Eerste presentatie in een reeks van 5 kennissessies rond lean en smart technologieën door Jannes Slomp en Vincent Wiegel.

1. DR. JANNES SLOMP
DR. VINCENT WIEGEL
SMART LEAN

2. WIE ZIET ER
KANSEN VOOR
BIG DATA IN
ZIJN
ORGANISATIE?
2

3. P-VALUE?

4. POWER?

5. EERST…
Wat weet u van uw eigen
organisatie als het gaat om
volume, variatie, omzet, marge,
kwaliteit,…?

6. Welk % van uw orders
zijn herhaalorders?

7. Welk % van uw artikelnr bepaalt
50% van uw omzet?

8. TAKE AWAY: SMART LEAN OMDAT…
• Smart technologieën overweldigend veel en complex zijn
• Alleen zinvol ingezet kunnen worden als je de juiste vragen stelt
• Lean helpt je de juiste vragen stellen

9. 70% (20)99% (4)
50% (44)95% (45)
6% (6)50% (50)
Cumulatief %
Artikelrange
Cumulatief %
van de omzet
100% (30)Last 1% (1)
Blue
Yellow
Green
Kleur
Code
Red
GLENDAY SIEVE

10. CASE 1:
%VERKOCHT TOV GEMIDDELDE PER GLENDAY SIEVE CATEGORIE
TIJD
0%
50%
100%
150%
200%
250%
Gemiddelde Stand.Deviatie Variatie Coefficient
4.464 807 18%
4.099 684 17%
355 93 26%
93 34 37%

11. Vraagomvangvariabiliteit
Gemiddelde vraaginterval
=0,49
ANALYSE VAN DE KLANTVRAAG (SYNTETOS, 2005)

12. SMART LEAN? LEAN 4.0
LEAN
Industry 4.0

13. DE LINK TUSSEN LEAN EN INDUSTRY 4.0 – DE THEORIE

14. Conclusies:
• Internet 4.0 ondersteunt flow
• Vooral IoT ondersteunt Lean
• Internet 4.0 heeft geen oog voor
mensen en teamwork
• Internet 4.0 ‘zit’ nog vooral in de
fase van ‘monitoring’
De link tussen Lean en Industry 4.0 – de theorie

15. DE LINK TUSSEN LEAN EN INDUSTRY 4.0 – DE PRAKTIJK

16. WAAROM SMART LEAN?

17. SMART & LEAN…?
Informatisering Connectiviteit Zichtbaarheid en
traceerbaarheid
Zelflerende &
voorspellende
kracht
Technologisch ontwikkelingsniveau
Zelflerend
Strategisch
verbonden
Gestructu-
reerd en
toegewijd
Ad Hoc
Leanverbeteren:volwassenheidsniveau

18. TAXONOMIE - DE DRIE BASISTYPEN
Management controlled factory:
Informatiesystemen hebben een beperkte functionaliteit. Ze zijn niet gekoppeld. Het management besteedt
veel tijd aan brandjes blussen. Het bedrijf is functioneel georganiseerd. Verbeteringen komen van het
management.
Digitally (supported) controlled fabriek:
Informatiesystemen hebben een goede functionaliteit. Ze zijn tot op zekere hoogte met elkaar gekoppeld. De
uitwisseling van informatie met de werkvloer is echter beperkt: geen real-time gegevens. Verbeteringen zijn
lokaal. Het management ervaart een kloof tussen de informatie uit de systemen en de realiteit. Op weg naar
(semi-) autonome teams.
Socio-digital controlled factory:
De verschillende informatiesystemen zijn volledig gekoppeld. Informatie is overal beschikbaar. Er is geen kloof
tussen informatie en realiteit. Verbeteringen zijn zowel lokaal als intergraal en gericht op het verbeteren van
de waardestromen. Semi-autonome teams zijn volledig verantwoordelijk voor belangrijke delen van de
waardestromen. Intelligente software wordt gebruikt voor de coördinatie tussen de teams en voor slimme
koppelingen met leveranciers en (externe) klanten. Het management richt zich op het realiseren van een
FLEXIBELE en WENDBARE fabriek.

19. SMART & LEAN…?
Informatisering Connectiviteit Zichtbaarheid en
traceerbaarheid
Zelflerende &
voorspellende
kracht
Technologisch ontwikkelingsniveau
Zelflerend
Strategisch
verbonden
Gestructu-
reerd en
toegewijd
Ad Hoc
Leanverbeteren:volwassenheidsniveau
van
naar

20. BIG DATA &
MACHINE
LEARNING
20

21. DAN ARIELY
BIG DATA IS LIKE TEENAGE
SEKS,
EVERYONE TALKS ABOUT IT,
NOBODY REALLY KNOWS HOW
TO DO IT,
EVERYONE THINKS EVERYONE
ELSE IS DOING IT
SO EVERYONE CLAIMS THEY
ARE DOING IT…

22. LEAN & BIG DATA / MACHINE LEARNING
Artificial intelligence: Autonomous,
machine-based reasoning system
Omgeving waarnemen
Redeneren over doelen
Acties in gang zetten
Data science: methoden, processen en
systemen om kennis en inzichten te
onttrekken uit (zowel gestructureerde als
ongestructureerde) data

23. AI & DATA SCIENCE
Artificial
Intelligence
Data
Data Science
Machine Learning

25. Modeling Task
Value Proposition
End-User Actions Data Sources
Deployment
and Integration
Monitoring and
Value Testing
Licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.Adapted from The Machine Learning Canvas by Louis Dorard, Ph.D.
Machine Learning Canvas Designed for: Designed by: Date: Iteration: .
End-User Persona
Model Evaluation
Business Objectives
What methods and
metrics can be used to
monitor ’online’ model
performance? How is
the actual business
value measured?
How can the model be
deployed and brought
into production? How
is it exposed to the
end-user and
integrated in a product
or service?
How do predictions elicit actions (or
decisions) that result in the proposed value
for the end-user?
What are we going to predict and with what
information? What is the type of machine
learning problem?
Which raw data sources can we use (internal
and external)? How and with what frequency
should the data be collected?
What methods and metrics can be used to
evaluate the ‘offline’ performance? What is
the cost of being wrong?
Who are the end-users of the predictive model? What are the
jobs they need to get done? What are their immediate pains and
potential gains in trying to do so?
How do we help the end-users get the job done and satisfy
their needs? How do we alleviate or eliminate their pains and
create value through gains?
What business objectives are we serving? What KPI will be
improved and by how much? What is the business value and
how can it be measured?

26. UITDAGINGENKANSEN
THE COMPUTER SAYS …
• Voorspellen kwaliteit
• Planning verbeteren
• Versterking medewerkers
• Patronen ontdekken
• Nieuwe toepassingen ontdekken
• Complex
• Formaliseren
• Veel goede data nodig
• Beperkte statistische kennis

27. YOUR CASE

28. 12 MAART BIG DATA MET STIJN HOPPENBROUWERS
Stijn Hoppenbrouwers is lector Data & Knowledge Engineering bij
de HAN en universitair docent bij de afdeling Data Science aan de
Radboud Universiteit. Vanuit een achtergrond in
informatiesystemen en taalwetenschappen, een PhD in Computer
Science, richt Stijn zich op praktijkgericht ontwerp en toepassing
van data- en kennistechnologie, met open oog voor het samenspel
tussen techniek, mens en organisatie.

29. JUST BEFORE WE
BREAK…

30. Enquete Smart technieken en Lean principes
bit.ly/LeanenSI

31. NOW GIVE ME THAT
BREAK!!
OKAY, 15 MINUTES

32. AUGMENTED
REALITY
33

33. AUGMENTED REALITY
Augmented Reality (AR) is een
technologie die de realiteit en de
virtuele wereld met elkaar verbindt.
'Augmented reality' betekent
letterlijk: verrijkte werkelijkheid. Het
is dus een mix van de realiteit met
een virtuele toevoeging of verrijking.

34. Assemblage
Assemblage
Assemblage
Pull,
Vraag van
assemblage
komt op
beeldscherm
Orderpicker
kiest
opdrachten die
hij wil picken
Met een treintje (aantal karretjes met een
trekker) wordt in het magazijn gereden
Met een QR scanner wordt
de juiste locatie gecheckt
De smart glasses geven de
order picker informatie. Er is
een koppeling met de
scanner en het
informatiesysteem.
Demo – waar we aan werken in RAAK AR in Assemblage
Er worden bakjes naar assemblage stations gebracht (> dan nodig)
(half) Lege
bakjes
worden
teruggebracht
en geplaats in
het magazijn)

35. AR OP DE
WERKPLEK EN
VOOR HET
TRAINEN VAN
MENSEN

36. UITDAGINGENKANSEN
IK ZIE IK ZIE WAT JIJ NIET ZIET…
• Kortere leercurve
• Kwaliteitsvergroting
• Groter potentieel uit
arbeidsmarkt
• Complex
• Afhankelijk van omgeving
• Omstellen vergt
herprogrammeren

37. A CASE

38. YOUR CASE

39. 14 MEI AR MASTERCLASS - JANNES SLOMP
Jannes Slomp is Lector World Class Performance aan de HAN.
Hij is betrokken bij de Minor World Class Performance / Lean
Management en hoofddocent van de Master track Lean
Engineering Systems.

40. DIGITAL
FACTORY
41

41. DIGITAL…?
A digital factory is a production facility in which people, machines, raw
materials and products instantly share information about all stages of the
production process. Enabled by smart sensors, affordable cloud storage and
Big Data analytics, it combines data and intelligence from previously siloed
IT and operational systems.
A digital twin is a digital replica of a living or non-living physical entity.

42. Shop-floor
Digital Twin
Data
5. Datamining
info
3. Status vd
SF-onderdelen
8. Real-time data
9. Real-time control data
1. Demand data
2. Product data
DIGITAL TWIN

43. UITDAGINGENKANSEN
ECHT EN TOCH NIET
• Hogere capaciteitsbenutting
• Identificatie bottlenecks
• Simuleren voorafgaand aan
beslissing
• Betere voorspelling
• Sneller interveniëren in
productie
• Complexiteit: veel parameters
en variabelen
• Veel systemen
• Veel verschillende afdelingen en
functies betrokken

44. A CASE

45. YOUR CASE

46. 11 JUNI DIGITALE FABRIEK - GERLINDE OVERSLUIZEN
Gerlinde Oversluizen is opgeleid als technisch natuurkundige
met meet- en regeltechniek als specialisatie.
Binnen het HAN Lean-QRM Centrum werkt ze aan
onderzoeksprojecten binnen de maakindustrie. Waarbij haar
belangstelling uit gaat naar de planning en besturing van
productieprocessen.

47. ROBOTICS
48

48. ROBOTICA
An industrial robot is a robot system used for manufacturing. Industrial
robots are automated, programmable and capable of movement on three or
more axis.
Zet je robot in op je bottleneck

49. VARIABILITEIT: DRIJFVEER VOOR INTEGRATIE
Organisation
integration
Degreeofrobotizing
I
II
III
IV
I
II
III
IV
Value stream
Information flow

50. BORGEN: STANDAARDISEREN IN ROBOTPROGRAMMA
Continue verbetering

51. UITDAGINGENKANSEN
24/7/365 …?
• Personeelstekort
• Kwaliteit
• Capaciteit
• Schaalbaarheid
• Impliciete kennis
• Kwaliteit
• Lijn balanceren
• Herconfigureren
• Integratie van informatie
• Parametriseren

52. A CASE

53. YOUR CASE

54. 07 APRIL ROBOTICA MET RIK GRASMEIJER
Rik Grasmeijer is projectleider bij het Fieldlab Industrial Robotics
(FIR) en is daardoor in het werkveld van de industriële
robotisering betrokken bij onderzoek, ontwikkeling
onderwijsmateriaal en certificering. Zowel de technische als de
organisatorische aspecten hebben zijn interesse, zeker daar
waar het om enkelstuksproductie met robots gaat.

55. CONCRETE PROJECTEN EN OPLEIDINGEN
< Master Engineering Systems – Lean
< Lean 4zero
Master Applied Data Sciences >
Lean & Robotica >
< Digital factory
Factory of the future >

56. CONCLUSIES

57. DANK VOOR JULLIE
DEELNAME
TIJD VOOR EEN DRANKJE..