BLOG
DIGITAL

Blog: Big Data perspektiver for industrien - Industri 4.0

Selvom vi har forladt den industrielle tidsalder fortsætter udviklingen. Industriel produktion har gennemgået en række gennemgribende forandringer, der kan grupperes så det giver mening at tale om industri 4.0 i dag.

[27. juli 2015] Den første generation – Industri 1.0 – var karakteriseret ved anvendelsen af mekaniseret kraft som damp-, vand- og vindkraft. Den næste generation fremkom med elektrificering og en øget specialisering af industrien og fremstillingsprocesserne. Tredje generation kendetegnes ved øget automatisering ved hjælp af elektronik og IT.

Industri 4.0 er kendetegnet ved udbredt brug af sensorer og maskiner, der kommunikerer indbyrdes – ”Internet of Things”. Industri 4.0 lover et radikalt forøget effektivitetsniveau for fremstillingsprocesserne – ”Ingen uplanlagte driftsstop” samt muligheden for at fremstille med ”batch-størrelse 1” – højt specialiserede produkter produceret med et, for forbrugeren, acceptabelt omkostningsniveau.

Kernen i skiftet er imidlertid ikke sensorerne og kommunikationen mellem maskinerne, men opsamlingen og frem for alt anvendelsen af de genererede data.

Forebyggende vedligehold er ikke en ny disciplin, men hvor den traditionelt har været baseret på statistiske analyser af historiske data som ”Mean Time Between Failure” (MTBF) er den nu ved at skifte karakter – på engelsk bruges ofte sågar et andet ord til at beskrive et skifte – fra ”Preventive” til ”Predictive”. Nu kombineres de historiske data med aktuelle målinger af temperaturer, støj, vibrationer, omdrejningstal, energiforbrug og data om foretaget vedligehold, planlagt udnyttelse til at sikre at udstyr vedligeholdes inden det bryder ned og på et tidspunkt der passer med den ønskede udnyttelse af udstyret. For eksempel er det nærliggende at foretage et vedligehold før tid, hvis det teknisk rigtige tidspunkt kolliderer med spidsbelastning op til en kampagne/højtid eller andet.

De indsamlede data giver i mange tilfælde også mulighed for at opnå selv-optimerende produktionsudstyr. Hvor udstyret i realtid justerer sig selv til at yde optimalt. Forestil dig for eksempel en vindmøllepark hvor de enkelte møller justeres således, at den samlede elproduktion holdes på det optimale niveau inden for de gældende aftaler med hensyn til den aktuelle vindhastighed- og retning samt den aktuelle elpris og uden at gå på kompromis med sikkerheden i forbindelse med meget kraftig vind. Det er ikke hensigtsmæssigt at producere maximalt på den enkelte vindmølle, dels kan møllerne ”skygge” for hinanden afhængig af vindretningen og skyggevirkningen er afhængig af produktionen, dels kan elprisen for overskuds el være ligefrem negativ så indtægten falder mens vindmøllerne slides af tabsgivende produktion.

En nylig rapport fra Aberdeen Group peger ligefrem på at virksomheder der har en høj vækst i datamængden klarer sig bedre end virksomheder med en lav vækst i datamængden. Aberdeen Group sammenligner to grupper af virksomheder, høj vækst – der har en årlig vækst i datamængderne på over 50% (i gennemsnit 139%) og lav vækst – der har en årlig vækst i datamængderne på 10% eller mindre (i gennemsnit 4%).

Det viser sig også, at virksomhederne med høj vækst i datamængderne har:

  • 64% større sandsynlighed for at have en ”Executive Champion” for deres Big Data initiativer.
  • 68% større sandsynlighed for at have evnen til at opdage og klassificere alle relevante data i takt med at de fødes.
  • 4,3 gange større sandsynlighed for at have en ”Chief Data Officer”.

Det sidste indikerer at det er vitalt at have en velfungerende Data Governance på plads. Dette er netop hovedansvaret for en ”Chief Data Officer”.

Data Governance omfatter strategier, principper, processer, organisation, roller og ansvar for den komplette data livscyklus:

  1. Oprettelse af data. Uanset om data kommer fra sensorer, udefra eller indtastes, skal relevante metadata opsamles på lige fod med de pågældende data.
  2. Transport af data. Data kommer fra utallige kilder på adskilte geografiske steder og sågar fra mobile enheder med ukendt eller usikker fastlagt placering. Disse data skal transporteres hensigtsmæssigt med hensyn til hastighed, sikkerhed og omkostninger.
  3. Lagring af data. Der er tale om enorme datamængder så data skal lagres på en hensigtsmæssig måde med hensyn til nødvendig levetid, værdi, fortrolighed, adgangshastighed og frekvens.
  4. Adgang til data. Principper for adgang til data skal være fastlagt under hensyn til såvel eksterne som interne regler der kan finde anvendelse.
  5. Anvendelse af data. Effektive processer til at kategorisere, analysere, transformere og evt. flytte data for hensigtsmæssig anvendelse til specifikke formål skal være på plads.
  6. Bortskaffelse af data. Nogle data mister deres værdi som tiden går, andre data kan være koblet til klausuler der kræver bortskaffelse på et fastlagt tidspunkt.

Erik Haahr
Erik Haahr
Managing Consultant
+45 52189364
todo todo