Oplossingen
Wil je meer uit je productieproces halen of eerst beter begrijpen waar het vastloopt?
Kies hieronder de richting die past bij jouw vraagstuk
INDUSTRIËLE AUTOMATISERING
Research & consultancy
Bekijk welke automatiseringsrichting past bij waar je productieproces nu om vraagt
Bekijk welke onderzoeksaanpak helpt om je vraagstuk beter te onderbouwen
Robotics
Blue Engineering werkt met verschillende typen robots. Van cobots die operators ondersteunen bij repeterend of fysiek belastend werk tot grote industriële robotarmen die producten automatisch tussen bewerkingsstations verplaatsen. We werken met meerdere robotmerken, waaronder Fanuc, KUKA en ABB.
De keuze voor een robot begint niet bij het merk, maar bij het productieproces. Wat moet er worden verplaatst? Hoe zwaar is het product? Hoeveel variatie zit er in de aanvoer? Welke cyclustijd is nodig? En hoeveel ruimte is er beschikbaar rond de bestaande lijn? Door die vragen eerst goed te beantwoorden, ontstaat een robotoplossing die past bij de praktijk op de werkvloer.
Veelgebruikte robottypen zijn onder andere:
- Autonomous Mobile Robots, voor intern transport zonder vaste baan.
- Automated Guided Vehicles, voor voorspelbare logistieke bewegingen.
- Articulated robots, industriële robotarmen voor handling, bewerking of assemblage.
- Cobots, voor ondersteuning van operators of enkelvoudige handelingen in de lijn.
- Hybride systemen, waarbij meerdere robotvormen of functies worden gecombineerd.
- SCARA robots, voor snelle horizontale bewegingen en assemblagetaken.
- Delta robots, voor snelle pick-and-place toepassingen met lichtere producten.
In het Rockwool-project is gebruikgemaakt van een ABB IRB 5710 robotarm. Deze robotarm werd ingezet als centraal punt in de cel om producten tussen verschillende bewerkingsstations te verplaatsen. Daarmee werd de robot niet als losse machine toegepast, maar als onderdeel van een groter productieproces.
Om een robot goed aan te sturen, is software nodig waarmee bewegingen kunnen worden geprogrammeerd, getest en geoptimaliseerd. In dit project is gewerkt met RobotStudio. Daarmee kunnen robotbewegingen vooraf digitaal worden opgebouwd en gecontroleerd voordat de installatie in de praktijk wordt gerealiseerd.
Daarvoor worden 3D-modellen van de robot, stations en omgeving ingelezen in de software. Deze modellen worden op de juiste positie gezet ten opzichte van de robot. Dat maakt zichtbaar of de robot overal bij kan, of bewegingen elkaar kruisen, waar mogelijke botsingen ontstaan en of de gekozen layout logisch is voor productie en onderhoud.
De stations worden voorzien van referentiepunten. Daarmee kan de digitale simulatie later worden gekoppeld aan de werkelijke situatie in de fabriek. Dat is belangrijk, omdat een robot in de praktijk niet werkt op basis van een tekening, maar op basis van exacte posities in de lijn. Door dit vooraf goed op te zetten, wordt de kans op verrassingen tijdens installatie kleiner.
De waarde van deze aanpak zit vooral in voorbereiding. Je kunt de bewegingsroute al optimaliseren voordat de robotcel gebouwd is. Dat helpt om de cyclustijd te verkorten, stilstand tijdens inbedrijfstelling te beperken en technische risico’s eerder zichtbaar te maken.
Naast het programmeren van de robotbewegingen moet de robot ook communiceren met de andere stations in de lijn. De robot moet weten wanneer een product klaarstaat, wanneer een station vrij is, wanneer een bewerking is afgerond en wanneer er veilig bewogen mag worden. Zonder die afstemming ontstaat wachttijd of foutgevoeligheid in het proces.
Deze communicatie wordt meestal geregeld via een PLC. In de PLC worden onder andere de procesvolgorde, veiligheid, foutmeldingen, snelheden en vrijgaves tussen de robot en de stations vastgelegd. Daarmee wordt de robotcel bestuurbaar als onderdeel van de totale productieomgeving.
Afhankelijk van de toepassing kan een robotcel worden uitgebreid met machine vision, sensoren of AI. Vision kan bijvoorbeeld helpen om producten te lokaliseren, posities te corrigeren of kwaliteit te controleren voordat de robot een volgende handeling uitvoert. Dat is vooral waardevol wanneer producten niet altijd exact hetzelfde liggen of wanneer variatie in het proces een rol speelt.
Ook aansluiting op het bestaande fabrieksnetwerk is vaak onderdeel van de oplossing. Veelgebruikte netwerkprotocollen zijn:
- Profinet
- EtherNet/IP
- EtherCAT
- Modbus/TCP
In het Rockwool-project is de robotcel gekoppeld aan het klantspecifieke Profinet-netwerk. Daardoor kan de cel worden opgenomen in de bestaande besturing en monitoring. Via systemen zoals WinCC kan de klant statusinformatie, storingen en procesdata inzichtelijk maken. Dat helpt operators, onderhoud en engineering om de cel beter te volgen en sneller te reageren wanneer er iets afwijkt.
Een goede robotoplossing draait dus niet alleen om de robotarm zelf. Het gaat om de combinatie van mechanica, besturing, software, veiligheid en integratie in de bestaande lijn. Pas dan ontstaat een oplossing die operators kunnen gebruiken, engineers kunnen beheren en management kan beoordelen op waarde voor het productieproces.
Bekijk in de video hoe robotica in de praktijk kan worden toegepast:
motion & Control
Motion & Control draait om het gecontroleerd laten bewegen van producten, onderdelen of machines binnen een productieproces. Denk aan positioneren, verplaatsen, doseren, klemmen, uitlijnen of synchroniseren met andere processtappen.
Voor productiebedrijven is dat belangrijk omdat veel verlies ontstaat in kleine bewegingen die telkens terugkomen. Een product dat handmatig goedgelegd moet worden. Een operator die moet wachten op de volgende stap. Een onderdeel dat net niet goed gepositioneerd wordt. Of een proces waarbij de snelheid afhankelijk is van wie er aan de lijn staat.
Met Motion & Control maken we dit soort bewegingen beter beheersbaar. Daardoor kan een proces constanter draaien, wordt de afhankelijkheid van handmatige handelingen kleiner en kan dezelfde medewerker meer waarde toevoegen aan het totale proces.
Hoe werkt Motion & Control?
Een Motion & Control-systeem bestaat meestal uit een combinatie van aandrijving, besturing en feedback. De aandrijving zorgt voor de beweging. De besturing bepaalt wanneer, hoe ver en met welke snelheid iets beweegt. Feedback laat zien of de beweging ook daadwerkelijk goed is uitgevoerd.
Afhankelijk van de toepassing gebruiken we bijvoorbeeld servomotoren, stappenmotoren of pneumatische componenten.
Servomotoren worden ingezet wanneer beweging precies gestuurd en gecontroleerd moet worden. Denk aan nauwkeurig positioneren, gecontroleerd versnellen of het herhalen van dezelfde beweging met een vaste nauwkeurigheid.
Stappenmotoren worden gebruikt wanneer een beweging in vaste stappen moet verlopen. Dat kan interessant zijn bij eenvoudige positioneertaken of toepassingen waar de beweging voorspelbaar en goed begrensd is.
Naast de motor zelf zijn er componenten nodig om de beweging goed aan te sturen. Een controller bepaalt het bewegingsprofiel, zoals positie, snelheid en volgorde. De drive vertaalt de signalen van de controller naar het vermogen dat nodig is om de motor aan te sturen. Encoders geven terug waar de motor of as zich bevindt, met welke snelheid deze beweegt en of de gewenste positie is bereikt.
Die terugkoppeling is belangrijk. Zonder feedback weet een systeem niet zeker of een beweging goed is uitgevoerd. Met feedback kan het systeem controleren, corrigeren en storingen eerder zichtbaar maken.
Motion & Control met pneumatiek
Niet elke beweging vraagt om een elektrische motor. Voor klemmen, duwen, trekken, grijpen of positioneren kan pneumatiek een praktische oplossing zijn. Blue Engineering werkt hierbij onder andere met componenten van Festo, zoals ventieleilanden, pneumatische cilinders en elektrisch aangestuurde ventielen.
Een ventielblok kan worden samengesteld op basis van de toepassing. Daarmee kunnen meerdere pneumatische bewegingen centraal worden aangestuurd. Denk aan een cilinder die een product op zijn plek houdt, een aanslag die omhoog komt of een grijper die een onderdeel vastpakt.
Een concreet voorbeeld is een robotgrijper die producten met verschillende diameters moet vastpakken. Door pneumatisch te werken kan de grijper flexibel omgaan met variatie in productdiameter. Door slim te kiezen voor een grotere zuiger kan de benodigde luchtdruk lager blijven. Dat verlaagt het persluchtverbruik en maakt de beweging rustiger en beter controleerbaar.
Voor de productie betekent dit dat één grijper meerdere productvarianten aankan, zonder dat een operator steeds hoeft om te bouwen of handmatig hoeft bij te sturen.
Voorbeeld uit de praktijk
Een voorbeeldproject van Blue Engineering richtte zich op het verplaatsen van producten over een rollerbaan, waarbij tussen het transport door ook verschillende handelingen moesten worden uitgevoerd.
De rollerbaan bestond uit meerdere delen die onderling met elkaar communiceerden via sensoren en een PLC. Sensoren bepaalden waar het product zich bevond. De PLC gebruikte die informatie om de juiste motoren aan te sturen en de productbeweging door de lijn te regelen.
Daardoor beweegt niet de hele baan continu, maar alleen het deel dat nodig is op dat moment. Dat geeft meer controle over de productpositie en voorkomt onnodige bewegingen in het systeem. Ook kan de lijn beter reageren op wachttijd, blokkades of verschillen in productaanvoer.
In hetzelfde type toepassing kan een product ook worden overgezet naar een parallelle rollerbaan. Daarvoor wordt de beweging afgestemd op de positie van het product en de beschikbaarheid van de volgende processtap. Zo ontstaat een gecontroleerde overdracht, zonder dat een operator het product handmatig hoeft te verplaatsen.
Wat levert dit op in productie?
Motion & Control verhoogt de productiviteit per medewerker vooral door terugkerende handelingen uit het werk van operators te halen. Een medewerker hoeft minder te tillen, minder te positioneren en minder te corrigeren. Het systeem voert de beweging op dezelfde manier uit, terwijl de operator meer overzicht houdt over het proces.
Daarnaast helpt Motion & Control om de doorlooptijd stabieler te maken. Wanneer bewegingen goed zijn afgestemd op de rest van de lijn, ontstaat minder wachttijd tussen processtappen. Producten worden op het juiste moment verplaatst, vastgehouden of vrijgegeven.
Ook de kwaliteit wordt beter beheersbaar. Een onderdeel dat telkens op dezelfde positie wordt aangeboden, is makkelijker te bewerken, inspecteren of assembleren. Dat vermindert fouten die ontstaan door scheefligging, verkeerde timing of handmatige variatie.
Integratie met de bestaande lijn
Een Motion & Control-oplossing staat zelden los van de rest van het proces. De beweging moet samenwerken met sensoren, PLC-besturing, veiligheidscomponenten, operatorschermen en soms ook met robotica of machine vision.
Machine vision kan bijvoorbeeld bepalen waar een product ligt, waarna het Motion & Control-systeem de juiste beweging uitvoert. Een PLC kan bepalen wanneer een product mag doorstromen. Sensoren kunnen controleren of een cilinder is uitgeschoven, een product aanwezig is of een positie veilig is bereikt.
Daarom ontwerpen we Motion & Control niet als losse beweging, maar als onderdeel van het productieproces. Het doel is een oplossing die technisch klopt, past in de bestaande lijn en voor operators logisch te gebruiken is.
Motion & Control helpt productiebedrijven om bewegingen in het proces beter te beheersen. Door producten, onderdelen en machines gecontroleerd te laten bewegen, ontstaat meer grip op capaciteit, kwaliteit en doorlooptijd.
MACHINE VISION
Machine Vision maakt visuele controle meetbaar. In plaats van dat een operator met het oog beoordeelt of een product goed ligt, compleet is of aan de norm voldoet, gebruikt een vision-systeem camera’s, belichting en software om die beoordeling automatisch uit te voeren.
In productie gaat het niet om een mooi camerabeeld. Het gaat om betrouwbare informatie waar de lijn iets mee kan. Is het onderdeel aanwezig? Ligt het op de juiste positie? Klopt de code? Zit er een afwijking in het oppervlak? Of moet een robot weten waar hij een product moet oppakken?
Door visuele informatie te koppelen aan besturing, robotica of kwaliteitsregistratie wordt Machine Vision een praktisch onderdeel van het productieproces. Het helpt om fouten eerder zichtbaar te maken, handmatige controle te verminderen en processen constanter te laten draaien.
Camera’s, lenzen en belichting
Een goed Machine Vision-systeem begint bij het beeld. Camera’s leggen vast wat er in de lijn gebeurt. De lens bepaalt hoe scherp, groot en vervormingsvrij het beeld binnenkomt. Minstens zo belangrijk is de belichting. Zonder de juiste lichtopstelling kan een defect, rand, code of oppervlak wegvallen in reflectie, schaduw of variatie in het product.
Daarom kijken we bij Blue Engineering niet alleen naar de camera, maar naar de volledige inspectiesituatie. Wat moet het systeem zien? Hoe snel beweegt het product? Is er sprake van glans, stof, vocht, kleurverschil of natuurlijke productvariatie? De juiste combinatie van camera, lens en belichting bepaalt of een inspectie in de praktijk betrouwbaar werkt.
Van beeld naar bruikbare data
Een digitale afbeelding bestaat uit pixels. Elke pixel bevat informatie over helderheid of kleur. Voor een mens is dat gewoon een beeld. Voor een vision-systeem is het een databron waarmee gemeten, vergeleken en gecontroleerd kan worden.
De resolutie bepaalt hoeveel detail zichtbaar is. Bij een meting op kleine toleranties is dat belangrijker dan bij een eenvoudige aanwezigheidscontrole. Ook de camerasnelheid speelt een rol. Een productielijn die snel draait, vraagt om andere keuzes dan een testopstelling waarin producten stil liggen.
Het doel is altijd hetzelfde: voldoende beeldkwaliteit om een betrouwbare beslissing te nemen in het proces.
Randen, vormen en posities herkennen
Een veelgebruikte stap in beeldverwerking is het herkennen van randen en contrastverschillen. Daarmee kan het systeem bepalen waar een product begint, waar een opening zit of hoe een onderdeel gepositioneerd is.
Technieken zoals Sobel, Canny of de Hough-transformatie kunnen helpen om randen, lijnen of vormen te herkennen. In de praktijk gebruik je dit bijvoorbeeld om een diameter te meten, een cirkel te vinden, een uitsparing te controleren of te bepalen of een product scheef op de band ligt.
Voor de productie betekent dit dat je niet meer afhankelijk bent van visuele inschatting. Het systeem meet op basis van vaste criteria en geeft een duidelijk resultaat terug aan de besturing of operator.
Afwijkingen eerder zichtbaar maken
Machine Vision wordt veel toegepast voor kwaliteitscontrole. Het systeem kan controleren op ontbrekende onderdelen, beschadigingen, vervuiling, verkeerde montage, labelproblemen of afwijkingen in vorm en positie.
Daarbij gaat het niet alleen om goed of fout. Een vision-systeem kan ook data verzamelen over waar afwijkingen ontstaan en hoe vaak ze voorkomen. Daardoor krijg je meer grip op terugkerende kwaliteitsproblemen. Niet pas bij eindcontrole of klantklacht, maar eerder in het proces.
Dat is vooral waardevol in productielijnen waar handmatige controle een bottleneck wordt. De lijn kan blijven draaien, terwijl elk product op dezelfde manier wordt beoordeeld.
AI in Machine Vision
Niet elk vision-vraagstuk is goed op te lossen met klassieke beeldverwerking. Bij duidelijke vormen, vaste posities en harde toleranties werkt traditionele Machine Vision vaak uitstekend. Maar bij producten met veel natuurlijke variatie, complexe oppervlakken of moeilijk definieerbare defecten kan AI meerwaarde bieden.
AI-modellen kunnen leren van voorbeelden. Ze herkennen patronen die lastig in vaste regels te vangen zijn. Denk aan productafwijkingen die per stuk net anders zijn, oppervlakken met veel structuur of situaties waarin een object in een druk beeld moet worden gevonden.
Bij Blue Engineering kijken we per toepassing welke aanpak het beste past. Soms is klassieke beeldverwerking robuuster en eenvoudiger te beheren. Soms maakt AI juist het verschil. De keuze hangt af van het product, de omgeving en de betrouwbaarheid die nodig is in de lijn.
Classificatie, segmentatie en objectdetectie
Bij beeldclassificatie bepaalt het systeem in welke categorie een beeld of product valt. Bijvoorbeeld goed, fout of extra controle nodig. Bij segmentatie wordt nauwkeuriger gekeken waar in het beeld een afwijking of object zit. Dat is nuttig wanneer je niet alleen wilt weten dát er iets mis is, maar ook waar het probleem zich bevindt.
Realtime objectdetectie gaat nog een stap verder. Hierbij herkent het systeem objecten direct in het camerabeeld. Die informatie kan worden gebruikt om een robot aan te sturen, producten te sorteren of een processtap vrij te geven.
Een praktisch voorbeeld is een robotarm die producten van een band moet oppakken. Als producten niet altijd exact op dezelfde plek liggen, kan vision de positie bepalen. De robot gebruikt die informatie om zijn beweging aan te passen. Zo wordt handling minder afhankelijk van een vaste aanvoerpositie en kan de lijn flexibeler omgaan met variatie.
Koppeling met productie en besturing
Een Machine Vision-systeem staat zelden op zichzelf. De waarde ontstaat pas echt wanneer het systeem gekoppeld wordt aan de rest van de productieomgeving. Denk aan een PLC, robot, HMI, database of kwaliteitsregistratie.
De vision-oplossing kan bijvoorbeeld een product afkeuren, een robotpositie doorgeven, een alarm tonen of meetdata opslaan voor analyse. Daarmee wordt visuele controle onderdeel van de processturing, niet een losse controle achteraf.
Voor operators betekent dit dat afwijkingen sneller en duidelijker zichtbaar worden. Voor engineering ontstaat data om verbeteringen te onderbouwen. Voor management wordt kwaliteit beter meetbaar.
Data Science
Data Science helpt productiebedrijven om data uit hun proces om te zetten in bruikbare inzichten. In veel fabrieken is al veel informatie aanwezig, bijvoorbeeld uit machines, sensoren, vision-systemen, kwaliteitscontroles of PLC’s. Alleen staat die data vaak verspreid, wordt die niet consequent opgeslagen of is die lastig te gebruiken voor verbetering.
Daar zit precies de waarde. Als je productiedata goed vastlegt en analyseert, wordt zichtbaar waar fouten ontstaan, waar capaciteit verloren gaat en welke procesinstellingen invloed hebben op de kwaliteit. Zo kun je gerichter verbeteren en voorkom je dat beslissingen alleen op ervaring of onderbuikgevoel worden genomen.
Data Science is daarmee geen los dashboard of abstract AI-project. Het is een manier om je productieproces beter te begrijpen, zodat je fabriek kan blijven meegroeien met wat de markt vraagt.
Voorbeeld: kwaliteitsmonitoring bij de productie van drinkbekers
Bij een klant die plastic drinkbekers produceert, hebben we een systeem ontwikkeld om de productkwaliteit beter te monitoren. De bekers werden in sets van veertig geproduceerd en op trays via lopende banden door het proces vervoerd. Elke beker had een vaste positie op de tray.
De klant zag regelmatig kwaliteitsproblemen. Soms ontbraken er bekers. In andere gevallen zaten er imperfecties aan de drinkrand. Het probleem was niet alleen dát deze afwijkingen voorkwamen, maar vooral dat niet duidelijk was waarom ze ontstonden en of er patronen in zaten.
Daarom hebben we een Machine Vision-systeem ontwikkeld dat per productieronde metingen uitvoert. Het systeem controleert de bekers en stuurt de meetdata door naar de cloud. Daar wordt de data opgeslagen en geanalyseerd.
Zo ontstaat niet alleen een goed of fout beoordeling per beker, maar ook een databasis waarmee je kunt onderzoeken waar afwijkingen terugkomen. Gebeurt het vaker op dezelfde positie in de tray? Komt het vaker voor bij een bepaalde productieronde? Zit er verschil tussen momenten op de dag? Dat soort inzichten helpt om de oorzaak beter te begrijpen.
Het begin: data verzamelen
Data Science begint bij betrouwbare dataverzameling. Zonder goede data kun je geen scherpe analyse maken. In productieomgevingen zien we vaak dat processen al jaren draaien, maar dat er weinig structurele informatie beschikbaar is over kwaliteit, verstoringen of procesgedrag.
Daarom kijken we eerst welke informatie nodig is. Soms komt die uit bestaande machines of PLC’s. Soms voegen we sensoren toe. In andere gevallen is een Machine Vision-systeem de beste manier om productkwaliteit meetbaar te maken.
Bij de drinkbekers werd gekozen voor vision, omdat het probleem visueel zichtbaar was. Het systeem kon per beker vastleggen of er afwijkingen waren en op welke positie die ontstonden. Omdat de meting automatisch gebeurt, ontstaat data die veel consistenter is dan handmatige registratie.
Data voorbereiden
Ruwe productiedata is zelden direct geschikt voor analyse. Meetwaarden kunnen ontbreken, verkeerd gelabeld zijn of ruis bevatten. Daarom wordt de data eerst gecontroleerd en gestructureerd.
Bij de drinkbekers betekende dit dat de meetresultaten per productieronde werden opgeslagen. Denk aan informatie over ontbrekende bekers, afwijkingen aan de rand en positiegegevens op de tray. Door deze data goed te ordenen, kun je later gericht zoeken naar patronen.
Deze stap lijkt misschien minder zichtbaar, maar is belangrijk. Slechte data leidt tot verkeerde conclusies. Goede datavoorbereiding zorgt ervoor dat analyses betrouwbaar genoeg zijn om beslissingen op te baseren.
Patronen herkennen in het proces
Als de data goed staat, kun je onderzoeken wat er echt gebeurt. We kijken dan naar terugkerende afwijkingen, verschillen tussen productierondes en verbanden met procesomstandigheden.
Bij de drinkbekers kan analyse bijvoorbeeld laten zien dat bepaalde defecten vaker voorkomen op specifieke trayposities. Of dat een afwijking toeneemt naarmate een machine langer draait. Ook kan zichtbaar worden dat een bepaalde instelling invloed heeft op de kwaliteit van de drinkrand.
Dit is vaak het moment waarop data waarde krijgt voor productie en engineering. Je ziet niet alleen dat er afkeur is, maar krijgt beter inzicht in waar je moet zoeken om het probleem op te lossen.
Geavanceerde analyses en AI
Als er voldoende betrouwbare data beschikbaar is, kunnen geavanceerdere analysetechnieken worden ingezet. Denk aan modellen die verbanden leggen tussen procesinstellingen en productkwaliteit, of algoritmen die producten indelen op basis van gemeten afwijkingen.
Bij een kwaliteitsvraagstuk kan een model bijvoorbeeld helpen voorspellen wanneer de kans op afkeur groter wordt. Bij een proces met veel variatie kan clustering inzicht geven in verschillende typen defecten die op het eerste gezicht op elkaar lijken.
AI kan daarbij waardevol zijn, maar alleen als de basis klopt. Eerst moet duidelijk zijn welke data beschikbaar is, wat de kwaliteit ervan is en welke vraag je ermee wilt beantwoorden. Anders wordt AI al snel een technisch experiment in plaats van een praktisch hulpmiddel voor de fabriek.
Voorspellend onderhoud
Data Science kan ook worden gebruikt om onderhoud beter te plannen. Door signalen uit machines te volgen, kun je afwijkend gedrag eerder herkennen. Denk aan veranderingen in trillingen, temperatuur, energieverbruik of cyclustijden.
Bij een productielijn zoals die van de drinkbekers kan dit helpen om te zien wanneer een onderdeel minder stabiel begint te presteren. In plaats van onderhoud pas uit te voeren na een storing, kun je eerder ingrijpen en ongeplande stilstand beperken.
Dat levert vooral waarde op in processen waar stilstand direct invloed heeft op output en leverbetrouwbaarheid.
Procesoptimalisatie
Naast kwaliteitscontrole kan Data Science helpen om het productieproces zelf te verbeteren. Door historische data en actuele metingen te vergelijken, wordt zichtbaar waar capaciteit verloren gaat of waar instellingen beter kunnen.
In het voorbeeld van de drinkbekers kan analyse laten zien welke machine-instellingen samenhangen met minder randdefecten. Of welke processtap zorgt voor de meeste variatie. Daarmee kun je gerichter aanpassen in plaats van op gevoel proberen.
Voor grotere productiebedrijven is dit belangrijk. Kleine verbeteringen in een terugkerend proces kunnen op jaarbasis veel effect hebben. Minder afval, minder herstelwerk en stabielere output zorgen ervoor dat de fabriek beter kan meegroeien met de vraag.
Kwaliteitscontrole en verbetering
Met Data Science wordt kwaliteitscontrole meer dan alleen producten goed- of afkeuren. De meetdata laat zien hoe de kwaliteit zich ontwikkelt en waar afwijkingen ontstaan.
Technieken zoals Statistical Process Control kunnen helpen om trends eerder te herkennen. Daardoor zie je sneller wanneer een proces uit de pas begint te lopen. Niet pas als de klant belt of de eindcontrole te veel afkeur vindt, maar op het moment dat de eerste signalen zichtbaar worden.
Voor operators betekent dit dat afwijkingen duidelijker worden teruggekoppeld. Voor engineers ontstaat een betere basis om verbeteringen te onderbouwen. Voor management wordt kwaliteit beter meetbaar en daarmee beter te sturen.
Pre-engineering
Een pre-engineering is een traject volgend op de projectinitiatie en voorafgaand aan de eigenlijke engineeringsactiviteiten van een project. In deze fase wordt het projectidee geanalyseerd, geëvalueerd en voorbereid voordat het daadwerkelijk wordt uitgevoerd. Het doel van een pre-engineering is het leggen van een solide basis voor het project, zodat engineering- en constructiefasen efficiënter en effectiever kunnen verlopen. Door het doorlopen van een pre-engineering worden de risico’s rondom een project verlaagd.
Een pre-engineering kan uitgevoerd worden om duidelijkheid te verkrijgen op de volgende gebieden:
Haalbaarheid: Een haalbaarheidsstudie kan worden uitgevoerd om te kijken of een project levensvatbaar is vanuit verschillende perspectieven. Vaak zal dit bekeken worden op het technische aspect. Echter kan hier ook onderzoek gedaan worden naar het financiële, operationele of juridische aspect. De uitkomst van deze onderzoeken helpen bij het nemen van een weloverwogen beslissing over het al dan niet voortzetten van het project.
Kostenraming: Bij een kostenraming wordt een schatting gedaan van de financiële investering die nodig is om een project te voltooien. Het doen van een kostenraming tijdens een pre-engineering helpt om financiële verrassingen en budgetoverschrijdingen tijdens de uitvoering van het project te voorkomen.
Risicoanalyse: Met een risicoanalyse worden potentiële risico’s geïdentificeerd, geanalyseerd en beoordeeld die de doelstellingen van het project kunnen bedreigen. Het doel van risicoanalyse is om het projectteam in staat te stellen proactief risico’s te identificeren en te beheren.
Conceptuele ideeën: Voorbereidend op een project kan een pre-engineering gebruikt worden om een aantal concepten op papier te zetten. Deze conceptuele ontwerpen omvatten vaak schetsen, tekeningen of schematische voorstellingen die de algemene vorm, functie en lay-out van het project weergeven. De conceptuele ontwerpen helpen bij het communiceren van het projectconcept aan de belanghebbenden en bieden een basis voor de verdere ontwikkeling en het detailontwerp.
Tijdens onze pre-engineering trajecten streven we naar flexibiliteit en snelheid om projecten effectief te analyseren en te beoordelen. Daarnaast hechten we veel waarde aan effectieve communicatie met de klant om de benodigde informatie te verkrijgen en de verwachtingen te begrijpen en daarmee hun behoefte te vervullen.
Simulations
Simulaties zijn essentieel in het moderne engineeringproces, waarmee complexe fysieke realiteiten nauwkeurig in een virtuele omgeving kunnen worden nagebootst. Dit stelt ons in staat om ontwerpen te optimaliseren voordat fysieke realisatie plaatsvindt, wat cruciaal is voor kostenbeheersing en innovatie.
FEM staat voor Finite Element Method, in het Nederlands bekend als eindige elementen software/berekening. FEM-simulatie wordt ingezet om engineeringproblemen accurater uit te rekenen dan handmatig mogelijk is. Ingenieurs leren de basisberekeningen tijdens hun opleiding, maar deze zijn vaak beperkt tot vereenvoudigde problemen. Een FEM-berekening benadert de praktijk veel nauwer. De echte wereld is immers niet altijd recht of vierkant.
Bij een standaard FEM-berekening wordt een CAD-model aangeleverd. We laden dit model in onze software, die het vervolgens opdeelt in een eindig aantal blokjes (elementen) en knooppunten. Voor elk knooppunt worden relevante formules opgesteld. Vervolgens worden er belastingen op het model toegepast en berekent de software de effecten op het model.
FEM-berekeningen worden typisch op drie manieren ingezet:
- Virtueel prototype: hiermee kun je een ontwerp testen voordat het gebouwd wordt. Dit is vooral waardevol bij complexe of dure onderdelen die je in één keer goed wilt ontwerpen.
- Diepgaander inzicht: berekeningen aan al gebouwde onderdelen bieden inzichten waarom onderdelen falen of kapot gaan. Dit is ook nuttig bij testopstellingen om te controleren of gemeten gedrag overeenkomt met de verwachtingen, zoals bij stromingen door een vloeistofsysteem of trillingsmetingen.
- Voldoen aan wetgeving en veiligheid: Voordat bepaalde onderdelen in productie worden genomen, is het noodzakelijk dat ze eerst grondig berekend worden. Dit zijn bijvoorbeeld stellingen in fabriekshallen of hijswerktuigen. Hierbij houden we rekening met de geldende normen.
We gebruiken FEM voornamelijk voor het doorrekenen van mechanische constructies. We werken met pakketten als ANSYS, maar ook met COMSOL en ingebouwde modules van CAD-systemen zoals SolidWorks, Inventor en NX.
Typische mechanische problemen die wij analyseren omvatten:
- De sterkte van kritische constructies, waarbij we letten op vervorming en interne spanningen om te bepalen of onderdelen te veel doorbuigen of zullen breken, zoals bij hijswerktuigen of machineframes. Daarbij observeren we vaak kritische spanningen in lasverbindingen, die we analyseren volgens de “pressure vessel codes”, de standaardnormeringen uit de procestechniek.
- Eigenfrequenties en dynamisch gedrag van constructies, bijvoorbeeld transportframes die niet mogen trillen tijdens het vervoer van gevoelige apparatuur.
- Dynamische problemen, zoals impactsimulaties voor kritische delen tijdens crashes of noodstops bij transport.
De software is naast mechanische simulaties ook geschikt voor andere problemen. Wij hebben ervaring met warmte-overdracht, stromings-problemen en elektromagnetisme.
Typische problemen die wij doorrekenen:
- Thermische expansies van meetapparatuur
- Koelsystemen van elektronica
- Airflow in machine-afzuiginstallaties
- Opgewekte magneetvelden bij puls-las technologie
Onze krachten: snelheid, correctheid en praktijk-gerichtheid (no-nonsense mentaliteit)
Onze kracht ligt in de snelheid, correctheid en praktijkgerichtheid van onze aanpak. We kunnen binnen 1 tot 5 werkdagen vrijwel elk engineeringprobleem doorrekenen, dankzij onze flexibele softwarelicenties en een efficiënte samenwerking met klanten, wat ons in staat stelt snel te schakelen en complexe problemen effectief aan te pakken.
Applied Research
Onze natuurwetenschappelijk opgeleide ingenieurs zijn gericht op het onderzoeken van jouw technische vraagstukken en het vinden van pragmatische oplossingen. Wij zijn sterk in het ontwikkelen van technologieën voor (nog) niet-gangbare toepassingen. Denk daarbij aan elektromagnetische puls-lastechnologie (EMPW) toegepast in industriële lassen waar geen hitte bij mag vrijkomen. Denk aan het ontwikkelen van een methodiek en opstelling om trillingen en geluidsdruk in optische precisiemachines te meten. Wij beginnen waar de OEM’s (sensor- en toolingfabrikanten) eindigen, als het toch iets moeilijker blijkt dan gedacht. Dan vinden wij oplossingen die haalbaar en betaalbaar zijn. Je kunt niet bewijzen dat iets NIET kan, wij gaan dus ook op zoek naar hoe het wel kan.
Samen met onze mechanici en mechatronici bouwen we ook een werkende opstelling waarmee we jouw researchvragen beantwoorden.
Aanpak van Blue:
Bij technische vraagstukken en onderzoeken weten we vooraf niet wat het antwoord zal zijn of waar we tegenaan lopen. Daarom pakken we jouw vraagstuk op een pragmatische en iteratieve manier aan. Dat betekent dat we jouw complexe vraag opsplitsen in behapbare kleine tussenstapjes en deelonderzoeken, en deze stap voor stap uitwerken. Gaandeweg dit proces sturen we continu deze tussenstapjes bij aan de hand van tussentijdse bevindingen en resultaten, zonder het uiteindelijke doel uit het oog te verliezen. Dit proces gebeurt in nauw overleg, zodat jij zelf ook kunt bijsturen en eventuele tussenresultaten of deelopstellingen al kunt gebruiken. Deze aanpak is succesvol gebleken in vele onderzoeksprojecten uitgevoerd bij Blue Engineering.
Nauwkeurigheid:
Tijdens het onderzoek of het bouwen van een meetopstelling houden we altijd rekening met de volgende principes:
- Betrouwbaarheid: De metingen moeten betrouwbaar zijn onder alle omstandigheden.
- Herhaalbaarheid en reproduceerbaarheid: Het is essentieel dat we onze metingen kunnen herhalen, zowel in vergelijkbare als in veranderende omstandigheden.
- Praktijkgericht: De resultaten en antwoorden op de onderzoeksvraag moeten duidelijk en direct bruikbaar zijn voor jou.
- Vertaalbaarheid: De gemeten resultaten moeten toepasbaar zijn op jouw specifieke situatie.
Wanneer we een meetopstelling voor jou bouwen, moet deze zowel makkelijk als betrouwbaar te gebruiken zijn in de praktijk, en niet alleen onder ideale omstandigheden.
Praktijkgericht:
Onze onderzoekers zijn academisch geschoold en hebben een sterke natuurwetenschappelijke achtergrond, maar zijn tevens zeer praktijkgericht ingesteld. Dit betekent dat we onderzoeken wat nodig is om jouw vraag te beantwoorden of jouw meetopstelling te bouwen, zonder er een wetenschappelijke studie van te maken. We brengen in kaart wat jouw vraag daadwerkelijk is en welke resultaten relevant en bruikbaar zijn in jouw situatie. We handelen vanuit het gezonde verstand en focussen op het vinden van de antwoorden die nodig zijn.
Technical Due Diligence
Bij een technical due diligence toetsen we de technische claims van een bedrijf of product op haalbaarheid en juistheid, en schatten we de voornaamste technische risico’s in. Dit instrument is populair onder investeerders die een soort ‘second opinion’ zoeken over de propositie van start-ups. Blue Engineering voert deze due diligences uit en levert een rapport met conclusies over de haalbaarheid van de techniek, de grootste risico’s en aanbevelingen. Onze breed geschoolde, natuurwetenschappelijk opgeleide engineers, aangevuld door de expertise van onze mechanici en mechatronici, maken ons de ideale one-stop-shop voor dergelijke opdrachten.
