Mehr Transparenz durch moderne Fertigungs-IT Analytics: Aus Daten echte Mehrwerte schöpfen - Factory Innovation
Technologien

Mehr Transparenz durch moderne Fertigungs-IT Analytics: Aus Daten echte Mehrwerte schöpfen

Lesedauer: 5 Minuten

04. Oktober 2021

Markus Diesner

Erfasste Daten bringen erst dann einen echten Mehrwert, wenn kontextbezogene Informationen daraus gewonnen wurden. Die dafür verwendeten Werkzeuge lassen sich unter dem Schlagwort Analytics zusammenfassen. Aber gibt es das nicht alles schon? Keineswegs!

Um wettbewerbsfähig produzieren zu können, brauchen Fertigungsunternehmen ein Maximum an Transparenz. Denn nur wer weiß, wie es im Shopfloor gerade läuft, der kann an den geeigneten Stellschrauben drehen und die Prozesse optimieren. Über die Jahre haben sich Werkzeuge wie Kennzahlen und deren Darstellung in Dash-boards als nützlich herauskristallisiert. Heutzutage braucht es aber deutlich mehr – was nicht heißt, dass Kennzahlen und Dashboards aus der Mode gekommen sind.

diesner1

Etwas weiter ausgeholt

Im Modell Smart Factory Elements von MPDV lassen sich die Abläufe einer modernen Fabrik in fünf Elemente einordnen, die einen Regelkreis bilden. Dieser sieht vor, dass auf Basis von Vorgaben unterschiedlicher Quellen die Fertigung geplant (Planning & Scheduling) und diese Planung dann umgesetzt bzw. ausgeführt (Execution) wird. Die dabei erfassten Daten werden analysiert (Analytics), um daraus unter anderem Vorhersagen abzuleiten (Prediction), die zusammen mit anderen Erkenntnissen wiederum in die Planung einfließen können. Das Industrial Internet of Things unterstützt diesen Kreislauf durch die Erfassung und Bereitstellung von Daten.

Klassische Analytics-Anwendungen

Der Baustein Analytics beinhaltet also wichtige Anwendungen, die in der Smart Factory für die informatorische Wertschöpfung zuständig sind. Wenn man genau hinsieht, so ist ein großer Teil dieser Anwendungen bereits am Markt etabliert. Dazu gehören beispielsweise Auswertungen, Dashboards und Reports genauso wie Kennzahlen. Viele dieser Anwendungen sind Bestandteil eines Manufacturing Execution Systems (MES). Beliebte Auswertungen sind beispielsweise die Ausschussstatistik, das Maschinenzeitprofil, der OEE-Report oder auch die klassische Regelkarte in der Qualitätssicherung. In allen Fällen entsteht der Mehrwert dadurch, dass Informationen dargestellt werden, die aus erfassten Rohdaten berechnet bzw. aggregiert wurden.

diesner2

Self Service Analytics

Oftmals gehen die Anforderungen von Fertigungsunternehmen über standardisierte Kennzahlen und vorgefertigte Auswertungen hinaus. Insbesondere, wenn größere Datenmengen (Big Data) zur Analyse zur Verfügung stehen, bietet es sich an, auf Methoden des Self Service Analytics zurückzugreifen. Der Klassiker ist die Pivot-Tabelle, die viele aus Excel kennen. Ein Praxisbeispiel hierfür ist die Fehlerschwerpunktanalyse. Die flexible Anordnung von Datenfeldern in Zeilen und Spalten sowie der gezielte Einsatz von Filtern und Korrelationsfunktionen ermöglichen eine Eingrenzung von Daten auf relevante Werte. Auf diese Weise kann jeder Anwender selbst entscheiden, wie seine Auswertung aussieht – er bedient sich im wahrsten Sinne des Wortes selbst und nutzt die angebotenen Werkzeuge, um an sein Ziel zu gelangen. Auf diese Weise können Daten unterschiedlicher Quellen miteinander korreliert werden.

Advanced Analytics

In Zeiten von Industrie 4.0 hört man immer häufiger Schlagworte wie Künstliche Intelligenz oder Machine Learning. Dahinter verbergen sich Algorithmen und Methoden, die Daten in einer Weise analysieren, die dem menschlichen Verstand nachempfunden sind. Beispielsweise dienen große Datenmengen dazu, daraus ein Modell zu generieren, was die realen Abläufe hinreichend abbildet. Auf Basis dieses Modells können dann Abweichungen besser erkannt und eingeordnet werden. In den letzten Jahren konnte man in diesem Umfeld viel von

diesner3

Predictive Maintenance hören – also einer Möglichkeit, Störungen und Ausfälle von Maschinen vorherzusagen. Eine solche Anwendung kann auf modellbasierten Analysemethoden funktionieren. Ein anderes Beispiel für Advanced Analytics ist die zur Hannover Messe vorgestellte Lösung Predictive Quality von MPDV.

Qualität vorhersagen mit Predictive Quality

Grundannahme für die Vorhersage der Qualität ist, dass es auch zu Ausschuss oder Nacharbeit kommen kann, wenn sich alle Prozessparameter innerhalb der jeweils gültigen Toleranzen bewegen. Grund dafür sind komplexe Zusammenhänge und Wechselwirkungen, die oftmals auf die eigentliche Fertigungstechnologie zurückzuführen sind. Predictive Quality berücksichtigt diese Zusammenhänge und gibt Mitarbeitern in der Fertigung die Möglichkeit, sofort zu sehen, ob der aktuell produzierte Artikel Ausschuss oder ein gutes Teil ist – und das auch noch unter Angabe der Eintrittswahrscheinlichkeit. Die Vorhersage der Qualität und die Berechnung der Wahrscheinlichkeit basiert auf einer modellbasierten Echtzeitanalyse (Advanced Analytics) von Prozesswerten. Im Vorfeld dazu muss natürlich ein geeignetes Modell generiert und im Idealfall auch kontinuierlich verifiziert bzw. weiterentwickelt werden. Künstliche Intelligenz spielt in beiden Fällen eine wesentliche Rolle. Der Weg zu Predictive Quality beinhaltet demnach drei Schritte:

  1. Prozessdaten erfassen und mit gesicherten Qualitätsdaten korrelieren
  2. Vorhersagemodelle entwickeln
  3. Modell ausführen und auf Basis von Echtzeitdaten die Qualität vorhersagen
diesner4

Neben der eigentlichen Qualität (I.O. bzw. N.I.O.) gibt Predictive Quality auch einen Wahrscheinlichkeitswert aus, der über die jeweilige Vorhersagequalität informiert. Mit den neuen Möglichkeiten von Manufacturing Analytics machen Fertigungsunternehmen den nächsten Schritt zur Smart Factory.

 

Schlüsselwörter:

MES, Manufacturing Execution System, Analytics, Predictive Quality, Fertigungs-IT, Manufacturing Analytics, Smart Factory Elements, KI







Das könnte Sie auch interessieren

Anbieterportal

Potsdam Consulting Advisory GmbH
Platinum

Potsdam Consulting Advisory GmbH

Leistungen

Services

Beratung

14057 Berlin
Premium

ORSOFT GmbH

04109 Leipzig
Premium

GUS ERP GmbH

50933 Köln
Premium

GFOS mbH

45141 Essen
Abels&Kemmner
Premium

Abels&Kemmner

52134 Herzogenrath

alle Anbieter
Sharer Icon: facebookSharer Icon: TwitterSharer Icon: LindekInSharer Icon: XingSharer Icon: EnvelopeSharer Icon: Print

Wir verwenden Cookies, um die Nutzererfahrung stetig zu verbessern. Mehr Erfahren.

We use cookies to constantly improve our users’ experience. Learn more.

Essentielle Cookies

Essential Cookies

Cookie Settings
Speichert Einstellungen, die hier getroffen werden. (1 Jahr)

Cookie Settings
Saves selected settings. (1 Year)

Statistik

Statistics

Google Analytics | Google LLC | Datenschutz
Cookie von Google für Website-Analysen. Erzeugt statistische Daten darüber, wie der Besucher die Website nutzt. Alle Informationen werden anonymisiert gespeichert. (2 Jahre)

Google Analytics | Google LLC | Privacy Notice
Cookie used by Google for web site analysis. Collects statistical data on how visitors use the website. This data does not contain personal information. (2 years)