Stilstand in een productielijn kost geld. Waar productiebedrijven de lean manufacturing filosofie goed toepassen, kan dat leiden tot een mogelijk concurrentievoordeel. Het minimaliseren van stilstand en bottlenecks in de productielijn is hier een bepalende factor in. Een productielijn vervangen en in een klap lean maken vergt een enorme investering en kan over het algemeen niet op korte termijn worden terugverdiend. Een onderneming is grotendeels afhankelijk van eerder gemaakte keuzes en investeringen in de productielijn.
Om een groot aantal productvarianten te kunnen maken, kan een productielijn een mix zijn van robots, elektronica, mechanica en monteurs. Een probleem is dat regelmatig storingen kunnen optreden in bepaalde onderdelen van de productielijn. Eén falend onderdeel in de lijn heeft vaak het gevolg dat de hele lijn stilligt tot het probleem is verholpen. Vaak worden stilstand van een lijn reactief aangepakt. Op het moment dat zich een storing voordoet wordt deze opgelost (correctief onderhoud) en daarnaast wordt er preventief onderhoud gepleegd op momenten dat er geen productie gedraaid wordt. Preventief onderhoud maakt het daarnaast moeilijk meetbaar in hoeverre het onderhoud daadwerkelijk nodig was en kan in termen van lean manufacturing mogelijk deels verspilling zijn.
Een productielijn van een onderneming is een bron aan verschillende data. Logbestanden van machines, onderhoud, omgeving, product en het ERP-systeem kunnen veel data verzamelen over de storingen en het detecteren van faalgrenzen van componenten. Studenten en onderzoekers van het Saxion lectoraat Ambient Intelligence doen samen met studenten en docenten van de opleiding Werktuigbouwkunde van Windesheim onderzoek naar een systematische aanpak van data-analyse om stilstand van productielijnen te voorkomen door middel van voorspellend onderhoud in plaats van preventief onderhoud.
In een casestudie met (een deel van) de productielijn binnen Scania wordt kennis ontwikkeld om te kunnen vaststellen hoe stilstand kan worden verlaagd door gebruik van data uit de productielijn door middel van machine learning. Hiervoor wordt aan de hand van een bedrijfsmatige analyse en een risicoanalyse van de productielijn een modelmatige aanpak ontwikkeld van preventief naar predictief onderhoud. Een datawarehouse en dashboard dat voor de verzameling en analyse van data wordt gebouwd leidt tot een decision support system dat gebruikt kan worden om de juiste keuzes in onderhoud te kunnen maken en daarmee de stilstand vande productielijn te verkleinen.
De looptijd van het project is vijftien maanden (december 2018 tot en met februari 2020).
Partners
