Leestijd: 3 minuten

Plamen Kiradjiev presenteert Industrie 4.0 zoals IBM het ziet

Kiradjiev begint er mee dat er twee manieren zijn om te kijken naar Smart Industry, of zo IBM Duitsland het noemt Industrie 4.0. Er is een fabricage en productie invalshoek en een invalshoek die focust op producten en aftersales services. Daarbij is de eerste disclaimer dat in Duitsland de nadruk om begrijpelijke redenen vooral het eerste ligt, het is immers een land dat vooral veel produceert.

Voorbeelden
Het eerste voorbeeld dat hij presenteert is van Daimler. Nog voor de term Industrie 4.0 bestond heeft de autofabrikant besloten data te vergaren van de productie om zodoende de overall kwaliteit beter te kunnen voorspellen en volgen. De drie resultaten die gedeeld worden spreken voor zich: hogere productie, hogere kwaliteit en een zeer geringe terugverdientijd.

Het tweede Industrie 4.0 voorbeeld van Kiradjiev is SmartfactoryKL waar het verzamelen van data het mogelijk maakt een complete productie lijn inzichtelijk te maken (IBM Watson toepassing). Punten waar verbeteringen mogelijk zijn worden getoond en de impact elders in de keten wordt direct getoond omdat het hele proces in kaart is gebracht en wordt gevolgd.

De derde case is John Deere, de fabrikant van landbouwmachines gevestigd in Mannheim. Kiradjiev stipt aan dat deze case om meerdere redenen bijzonder is, niet in de laatste plaats omdat de partijen die hier in participeerden dat deden op basis van goede samenwerking. Dat is key om een Industrie 4.0 implementatie tot een succes te maken.

Randvoorwaarden
Een toepassing van BigData en analytics van IBM Watson is het kunnen voorspellen van “Equipement Failure Predictions” Dat is niet alleen in bovenstaande cases besproken, maar ook in de academische wereld zijn hier de nodige resultaten behaald. Daarbij geldt wel, daarover laat Kiradjiev geen misverstand bestaan, dat data vaak geanonimiseerd moet zijn om te kunnen worden gebruikt. Daarmee stipt hij een punt aan dat de toepassing van BigData en analytics en daarmee Industrie 4.0 in de weg kan staan. Kiradjiev gaat daar ook dieper op in. Het is niet alleen een kwestie van persoonlijke data vergaren dat aan regels is gebonden. De data in kwestie kan ook waarde voor de bedrijven vertegenwoordigen (“intellectueel eigendom”). Wat eveneens een rol speelt is dat de personen en bedrijven die data beschikbaar stellen daar het nut van moeten inzien. Dit zijn twee verwante randvoorwaarden die niet over het hoofd gezien mogen worden.

Referentie Architectuur voor Industrie 4.0
Omdat Industrie 4.0 nadrukkelijk draait om data, data die op tal van plekken wordt gegenereerd en bewerkt is het nodig na te denken over een gewenste architectuur. Het is immers zowel ongewenst als ondoenlijk voor elke toepassing een eigen architectuur op te bouwen, of zoals Kiradjiev aangeeft: data in honderd verschillende clouds gaat niet werken.

Hoe de architectuur er uit kan gaan zien is niet in een technisch schema weergegeven, maar opvallend genoeg is het lijst met circa tien punten. Punten waar iedereen over na kan denken. Wat duidelijk naar voren komt is dat samenwerking een prominente plaats dient te krijgen. Daarmee sluit het betoog van Kiradjiev naadloos aan op wat Rylands in zijn presentatie al aangaf.

Cyber Physical Systems
Het laatste deel van de presentatie van Kiradjiev gaat over CPS, Cyber Physical Systems. Een onderwerp waar veel illustraties bij komen kijken. Waar het onder andere om gaat is dat er op veel meer plekken analytics mogelijk gaan worden, ook van systemen waarbij dat op dit moment nog niet kan. De prikkelende voorspelling die Kiradjiev maakt is dat we gaan naar “ analytics die op industrie en enterprise level worden verzameld om op edge niveau te worden toegepast”.

Reageren

 

 

Let op: een reactie wordt pas geplaatst na goedkeuring van een beheerder