Met de pilot ‘Bewegen voor kinderen’ wordt ingestoken op het bewegingsonderwijs op de basisschool, en daarmee het binnenschoolse aanbod. Op deelnemende scholen krijgen alle groepen 3 t/m 8 tweemaal per week bewegingsonderwijs van de vakleerkracht.Diezelfde vakleerkracht verzorgt ook tweemaal per week een naschools aanbod. Zoals in de raadsbrief benoemd is het doel de kwaliteit van het bewegingsonderwijs en het buitenschoolse sport- en beweegaanbod te verbeteren.De aanleiding voor dit onderzoek is te vinden in de doelstelling: met het project wordt beoogd de kwaliteit te verbeteren. Maar wat is dan kwaliteit? Wanneer is er sprake van een goede of hoge kwaliteit? Welke factoren of criteria spelen hierbij een rol? De kernvraag binnen dit onderzoek luidt dan ook: Wat vinden beleidsmakers, leerkrachten en schooldirecties de belangrijkste criteria voor de kwaliteit van bewegingsonderwijs?In deze publicatie worden de belangrijkste bevindingen en adviezen uiteengezet.
De effecten van de opwarming van het klimaat worden steeds beter zichtbaar. Het onderwerp krijgt daardoor meer aandacht en ook de burger wil er graag de vinger op leggen. Immers, de nieuwsberichten in de media lijken soms tegenstrijdig of komen niet overeen met hoe men de warmte zelf ervaart. Om te zien wat de temperaturen zijn in eigen stad, wijk en achtertuin, plaatsten deelnemers van het burgerwetenschapsproject ‘Meet je stad!’ te Amersfoort vanaf 2016 zelf ontworpen meetkastjes met daarin temperatuursensoren. Deze meetkastjes zijn mogelijk niet alleen voor burgers interessant. Ook de gemeente Amersfoort ziet namelijk kansen om dit meetnetwerk dat zich met hoge dichtheid heeft uitgespreid over de stad in te zetten voor het klimaatadaptatiebeleid op het gebied van hitte. Vanaf 2020 zijn Nederlandse gemeenten namelijk aan zet om straten en wijken te toetsen en in te richten op klimaatbestendigheid, en dus ook hittebestendigheid (Deltaprogramma, 2018). De meetkastjes zijn mogelijk een uniek handvat om te leren over hitte in de haarvaten van de stad, maar daarvoor moeten er eerst een aantal vragen beantwoord worden wat betreft de kwaliteit, ordegrootte en ruimtelijke verschillen van de metingen. Welke temperatuurwaarden registreren meetkastjes in een stedelijke omgeving? Wat is het effect van de stedelijke omgeving op de hitte? Wat zijn de ruimtelijke verschillen binnen de stad? In dit artikel analyseren we de ‘Meet je stad!’ temperatuurgegevens in de zomer van 2018 van in totaal 148 meetkastjes verspreid door Amersfoort om antwoorden te geven op bovenstaande vragen.
MULTIFILE
Theorieën die betrekking hebben op de kwaliteit van producten, processen, systemen en organisaties (systeemtechnische aspecten) geven geen of onvoldoende antwoord op vragen en problemen die betrekking hebben op de rol van de ‘factor mens’ in kwaliteitsmanagement. Omdat daar wel behoefte aan is, zijn de afgelopen jaren nieuwe theorieën ontwikkeld die wel oplossingsstrategieën bieden. Dit zijn kwaliteitsparadigma’s (beheersing en betrokkenheid), kwaliteitsscholen (empirische, normatieve en reflectieve school) en de drie kwaliteitsdimensies (professionele, organisatorische en relationele kwaliteit). In alle drie concepten zijn systeemtechnische (object/proces/norm) en sociaaldynamische (mens) aspecten gecombineerd. Betrokkenheid, reflectieve school en relationele kwaliteit zullen bepalend zijn voor het toekomstige kwaliteitsmanagement waarin de human factor een steeds belangrijker plaats gaat innemen.
Kwaliteitscontroles in productieprocessen in de maakindustrie zijn vaak destructief en daarmee niet duurzaam. In dit project onderzoeken we hoe door toepassing van process mining op real time sensor data de kwaliteitscontrole al tijdens het productieproces kan worden uitgevoerd en potentiële problemen vroegtijdig ontdekt.Doel Het doel van het project is om op basis van realtime data de kwaliteit van het eindproduct van het productieproces te kunnen voorspellen en waar nodig het productieproces bij te sturen. Hiermee kan de industrie duurzamer werken. Resultaten Het project levert een AI software toolkit op met methoden en algoritmen voor toepassing in de productieprocessen in verschillende industrieën. Looptijd 15 januari 2021 - 15 november 2024 Aanpak Nieuwe process mining algoritmes worden ontwikkeld en getoetst in case studies bij verschillende industriële bedrijven. Op basis van de uitkomsten wordt een software toolkit ontwikkeld voor toepassing in de praktijk. Impact op onderwijs Studenten van instituut voor ICT gaan, samen met studenten van TU Eindhoven, cases studies uitvoeren bij verschillende industrieën. Cofinanciering Het project wordt gefinancierd door NWO (Nederlandse Organisatie voor Wetenschappelijk Onderzoek).
Nederlandse bedrijven lopen achter op het gebied van Smart Industry. Er wordt veel over nagedacht en geschreven, maar de daadwerkelijke toepassing staat nog in de kinderschoenen. Ondernemers zijn nog onvoldoende bekend met de komende digitale revolutie en de gevolgen daarvan voor hun bedrijf. Grote bedrijven kunnen complexe oplossingen aanschaffen. De mkb’er wil echter zelf met zijn proces kunnen experimenteren. Met vaak eenvoudige middelen is het mogelijk om met behulp van data het productieproces te optimaliseren of om de kwaliteit van een product te verbeteren. Dit project ontwikkelt methoden en tools die mkb’ers hierbij helpen. Bij bedrijven worden al veel data verzameld. Deze data staan vaak op verschillende locaties. Industriële computers houden gegevens over het proces bij. Handmatige kwaliteitscontroles worden ingevuld op formulieren en er worden rapporten opgesteld. Ook worden specifiek ontwikkelde meetsystemen gebruikt. Voor al deze bronnen zijn er wel deeloplossingen om de gegevens te ontsluiten. Een betaalbaar en handig systeem waarmee het bedrijf zelf daadwerkelijk inzicht krijgt in het gehele proces is er echter nog niet. In dit project onderzoeken we hoe je een gemakkelijk te gebruiken systeem ontwikkelt. We ontwikkelen daartoe een generiek en flexibel monitorsysteem waarmee data uit verschillende bronnen eenvoudig kunnen worden geïntegreerd en geanalyseerd. In het project doorlopen we vier fasen: 1) bepalen verbeterdoelstellingen, 2) dataverzameling, -handling en -opslag, 3) data-analyse en visualisatie, en 4) validatie, kennisverspreiding en –valorisatie. Als resultaat leveren we een hard- en softwaresysteem op, alsook een methode met best-practices voor de industrie. In het project richten we ons op actuele casussen van de consortiumpartners. Tegelijkertijd ontwikkelen we generieke kennis, waar niet alleen de partners direct mee verder kunnen, maar waar ook andere mkb’ers gebruik van kunnen maken. Op deze manier kunnen veel meer bedrijven belangrijke stappen zetten voor de ontwikkeling van Smart Industry in Nederland.
Assemblageprocessen en diensten van producenten van hightech systemen worden in Noordwest-Europa gekenmerkt door een hoge variatie aan producten en oplossingen met laag volume. Productieautomatisering, flexibilisering en optimalisatie zijn essentiële processen om kleinere series te produceren en tegelijkertijd de grote verscheidenheid aan producten en diensten te realiseren. Om arbeidsproductiviteitsverbeteringen mogelijk te maken worden apparaten steeds vaker uitgerust met visionsystemen voor pick-and-place toepassingen, kwaliteitscontroles, objectlokalisaties en objectherkenning. Visionsystemen zijn echter gevoelig voor veranderingen in de omgeving, waardoor systemen kunnen stilvallen. Visionsystemen zijn met name gevoelig voor onvoorspelbare veranderingen in de omgeving, zoals belichting, schaduwvorming, oriëntatie van producten en grote optische variaties in bijvoorbeeld natuurlijke producten. Machine Learning (ML), een vorm van kunstmatige intelligentie, kan deze tekortkomingen grotendeels oplossen en kan visionsystemen robuuster en sneller configureerbaar maken; ML is uitermate geschikt om toegepast te worden in visiontoepassingen. Echter, ML voor vision is voor veel MKB’ers een ver-van-mijn-bed-show, voorbestemd voor multinationals met grote budgetten. Bovenal is de structuur en kennis over het toepassen van ML voor vision niet helder noch eenvoudig toegankelijk. Daarom is de onderzoeksvraag: Hoe kunnen door het industriële MKB machine learning frameworks binnen visiontoepassingen worden gebruikt om efficiëntere productieprocessen te realiseren? Met dit project wil het consortium deze ML-structuur inzichtelijk maken; ten tweede ML beschikbaar maken voor MKB; ten derde samen onderzoeken hoe ML voor vision industrieel kan worden toegepast middels drie casussen en ten vierde de opgedane kennis borgen en verspreiden binnen MKB en onderwijs. Het project is een samenwerking tussen lectoraten mechatronica en ambient intelligence van Saxion, Computer Vision & Data Science van NHL Stenden. De participerende bedrijven zijn actief als hightech systeemontwikkelaar, kennis-toeleverancier en/of eindgebruiker als productiebedrijf. Daarnaast zijn het Smart Industry Fieldlab TValley en brancheorganisatie BOOST betrokken. Dit project zal kennis ontwikkelen ten behoeve van het adequaat toepassen van Machine Learning algoritmes in visionapplicaties.
