijn benieuwd naar jouw volgende stap en denken er graag over mee!

Stel daarom hier je vraag. Of neem contact op met een van onze experts.

Wij vinden het van belang dat zorgvuldig wordt omgegaan met jouw persoonsgegevens. Daarom hebben wij in ons privacystatement voor je uiteengezet hoe wij met jouw persoonsgegevens omgaan en welke rechten je hebt. Via bovenstaande checkbox geef je akkoord op het verwerken van jouw persoonsgegevens.