IoT-baseret BI /
data optimerer de
små marginaler

Konverteringsmaskiner kører som en produktionslinje, og alle dele er afhængige af hinanden. Konsekvensen er, at maskinen kun kan operere så hurtigt som den langsomste del. Ved monitorering af de forskellige motorer inde i maskinen kan man hurtigt identificere den del, der sænker den gennemsnitlige performance og udskifte denne. Og teamet i produktionen kan således agere proaktivt – ofte før det går galt.

Samtidig overvåges Overall Equipment Efficiency (OEE) for maskinen for at se, om udnyttelsen af maskinen er optimal. Dette kan i fremtiden eksempelvis også anvendes i samspil med de forskellige operatører til at optimere produktionen. Hvad gør de bedste operatører anderledes end de andre? Og hvordan kan vi lære af disse?

Konverteringsbranchen arbejder med udvikling og support af maskiner, der kan producere labels til forskellige produkter i forskellige størrelser og kvaliteter. I nogle opgaver skæres materiale til, mens der i andre skal printes på materialet. Og ved print på selve materialet bliver opgaven kun mere kompleks, da der er meget forskellige detaljeringsgrader og krav til disse print, så labels også lever op til kravene fra eksempelvis fødevare- eller medicinalindustrien. Og hele produktionen skal operere automatisk og ved mange hundrede meter i sekundet. At løfte denne opgave kræver ekstrem præcision i det maskineri, der arbejdes med, og det stiller store krav til, at de operatører, der anvender maskineriet, udfører deres arbejde korrekt. En label er derfor ikke bare en label.

I al software i maskinerne er der indbygget et IoT-modul, og når én del af maskinen foretager en handling, såsom at køre med én motor eller indstille en rulle, rapporterer maskinen handlingen til IoT-modulet, som så sender data mod skyen. Werosys’ løsning anvender Microsofts Azure cloud services til at sende og transformere data. De forskellige produktionsmaskiner sender data til Azure IoT-Hub, som tilbyder en række features til i forhold til sikkerhed og validitet af maskinerne. Data bliver sendt til Azure stream analytics, der kan transformere en strøm af data, således data kan modelleres med henblik på netop den visualisering der er relevant for brugeren. Fra stream analytics sendes data derefter til de to outputs, nemlig til Power BI for nutidsperspektivet og en database for det historiske perspektiv.

Med et historisk perspektiv på data har Werosys også muligheden for at lave advanced prediction på deres maskiner, for at forudsige om maskinen skal serviceres, allerede inden der opstår fejl.