MACHINE LEARNING VOOR MKB-PRODUCTIEBEDRIJVEN

Dit voorstel richt zich op het verkennen van machine learning (ML) mogelijkheden om mkb-bedrijven te onder-steunen bij het verbeteren van hun productieplanning en besturing. Uit interviews met verschillende bedrijven is gebleken dat ze worstelen met plannings- en besturingsproblemen, zoals hoge variatie in de klantvraag, onbe-trouwbare voorcalculaties van capaciteitsbehoefte. Bedrijven zijn continu bezig om hun productieproces en de planning- en besturing hiervan te verbeteren. Ze verwachten hierin een volgende stap te zetten door gebruik te maken van de steeds ruimere (real-time) beschikbaarheid van orderstatus en productiedata. Ze worstelen ech-ter met het waarde toevoegend inzetten van de beschikbare data.
Dit KIEM-onderzoek verkent welke bestaande machine learning modellen toepasbaar zijn om de productie planning en besturing van mkb-bedrijven te verbeteren. Deze machine learning modellen kunnen worden inge-zet bij voorspellende analyses om zo te kunnen acteren op bijvoorbeeld bottlenecks in het productieproces.
Het onderzoek vloeit voort uit de het RAAK-mkb project ‘Organized Digital Factory’, waar we met mkb-bedrijven bezig zijn hun data te ontsluiten met digital twinning. Mkb-bedrijven verwachten de ontsloten data met ML-modellen in te zetten om zo de hoge variatie in de klantvraag beter te plannen én de productie sneller bij te sturen.
Met dit KIEM-onderzoek sluiten we aan bij de roadmap Smart Industry op de volgende punten: Cyber Physical Systems, Digital Twin, Mass Customization, Production Management. Daarnaast sluit het aan bij KIA sleutel-technologieën: Data sciencie and data analystics, digital twinning and immersive tecnologies.

Eindrapportage

Dit project richtte zich op het verkennen van data-gedreven productieplanning en -besturing bij twee mkb-maakbedrijven: Verheij Metaal en Royal Eijkelkamp. Samen met de bedrijven is onderzocht welke data beschikbaar is (o.a. vanuit ERP/MES en werkvloerregistraties), hoe betrouwbaar en eenduidig deze data is, en welke toepassingen kansrijk zijn om de planning en doorlooptijden te verbeteren. Daarnaast is verkend hoe deze data de basis kan vormen voor een eerste stap richting (planning) digital twinning: een digitale representatie van het planningsproces waarmee keuzes en scenario's beter onderbouwd kunnen worden.

De belangrijkste resultaten zijn:
- Een gezamenlijke datainventarisatie en afstemming van definities (bijv. wat precies “doorlooptijd”, “bewerkingstijd” en “wachttijd” betekenen), inclusief aandacht voor datakwaliteit en koppelbaarheid tussen systemen.
- Een opgeleverd datamodel (RAMI-lagen/ERD) dat de relevante databronnen en relaties inzichtelijk maakt en als fundament dient voor verdere digitalisering en analyses.
- Een onderbouwde selectie van kansrijke toepassingen voor vervolgontwikkeling, zoals order dispatching, ordervolgorde, orderclustering en doorlooptijdvoorspelling (met ML-/heuristiek-methoden), inclusief randvoorwaarden voor succesvolle inzet in de praktijk.
- Actieve kennisdeling via een masterclass/presentatie (30 deelnemers) en werksessies op locatie bij de bedrijven, en verankering in het onderwijs met studentbetrokkenheid (4 studenten in stage/scriptie en 30 studenten in regulier onderwijs).

Het project heeft daarmee een basis gelegd om in vervolgstappen gerichter te investeren in datakoppelingen, datakwaliteit en prototypes voor planning-ondersteuning bij mkb-maakbedrijven.