NIRAS: ‘Toepassen van AI is een sluitstuk’

Volgens Snijders was de verpakkingslijn ooit een veelal mechanisch geheel dat zo efficiënt mogelijk moest draaien. ‘Nu zie je dat systemen zelflerend worden, kan een sorteermachine op basis van data zijn eigen algoritme en daarbij de output blijven verbeteren.’ Ook buiten de lijn verandert veel. In een warehouse kan op basis van temperatuurmetingen automatisch worden bepaald welke grondstoffen het eerst moeten worden gebruikt. ‘Je kijkt niet meer alleen naar volgorde, maar naar actuele kwaliteit,’ zegt hij.

Erik Snijders

Onbekend maakt onbemind

Niet ieder bedrijf omarmt de digitalisering even snel. ‘Onbekend maakt onbemind,’ zegt Snijders. ‘Sommige machinebouwers of voedingsmiddelenproducenten werken al jaren met dezelfde techniek en vinden de overstap naar iets abstracts als data lastig. Een mechanische lijn zie je bewegen, daar kun je iets aan repareren. In een digitale omgeving moet je vertrouwen op informatie die je niet kunt vastpakken.’

Volgens Dirk Boumans, expertise director digitalisation bij NIRAS, speelt ook de investeringskant mee. ‘Het vergt geld en tijd. Op de lange termijn levert het iets op, maar dat is niet altijd direct zichtbaar.’

De grootste terughoudendheid ziet Snijders vaak niet bij de machinebouwer, maar nog aan de kant van de voedingsmiddelenproducent. ‘Zij moeten investeren in nieuwe systemen en mensen trainen. De verschillen zijn groot. De een werkt al met een MES-systeem om productie aan te sturen, de ander kijkt er nog tegenop.’

Kwaliteit en veiligheid

Data brengen nieuwe vragen met zich mee. ‘Je ziet dat machinebouwers soms toegang nodig hebben tot de aansturing en de uitgelezen data van een lijn om algoritmes te verbeteren,’ zegt Snijders. ‘Dan moet je bepalen of je dat wilt en wat dat betekent voor de IT-veiligheid.’

Een ander punt is de kwaliteit van data. ‘Bij machine learning, of kunstmatige intelligentie, is wat je erin stopt cruciaal voor wat je eruit krijgt,’ zegt Boumans. ‘Niet iedereen werkt met voldoende kwalitatieve datasets.’ Die data worden steeds vaker realtime verzameld, waardoor onderhoud en prestaties op afstand kunnen worden gevolgd. ‘Onderhoud kan zelfs worden uitbesteed,’ voegt Snijders toe. ‘De leverancier kijkt mee en grijpt in voordat iets vastloopt.’

Dirk Boumans

Dienstverlening digitaler

Ook de manier van ontwerpen verandert. Naast met digitale 2D lay outs, 3D, BIM of VR modellen werkt NIRAS steeds vaker met simulatiemodellen waarmee data en scenario’s of verandervoorstellen al in een virtuele fabriek kunnen worden getest. ‘Zo kun je zien wat er gebeurt als je iets in het proces aanpast, zonder dat je machines of hele lijnen hoeft om te bouwen,’ zegt Boumans. ‘Onze dienstverlening is daardoor veel digitaler geworden.’

Het digitaal toetsen van ontwerpen of hele masterplannen is een fundamentele verandering. Ook om verder in de toekomst te kunnen kijken of om investeringen over de ROI-grens van 3 tot 5 jaar grens heen te tillen.

Er zit echter een voorwaarde aan digitale ontwikkelingen: ‘Het vereist een data-infrastructuur, sensoren en een duidelijke use-case. Denk aan visuele inspectie, predictive maintenance of orderoptimalisatie,’ aldus Boumans.

Wetgeving als onzekere factor

De PPWR zorgt voor extra dynamiek in de markt. Vooral de onzekerheid over bijvoorbeeld uitzonderingslijsten op bepaalde eisen, maakt het lastig om beslissingen te nemen. ‘Opdrachtgevers willen nu investeren, maar weten niet zeker wat straks nog mag,’ zegt Snijders. ‘Kijk naar de PET-punnets voor bepaalde vruchten. Die staan nu op de uitzonderingslijst, maar wat als ze er straks afvallen? Dan moet je overstappen op karton met een kunststofliner. Dat zijn grote aanpassingen.’

Volgens hem kiezen bedrijven daarom vaker voor flexibiliteit. ‘Je bouwt lijnen zo dat ze verschillende materialen aankunnen. Dat geeft ruimte om te reageren op wat er nog komt. Dit vraagt echter ook weer wat van machinebouwers en in die zin iets van ons als engineeringspartij. Wij dienen de eisen helder te hebben, of in ieder geval af te kaderen, voordat machines besteld of verpakkingslijnen gerealiseerd worden.’

Simulatieproces

Kunstmatige intelligentie in de praktijk

Kunstmatige intelligentie wordt steeds zichtbaarder in productieomgevingen , bijvoorbeeld via bredere toepassing van de al bekende visionsystemen. In de AGF-sector gaan de ontwikkelingen al ver. ‘Met verschillende camera’s kun je bijvoorbeeld zelfs het suikergehalte van producten meten en op basis daarvan sorteren,’ vertelt Snijders. ‘Zo kun je producten realtime naar de juiste klant sturen.’

Boumans geeft een ander voorbeeld: ‘We zien al langer voorbeelden van lijnen die automatisch hun snelheid aanpassen op basis van upstream of downstream data. Ook zijn er systemen die ordervolgorde optimaliseren op basis van palletconfiguratie. Volledig zelflerende lijnen zijn nog zeldzaam, maar de bouwstenen zijn er: AI, machine learning en digitale twins maken het steeds realistischer.’ Hij vult aan: ‘Toepassen van AI is een sluitstuk van de optimalisatie en efficientie-verbetering. Het begint bij het verzamelen en valideren van data en daar vervolgens inzicht in krijgen. Wanneer deze stappen gezet zijn, kan machine learning toegepast worden om realtime bij te sturen of onderhoud noodzaak te voorspellen.’

Volgens Boumans ontstaan er ook toepassingen in productieplanning. ‘AI kan helpen voorspellen wanneer je het beste kunt wisselen, zodat je minder stilstand hebt.’

Andere eisen voor operators

De digitalisering verandert ook de werkvloer. ‘Operators moeten meer systeemkennis hebben. Operators moeten nu vaker data kunnen interpreteren, storingen analyseren en samenwerken met slimme systemen.,’ zegt Snijders. ‘Je ziet minder beweging, maar meer schermen. Ze moeten begrijpen wat er digitaal gebeurt.’