Przemysł 4.0 - integracja, efektywność, kastomizacja

Część 1. Technologie przemysłu 4.0

Czwartą rewolucję przemysłową umożliwiają i napędzają: Przemysłowy Internet Rzeczy, Big Data, chmura obliczeniowa, sztuczna inteligencja, cyfrowe bliźniaki, rzeczywistość wirtualna, druk 3D (wytwarzanie addytywne), autonomiczne roboty mobilne i roboty współpracujące. Są to zatem zarówno rozwiązania sprzętowe, jak i programowe, z których wiele się wzajemnie uzupełnia. Przykładem jest Przemysłowy Internet Rzeczy, który stanowi źródło danych Big Data oraz chmura obliczeniowa i sztuczna inteligencja, które dostarczają narzędzi, odpowiednio sprzętowych i programowych, do ich obróbki.

Aplikacje przemysłowego internetu rzeczy

Przemysłowy Internet Rzeczy (Industrial Internet of Things, IIoT) to segment Internetu Rzeczy, czyli sieci, w której przedmioty wyposażone w układy komunikacyjne i często także w czujniki wymieniają dane między sobą i z węzłami nadrzędnymi. W przemyśle IoT jest wykorzystywany przede wszystkim w pomiarach, nadzorze i zarządzaniu aktywami. Jednym z perspektywicznych zastosowań IIoT jest predykcyjne utrzymanie ruchu, w którym dane zebrane z opomiarowanych maszyn są centralnie przetwarzane w celu detekcji oznak możliwej awarii. Kolejny przykład to wykrywanie wąskich gardeł na podstawie analizy pozyskanych z sieci IIoT wskaźników wydajności, stopnia wykorzystania poszczególnych maszyn i linii technologicznych oraz informacji o przestojach. IIoT znajduje także zastosowanie w predykcyjnej kontroli jakości. W tym przypadku dane z sensorów w maszynach pozwalają na dobór ich nastaw, procedur bądź receptur, optymalnych pod względem pożądanych cech wyrobu końcowego, kompensujących jego specyfikę albo warunki produkcji, jak odchyłki narzędzi rosnące z czasem na skutek deformacji termicznych.

Internet Rzeczy popularyzuje się dzięki dostępności czujników smart i rozwojowi technologii komunikacyjnych. Pierwsze to zintegrowane jednostki, zbudowane z: elementu pomiarowego, bloku wstępnego przetwarzania wyników pomiarów oraz nadajnika wysyłającego odczyty. Są wbudowywane w nowe urządzenia, by fabrycznie przygotować je do podprzemysł łączenia do sieci IoT, albo domontowywane do tych starszych. W dziedzinie komunikacji z kolei nadzieje pokłada się w sieciach 5G, wyróżniających się wymaganymi w aplikacjach Industry 4.0 parametrami transmisji (dużą prędkością, małymi opóźnieniami, dużą przepustowością).

Dostępność danych i możliwość ich przesyłu jednak nie wystarczą. Trzeba je jeszcze bowiem przetworzyć, by uzyskać jak najwięcej użytecznych wniosków, bez nadmiernego obciążenia systemów za to odpowiedzialnych. Jest to trudne, gdyż dane pozyskiwane w sieciach IIoT są zaliczane do kategorii Big Data.

Czym są Big Data?

Big Data to ogromne i złożone zbiory danych, dla których nie sprawdzają się tradycyjne metody zarządzania, magazynowania i przetwarzania. Poddane odpowiedniej obróbce pozwalają jednak na zidentyfikowanie trendów, wzorców, powiązań, bez nich trudnych, a nawet niemożliwych do wykrycia. Oprócz sieci IIoT poza przemysłem ich źródłem są m.in. platformy społecznościowe i sklepy internetowe. Wyróżnia się trzy ich typy: ustrukturyzowane, częściowo ustrukturyzowane i nieustrukturyzowane. Pierwsze pozyskuje się, przechowuje i przetwarza w ustalonym formacie. Dzięki zorganizowanej i znanej z wyprzedzeniem strukturze ich obróbka jest łatwa. Przykład to tabele arkuszy kalkulacyjnych. Format tych trzeciego typu jest nieznany. Zwykle mają większy rozmiar niż ustrukturyzowane, w związku z nadmiarowymi informacjami, które wynikają z ich niejednorodnego charakteru. Przykład z życia codziennego to wyniki z wyszukiwarki w postaci stron, filmów, obrazów. Dane częściowo ustrukturyzowane są kombinacją ustrukturyzowanych i nieustrukturyzowanych, niesklasyfikowanych, ale ze znacznikami będącymi ich wyróżnikami.

Big Data charakteryzuje: ilość, prędkość napływu, różnorodność, wiarygodność, odpowiedniość i zmienność. Niektóre z tych cech z jednej strony utrudniają ich obróbkę, a z drugiej decydują o ich użyteczności. Pierwsza często jest wyrażana w petabajtach, eksabajtach, a nawet zettabajtach czy jotabajtach. Wyzwaniem dla wielu przedsiębiorstw bywa już zatem samo magazynowanie takich ilości informacji. Są zwykle generowane z dużą szybkością, zatem równie prędko muszą zostać poddane analizie, aby można było z nią nadążyć za przychodzącymi nowymi informacjami. Na wydajność obróbki wpływa też ich różnorodność, ważna jest więc ich prawidłowa klasyfikacja. Wymagana jest także weryfikacja wiarygodności i jakości danych, pod kątem zduplikowanych rekordów, błędów, niespójności, szczególnie tych z różnych źródeł i różniących się formatem. Odpowiedniość decyduje o tym, czy zestaw danych sprawdzi się w danym przypadku użycia. Zmienność danych wpływa natomiast na możliwość ich ujednolicenia.

Jakie są korzyści z chmury?

Przechowywanie i obróbka Big Data z IIoT w fabrykach wymaga więc dużych ilości pamięci, mocy obliczeniowej i odpowiednich algorytmów obróbki. W tym pomocne są: chmura obliczeniowa i sztuczna inteligencja. Pierwsza jest alternatywą w razie niewystarczających lokalnych zasobów infrastruktury informatycznej, jest to bowiem usługa, w której z serwerów, baz danych, sieci i oprogramowania można korzystać zdalnie. Z tym wiążą się liczne korzyści.

Przede wszystkim nie ponosi się wydatków na zakup sprzętu, oprogramowania, potem kosztów jego obsługi i utrzymania (płac specjalistów, opłat za energię elektryczną zasilającą serwery i systemy ich chłodzenia). Usługi w chmurze są dostępne na żądanie, więc nie trzeba ich zawczasu planować. Są też skalowalne, co oznacza, że stosownie do potrzeb i możliwości finansowych można skorzystać z większej mocy obliczeniowej, pamięci oraz przepustowości. Ponadto, ponieważ to usługodawcy dbają o stronę sprzętowo-programową, klient zawsze ma dostęp do najnowszych rozwiązań. Dotyczy to również zabezpieczeń przed cyberatakami.

Sztuczna inteligencja

Sztuczna inteligencja to zbiór technik rozwiązywania problemów analizy danych do tej pory trudnych lub niemożliwych do rozwikłania, odgrywająca coraz większą rolę w obróbce Big Data. Szczególne znaczenie ma uczenie maszynowe, w którym algorytm może się nauczyć klasyfikacji danych wejściowych na podstawie ich próbek. Wyróżnia się nadzorowane oraz nienadzorowane uczenie maszynowe. W pierwszym algorytm w oparciu o dane wejściowe i wyjściowe szuka funkcji określającej zależność pomiędzy nimi. Wyróżnia się dwa jego typy: klasyfikację oraz regresję. W pierwszej zmienną wyjściową jest kategoria, jak "prawidłowy" albo "nieprawidłowy", a w regresji jest to liczba rzeczywista. W uczeniu nienadzorowanym natomiast dostępne są tylko dane wejściowe, a celem algorytmu jest modelowanie struktury lub rozkładu danych. Podgrupą uczenia maszynowego jest głębokie uczenie wykorzystujące warstwową strukturę algorytmów w postaci sztucznej sieci neuronowej. Ponieważ wzoruje się ono w tym zakresie na ludzkim mózgu jest efektywniejsze niż inne algorytmy uczenia maszynowego.

Autonomiczne roboty mobilne Autonomiczne roboty mobilne poruszają się po ścieżkach, które planują samodzielnie i które mogą na bieżąco zmieniać, wybierając tę najlepszą do wykonania zadania. W tym celu wyposaża się je w czujniki, a w ich sterownikach implementuje się specjalne algorytmy. Dzięki nim manewrują, żeby omijać przeszkody, zwalniając, żeby uniknąć zderzenia z ruchomymi obiektami i modyfikując trasę w locie, aby wybrać tę najkrótszą albo, jeżeli została wdrożona funkcja śledzenia poruszających się obiektów i przewidywania ich ruchu, tę, na której prawdopodobieństwo zderzenia jest najmniejsze. Pojazdy tego typu znajdują zastosowanie w transporcie wewnętrznym w zakładach przemysłowych, przykładowo przenosząc części między stanowiskami montażowymi i magazynach, w kompletowaniu zamówień.

Komponenty cyfrowych bliźniaków

Cyfrowy bliźniak to wirtualna reprezentacja, odpowiadająca atrybutom i zachowaniu obiektu, którym może być urządzenie, linia produkcyjna lub system, która spełnia wymagania danego zestawu przypadków użycia, od których zależy stopień komplikacji odwzorowania. Dlatego implementacje cyfrowych bliźniaków czasem wykorzystują złożone modele obliczeniowe, a niekiedy mały zestaw atrybutów i informacji. W praktyce są to kompletne gotowe do użytku środowiska, złożone z wzajemnie ze sobą powiązanych danych, modeli i interfejsów. Ostatnie udostępniają dane, pozwalają wywoływać polecenia i uruchamiać modele, zapewniając łączność i interakcje między odrębnymi wirtualnymi reprezentacjami oraz nimi a innym oprogramowaniem. Źródłem danych jest rzeczywisty obiekt, którego odwzorowaniem jest cyfrowy bliźniak. Modele z kolei mogą być oparte na ogólnych zasadach matematyki, fizyki, chemii, inżynierii materiałowej, statystyce, opracowane z wykorzystaniem technik sztucznej inteligencji. Niezbędne są także te zorientowane na wizualizację, jak modele 3D i wykorzystujące rzeczywistość wirtualną albo rozszerzoną.

Rzeczywistość wirtualna a rozszerzona

Rzeczywistość wirtualna zapewnia użytkownikom dostęp do cyfrowo wygenerowanego środowiska, całkowicie odcinając ich od prawdziwego otoczenia. Wgląd w nią zapewnia im kask z wbudowanym wyświetlaczem, a interakcję umożliwiają różnego rodzaju kontrolery.

Rzeczywistość rozszerzona natomiast pozwala na nakładanie treści generowanych cyfrowo na rzeczywisty obraz. Realizuje się to w różny sposób zależnie od typu sprzętu użytkownika. Na przykład aplikacje mobilne wirtualne obiekty nanoszą na obraz na wyświetlaczu smartfona rejestrowany za pomocą jego aparatu. Technologia ta jest także dostępna za pośrednictwem kasków, jak w przypadku rzeczywistości wirtualnej, ale zamiast wirtualnego widoku na ten rzeczywisty nakładane są dane cyfrowe.

Przykład zastosowania rzeczywistości wirtualnej w przemyśle to szkolenia, tańsze, gdyż nie wymagają organizacji stanowiska pracy oraz bezpieczniejsze, jeśli przygotowują do pracy w warunkach wysokiego ryzyka. Technika ta umożliwia też współpracę ekspertów we wspólnej cyfrowej przestrzeni projektowej. Rzeczywistość rozszerzona sprawdza się w nawigacji oraz podczas napraw, gdy na widok obiektu nanoszone są instrukcje postępowania.

Dotychczas w artykule przedstawiliśmy rozwiązania programowe stanowiące trzon Industry 4.0. Sprzętowe charakteryzujemy pokrótce w ramkach.

Część 2. Przemysł 4.0 w praktyce

Wdrożenie przedstawionych technologii przyniesie zakładom przemysłowym wiele korzyści. Najważniejsze z nich to: większa produktywność, lepsza komunikacja pomiędzy jednostkami przedsiębiorstwa, łatwiejsze dostosowanie się do przepisów branżowych i większa rentowność.

Pierwsza oznacza, że przedsiębiorstwo, w którym zostały wdrożone rozwiązania Przemysłu 4.0, będzie mogło produkować więcej i szybciej, dzięki efektywniejszemu zarządzaniu dostępnymi zasobami oraz unikaniu przestojów. Do większej produktywności przyczyni się także łatwiejsze przestrajanie linii technologicznych. Oprócz obniżenia kosztów uruchamiania produkcji nowych wyrobów, elastyczność w tym zakresie stworzy też możliwości dla wytwarzania jednorazowych serii produkcyjnych i ułatwi skalowanie przepustowości linii technologicznych, w górę i w dół. Możliwe też będzie oferowanie klientom wyrobów spersonalizowanych z zachowaniem zalet produkcji masowej. Dzięki temu ich cena nie będzie wygórowana.

Technologie Przemysłu 4.0 umożliwią także działom przedsiębiorstwa wymianę danych, bez względu na ich lokalizację, platformę albo jakikolwiek inny czynnik obecnie utrudniający ich skomunikowanie. Co więcej, Przemysłowy Internet Rzeczy, sztuczna inteligencja oraz chmura pozwolą na zautomatyzowanie łączności i realizację jej na poziomie maszyna-maszyna i system-system, bez ingerencji człowieka. To odciąży personel, przyspieszy oraz usprawni ten proces.

Dzięki rozwiązaniom Industry 4.0 można również zautomatyzować zadania śledzenia przepływu materiałów, rejestracji produktów, kontroli jakości. To ułatwi zapewnienie zgodności z przepisami branżowymi, dotyczącymi na przykład branży spożywczej i farmaceutycznej.

Wszystkie powyższe korzyści bezpośrednio lub pośrednio skutkują wyższymi dochodami przy równoczesnym obniżeniu kosztów operacyjnych. Dlatego inwestując w nowe technologie, w perspektywie czasu można się spodziewać poprawy rentowności.

Druk 3D (wytwarzanie addytywne, przyrostowe, druk przestrzenny) Druk przestrzenny to proces, w którym trójwymiarowe obiekty wykonywane są na podstawie modelu cyfrowego przez dodawanie kolejnych warstw materiału, jedna na drugiej. Wytwarzanie przyrostowe ma wiele zalet w porównaniu z technikami ubytkowymi, w których materiał jest usuwany, na przykład z litego bloku, aż do uzyskania pożądanego kształtu. Są to: mniejsze marnotrawstwo materiału, elastyczność produkcji oraz łatwiejsze wykonywanie obiektów o skomplikowanych kształtach. Przedmioty tą metodą wykonywane są przy użyciu drukarek 3D. Maszyny te różnią się technologią drukowania, wielkością obiektów, które mogą wydrukować, wydajnością produkcji, materiałami, z których drukują. Potrzebne jest również specjalne oprogramowanie. Przygotowuje się w nim model cyfrowy obiektu oraz konwertuje go do postaci zrozumiałej przez sterownik drukarki. Wydrukowany przedmiot, w zależności od techniki produkcji, trzeba wyczyścić. Główne zastosowania druku 3D w przemyśle to: wykonywanie prototypów, form, narzędzi, produkcja krótkich serii wyrobów.

Czym są latarnie przemysłu?

O tym, czy oczekiwania, jakie są wiązane z Przemysłem 4.0, się spełniają, może się przekonać coraz większa liczba przedsiębiorstw, które zdecydowały się na wdrożenie rozwiązań technicznych zaliczanych do tej kategorii. Przykładami takich są Latarnie Industry 4.0.

Są to firmy należące do Global Lighthouse Network, utworzonej w ramach World Economic Forum społeczności liderów w dziedzinie wykorzystania technologii czwartej rewolucji przemysłowej. Jej powstaniu przyświecał cel stworzenia platformy do wymiany doświadczeń oraz przede wszystkim propagowania idei Industry 4.0. To ostatecznie powinno się przełożyć na przyspieszenie przyjęcia zaawansowanych rozwiązań w przemyśle. Podczas pisania tego artykułu do kategorii Latarni Przemysłu 4.0 zaliczonych zostało dziewięćdziesiąt firm produkcyjnych z różnych sektorów przemysłu, w tym trzy jako latarnie zrównoważonego rozwoju (Sustainability Lighthouse). Nowe technologie wykorzystują one w różnych aplikacjach.

Przegląd przypadków użycia

Podzielono je na kilka kategorii. Są to: montaż cyfrowy i maszyny (digital assembly and machines), cyfrowe utrzymanie ruchu (digital maintenance), zarządzanie wydajnością (digital performance management) oraz zarządzanie jakością (digital quality management), zrównoważony rozwój wspierany cyfrowo (digitally enabled sustainability), zarządzanie siecią zaopatrzenia (supply network connectivity), rozwój produktów (end to end product development), planowanie (end to end planning), dostawy (end to end delivery) i komunikacja z klientami (customer connectivity).

W obrębie każdej z grup przypadków użycia najnowsze technologie pozwalają na wprowadzenie wcześniej niedostępnych rozwiązań oraz funkcji. Przykładami w ramach pierwszej kategorii są: produkcja narzędzi z wykorzystaniem druku 3D (rapid tooling), który pozwala na wykonanie zwłaszcza tych nietypowych szybciej, taniej i odpowiednio do potrzeb, systemy lokalizacji w czasie rzeczywistym (Real-Time Location System), czyli systemy pozycjonowania, śledzące położenie osób i sprzętu w pomieszczeniach w czasie rzeczywistym, cyfrowe narzędzia lean (eKanban, eSpaghetti), sztuczna inteligencja w optymalizacji działania maszyn, sterowania i transportowania materiałów i systemy pick-to-light, które wizualnie prowadzą monterów do wyboru odpowiednich części, we właściwiej liczbie oraz kolejności. Te ostatnie zapobiegają błędom ludzkim i przyspieszają zadanie montażu, eliminując konieczność zaglądania do instrukcji. Technologie cyfrowe w utrzymaniu ruchu z kolei pomogły Latarniom Przemysłu 4.0 m.in. w: realizacji platform analitycznych do identyfikacji przyczyn usterek, wdrożeniu strategii predykcyjnej na podstawie danych historycznych i odczytów z czujników, zapewnieniu zdalnej pomocy serwisantom z wykorzystaniem rzeczywistości rozszerzonej i bezzałogowej inspekcji.

Nowoczesne zarządzanie wydajnością i jakością

W zakresie zarządzania wydajnością cyfryzacja zapewnia dostęp do różnego typu platform do nadzorowania, analizowania i wizualizacji wskaźników wydajności i integrowania danych z poziomu maszyn z oprogramowaniem korporacyjnym. W dziedzinie zarządzania jakością z kolei nowe technologie, jak sztuczna inteligencja, automatyzują i zwiększają skuteczność metod inspekcji in-line, rzeczywistość rozszerzona zapewnia wsparcie w ręcznej kontroli jakości, a Internet Rzeczy umożliwia wdrożenie podejścia predykcyjnego w jej zakresie. Możliwe też staje się przeprowadzanie w pełni cyfrowych audytów.

Techniki cyfrowe wspierają również dążenia przedsiębiorstw do zrównoważonego rozwoju – dzięki cyfrowym bliźniakom, Internetowi Rzeczy i narzędziom analitycznym można zbierać i analizować dane o zużyciu energii, co pozwala na jego optymalizowanie. Poza tym w zakresie podejmowania decyzji zakupowych nowe rozwiązania ułatwiają m.in. śledzenie jakości dostawców i materiałów, szacowanie kosztów, analizę umów pod kątem ich opłacalności i negocjacje z dostawcami.

Planowanie. logistyka. Klienci

Narzędzia programowe oparte na sztucznej inteligencji i Big Data zapewniają Latarniom Przemysłu 4.0 wsparcie na wszystkich etapach życia produktu, od opracowania wstępnej koncepcji aż po jego wprowadzenie na rynek. Po drodze symulacje 3D, cyfrowe bliźniaki oraz wirtualna rzeczywistość ułatwiają jego projektowania oraz testowanie, a wytwarzanie addytywne szybkie prototypowanie.

Nowe technologie użyteczne są ponadto na etapie szeroko pojętego planowania. Stale przybywa narzędzi m.in. do: planowania produkcji i zarządzania zapasami, w tym przewidywania potrzeb materiałowych i zdolności produkcyjnej w zamkniętej pętli, prognozowania zapotrzebowania i planowania sprzedaży. Ważną aplikacją Przemysłu 4.0 jest także logistyka – cyfryzacja wspiera m.in. zarządzanie i kompletację zamówień, uberyzację transportu oraz konserwację predykcyjną floty transportowej, zaś AGV/AMR usprawniają przepływ materiałów w magazynach. W zakresie obsługi klientów z kolei m.in. Internet Rzeczy i technologia RFID umożliwiają śledzenie zachowań konsumentów i informacji o produkcie, a druk 3D pozwala na wytwarzanie na żądanie.

Na liście Latarni Przemysłu 4.0 znaleźć można największe firmy z różnych gałęzi przemysłu. Dalej przedstawiamy przykładowe wdrożenia technologii Industry 4.0 w ich zakładach.

5G Smart Factory

Takim jest 5G Smart Factory firmy Ericsson w Lewisville w stanie Teksas w USA. W fabryce tej nie tylko produkowane są rozwiązania na potrzeby sieci telefonii komórkowej piątej generacji, lecz technologia transmisji bezprzewodowej jest również wykorzystywana do wdrożenia rozwiązań Industry 4.0. W tym celu w zakładzie zbudowana została prywatna sieć komórkowa działająca w paśmie 3,5 GHz CBRS (Citizens Broadband Radio Service). Za jej pośrednictwem jest m.in. realizowany stały monitoring w czasie rzeczywistym wszystkich urządzeń elektrycznych, które pracują w zakładzie, łącznie z tymi z instalacji użytkowych (ogrzewania, wentylacji, klimatyzacji), pod kątem zużycia energii. System te dane analizujący dzięki zaimplementowanym algorytmom uczenia maszynowego stale koryguje progi/reguły, w oparciu o które regulowane są ustawienia najbardziej energochłonnych urządzeń. Dzięki temu emisja CO2 została ograniczona aż o 97%. Spadły również rachunki za energię elektryczną, a informacje o rzeczywistym zużyciu energii pozwoliły u jej dostawcy wynegocjować niższą cenę jednostkową.

W zakładzie Ericssona monitorowane są również warunki środowiskowe (wilgotność, temperatura) w halach produkcyjnych. Są przechowywane w jeziorze danych (data lake), czyli repozytorium do gromadzenia i zarządzania danymi hybrydowymi (ustrukturyzowanymi i nieustrukturyzowanymi). Odczyty te są następnie analizowane pod kątem wpływu warunków otoczenia na produkcję, ilość odpadów, pracowników.

Personel 5G Smart Factory korzysta również z rzeczywistości rozszerzonej – montażyści za jej pośrednictwem uzyskują dostęp do list kontrolnych, pracownicy działu utrzymania ruchu do instrukcji napraw, natomiast menedżerowie do statystyk i raportów. Umożliwia ona również komunikację z pracownikami w innych lokalizacjach. Oprócz tego w teksańskim zakładzie dzięki zainstalowaniu robotów współpracujących odnotowano wzrost wydajności każdego pracownika o 120%, a wdrożenie robotów w logistyce ograniczyło operacje ręczne o 65%.

Firma Ericsson może się również pochwalić wdrożeniem technologii Przemysłu 4.0 w swoim chińskim zakładzie Panda w Nanjing. W fabryce tej konserwację wkrętarek ułatwia IoT (patrz: ramka).

Roboty współpracujące Roboty współpracujące (coboty) rewolucjonizują sposób interakcji robotów przemysłowych z ludźmi, zacierając granice między nimi, które dotychczas były wyznaczane przez klatki i inne bariery. Dzięki temu, że ludzie mogą z nimi pracować ramię w ramię na jednym stanowisku, pozwalają efektywniej wykorzystać unikalne cechy ludzkie (zdolności logicznego myślenia, uczenia się, rozpoznawania wzorców) i cechy wyróżniające roboty (precyzję, powtarzalność, siłę, niemęczenie się). Dlatego pokłada się w nich duże nadzieje, sukcesywnie je rozwijając i upowszechniając na różnych etapach produkcji, od montażu po logistykę.

Kompleksowe podejście w produkcji szkieł kontaktowych

Firma Johnson & Johnson Vision Care wykorzystała technologie Przemysłu 4.0 do tego, aby skrócić czas cyklu produkcyjnego, dzięki czemu może częściej aktualizować ofertę w odpowiedzi na ciągle zmieniające się oczekiwania klientów. W tym celu w jej zakładach wdrożono modułową platformę szybkiego uruchamiania produkcji nowych serii szkieł kontaktowych. Wykorzystuje ona wymienne bloki sprzętowe do szybkiej rekonfiguracji układu linii technologicznych, zaawansowane środowisko symulacji, które przyspiesza skalowanie produkcji oraz moduły programowe. Połączenie wymienionych rozwiązań skróciło czas wprowadzania na rynek nowych serii o 30%.

Oprócz tego technologie Przemysłu 4.0 pozwoliły temu przedsiębiorstwu zwiększyć wydajność produkcji. To było wymagane w związku z szybszym uruchamianiem linii technologicznych dla nowych rodzajów szkieł kontaktowych i w rezultacie wzrostem wolumenu produkcji. W tym celu zostały wdrożone systemy adaptacyjnej kontroli procesów działające w pętli zamkniętej opartej na pomiarach z sieci Przemysłowego IoT, zaawansowane systemy robotów oraz inteligentne systemy transportu wewnętrznego. Dzięki temu udało się wskaźnik efektywności wykorzystania sprzętu poprawić o 11%.

Wymagało to też dostosowania planowania, łańcucha dostaw i końcowej przesyłki do klienta. By sprostać wymaganiom, jakie niesie ze sobą średnia liczba spersonalizowanych zamówień rzędu kilkunastu tysięcy dziennie, w tym z nowych serii szkieł, również należało zastosować nowe podejście. W tym celu magazynowi, działom produkcji, planowania oraz sprzedaży trzeba dostarczać dane w czasie rzeczywistym, co przyspiesza podejmowanie decyzji. Od strony sprzętowej zaś wykorzystano sterowane wizyjnie roboty przemysłowe.

Oprócz spełnienia oczekiwań klientów w zakresie terminowości realizacji zamówień i uaktualniania oferty, aby zwiększyć udziały w rynku i przywiązać klientów do marki, należało także zadbać o to, żeby produkt spełniał ich oczekiwania jakościowe. W tym celu firma Johnson & Johnson Vision Care opracowała narzędzia oparte na technologii rzeczywistości rozszerzonej umożliwiające testowanie komfortu użytkowania soczewek kontaktowych. Ich uzupełnieniem są platformy internetowa i mobilna, oparte na zaawansowanych algorytmach, za pośrednictwem których mogą się komunikować: producent, klient, optyk oraz sprzedawca. Dzięki nim uzyskano dwucyfrowy wzrost sprzedaży w ciągu pięciu lat.

Monika Jaworowska