Die Fertigungsindustrie ist bekannt für die großen Datenmengen, die sie produziert. Zu diesen Datensätzen gehören sowohl strukturierte als auch unstrukturierte Daten aus Produktionsprozessen, die bis zum Aufkommen von Industrie 4.0 lange Zeit nicht erfasst wurden.
Frühere Fortschritte wie die Methoden der schlanken Produktion nutzten Daten. Um schlanke Prozesse zu implementieren, musste der Hersteller maschinenbezogene Daten und die Bestandsverwendung erfassen, um Verschwendung zu reduzieren. Die gesammelten Datensätze wurden zur Berechnung von Maschinennutzungskennzahlen wie der Gesamtanlageneffektivität (OEE) und zur Bestimmung der Anzahl der verfügbaren Ressourcen verwendet.
Die Anwendung von Daten zur Umsetzung der schlanken Produktion führte zu einer drastischen Verringerung der Verschwendung bei einzelnen Maschinen und Vorgängen, bot aber keinen umfassenden, anlagenweiten Einblick in die Arbeitsabläufe der Fabrik. Das Konzept der Industrie 4.0 zielt darauf ab, die Optimierung einzelner Anlagen auf die nächste Stufe zu heben, indem die miteinander verknüpften Vorgänge, die die Fertigung definieren, optimiert werden. Um dies zu erreichen, müssen Datensätze aus jedem Aspekt eines Produktionszyklus zusammengetragen werden, um die Produktivität zu optimieren.
Erfassen von Big Data in der Fabrikhalle
Die Nutzung von Big Data zur Gewinnung von Erkenntnissen über Fertigungsprozesse beginnt mit der Datenerfassung. Erstens ist die Erfassung von Daten von Maschinen, die mit modernen Kommunikationstechnologien wie Wi-Fi ausgestattet sind, ein anderes Spiel als die Erfassung von Daten von älteren Geräten mit analoger Technologie. Die modernen Geräte können an Netzwerke angeschlossen werden, um Daten an die Cloud oder eine zentralisierte Datenaggregationsplattform zu übertragen, während bei älteren Systemen die Daten extrahiert und an die zentrale Plattform übertragen werden müssen.
Heutzutage können intelligente Geräte, die für den Industriesektor entwickelt wurden, an die analogen E/A oder Ports von Altsystemen angeschlossen werden, um Daten zu erfassen. Die Herausforderungen bei der Erfassung von Daten aus alten Anlagen sind nicht die einzigen Probleme, mit denen Hersteller bei der Erfassung von anlagenweiten Daten konfrontiert sind. Traditionell wurden Daten, die sich auf die Produktionsumgebung beziehen, wie z. B. Temperatur, Anlagenlayout und Daten zu Materialflusssystemen, als unstrukturierte Daten eingestuft und waren schwer zu erfassen.
Das Internet der Dinge ermöglicht es den Herstellern, unstrukturierte Daten aus der Produktion zu erfassen. Das IoT ermöglicht auch die Erfassung und den Fluss von Daten in Echtzeit in der gesamten Fabrikhalle, um Technologien für die digitale Transformation mit den Daten zu versorgen, die sie für die Analyse der Abläufe in der Fabrik benötigen.
Anwendungsfälle für Big Data in der Fertigung
Die Nutzung der erfassten Datensätze ist die nächste Stufe auf der Leiter, sobald ein Hersteller erfolgreich einen Prozess zur Erfassung von Betriebsdaten eingeführt hat. Zu den Anwendungsfällen für die Nutzung von Big Data gehören:
1. Vorausschauende Wartung
Der derzeit beliebteste Anwendungsfall für historische Datensätze ist die Optimierung von Wartungsstrategien und die Reduzierung von Ausfallzeiten durch vorausschauende Planung. Die vorausschauende Instandhaltung umfasst die Erfassung historischer Betriebsdaten von Anlagen in der Fertigung, um Ausfallmuster der Anlage und ihrer Komponenten zu ermitteln.
Erfolgreiche Strategien zur vorausschauenden Instandhaltung reduzieren ungeplante Ausfallzeiten aufgrund von defekten Anlagen um 75 %. Ein solches Beispiel ist die vorausschauende Wartungsstrategie von BASF, dem größten Chemieunternehmen der Welt. Um seine Probleme mit ungeplanten Anlagenstillständen zu beseitigen, implementierte das Unternehmen eine Strategie zur Datenerfassung mit IIoT-Lösungen von Schneider Electric zur Erfassung von Maschinendaten.
Durch den Einsatz von Big Data konnte das Unternehmen 100 Zustandsvariablen erfassen, die sich auf den Zustand seiner Anlagen in 63 Produktionsstätten beziehen. Die Analyse der erfassten Daten ermöglichte es BASF, die Ausfallzeiten drastisch zu reduzieren und die Lebensdauer der Maschinen zu verlängern.
2. Zustandsüberwachung
Während die vorausschauende Wartung die Maschinenleistung aktiv durch Datenerfassungstools überwacht, versucht die Zustandsüberwachung, Anomalien im gesamten Anlagenbetrieb in Echtzeit zu erkennen. Durch den Einsatz von IIoT und intelligenten Geräten in der Fertigung können Hersteller die Daten erfassen, die für die Anwendung der Zustandsüberwachung erforderlich sind. Tools für die digitale Transformation wie der digitale Zwilling nutzen die gesammelten Datensätze, um virtuelle Darstellungen des physischen Fabrikbetriebs zu erstellen. Der digitale Zwilling wird dann zur Überwachung der Betriebsabläufe in der Fertigungshalle verwendet.
Die Echtzeitüberwachung von Windenergieanlagen zur Gewährleistung einer optimalen Leistung und zur Gewinnung von Erkenntnissen über den Betrieb der Anlagen ist ein Beispiel für die Anwendung der Zustandsüberwachung. Das Beispiel von Brüel und Kjær Vibro, einem deutsch-dänischen Zustandsüberwachungsunternehmen, verdeutlicht die Bedeutung der Anlagenverwaltung in Echtzeit. Das Unternehmen überwachte kontinuierlich den Betrieb der Turbinen mit Hilfe von Hunderten von Sensoren in allen Windkraftanlagen. Mithilfe der Zustandsüberwachung konnte das Unternehmen Schäden vorbeugen, potenzielle Fehlerquellen aufspüren und Einblicke in den Turbinenbetrieb gewinnen, um fundierte Entscheidungen zu treffen.
3. Produktionsprognose
Korrekte Antworten auf „Was-wäre-wenn“-Fragen sind der beste Weg, um die Anzahl der Ressourcen zu bestimmen, die ein Produktionszyklus zur Deckung der schwankenden Nachfrage benötigt. Was-wäre-wenn“-Bewertungen helfen den Herstellern auch bei der Entscheidung, wie die verfügbaren Ressourcen zugewiesen werden sollten, um die Nachfragetermine einzuhalten und die Kundenzufriedenheit zu verbessern. Die Erfassung von Nachfragedaten und produktionsbezogenen Daten kann Herstellern helfen, genaue Produktionsprognosen zu erstellen.
Daten aus historischen Nachfragezyklen bilden die Grundlage für die Nachfrageprognose, während Daten aus der Produktion die Möglichkeit bieten, die Produktionsprozesse zu bewerten, um die gestiegene Nachfrage zu decken.
Ein Beispiel dafür ist BAE System, ein Rüstungsunternehmen, das zur Analyse seiner Produktionsdaten auf Simulationstechnologie angewiesen ist. In Erwartung einer erhöhten Nachfrage musste das Unternehmen einen optimierten Zeitplan entwickeln und die Ressourcen richtig zuweisen, um die Produktionsfristen einzuhalten. Um dies zu erreichen, wurde ein Simulationsmodell des Werksbetriebs anhand historischer Daten erstellt. Das Simulationsmodell half BAE bei der Beantwortung von Fragen zur Produktionskapazität und Ressourcenzuweisung. Außerdem entwickelte BAE einen risikobasierten Zeitplan, um sicherzustellen, dass die Kundennachfrage mit einem qualitativ hochwertigen Durchsatz erfüllt wird.
4. Verbesserung des Durchsatzes
Der sicherste Weg zu optimierten Prozessen ist es, einen Einblick in die Kombination von Faktoren zu gewinnen, die einem Hersteller zu optimaler Produktivität verholfen haben. Eine wirksame Verbesserung des Durchsatzes beginnt mit der Erfassung von Lieferkettendaten, Bestandsdaten und Maschinenauslastungsdaten und der Verknüpfung dieser Statistiken mit optimalen Arbeitsprozessen. Die optimierten Daten werden zu Benchmark-Daten, die dann immer wieder neu erstellt werden können.
Fastenal, ein Erstausrüster, nutzte Big Data-Sets, um Benchmark-Daten für seine betrieblichen Prozesse zu entwickeln. Mithilfe der analysierten Benchmarks konnte der Erstausrüster jeden Monat etwa 100 Stunden einsparen, die er für unnötige Vorgänge verschwendet. Durch die Nutzung von Benchmark-Daten konnte der OEM seine Produktivität und die Fähigkeit zur effizienten Erfüllung seiner Nachfrageanforderungen verbessern.
5. Umsetzung von Industrie 4.0-Geschäftsmodellen
Das Ziel dervierten industriellen Revolution ist die intelligente Fabrik, in der der Austausch von Daten möglich ist und die Analyse in Echtzeit erfolgt, um sicherzustellen, dass Anlagen ohne menschliches Eingreifen präzise Entscheidungen treffen können. Um Industrie 4.0 zu erreichen, müssen große Datensätze aus der Fabrikhalle erfasst werden, um Muster zu entdecken, die den Entscheidungsprozess für Maschinen vereinfachen. Durch die Nutzung von Big Data und maschinellem Lernen erhalten die Anlagen in der Fabrikhalle den historischen Kontext, der für spezifische Maßnahmen erforderlich ist.
Schlussfolgerung
Die Verwirklichung der intelligenten Fabrik der Zukunft erfordert eine verbesserte Datenerfassung und die Nutzung von Tools wie Simulationsmodellierung, digitaler Zwilling und Prognosetechnologien, um Erkenntnisse zu gewinnen. Die hier vorgestellten Anwendungsfälle sind nur ein Teil der Möglichkeiten, wie Daten zur Verbesserung der Fertigungsabläufe genutzt werden können. Von den Herstellern wird erwartet, dass sie die Anwendungsgrenzen kontinuierlich erweitern, indem sie weitere innovative Möglichkeiten zur Nutzung von Big Data entwickeln.