Dunkle Daten – dies bezieht sich auf die in der Fertigung gesammelten Daten, die unangetastet bleiben oder in keiner Weise zur Verbesserung der Produktionsleistung verwendet werden. Ein durchschnittliches Unternehmen lässt 90 % seiner Datensätze unberührt, und dies gilt auch für Einrichtungen in der Fertigungsindustrie. Diese Statistik bedeutet, dass trotz der zunehmenden Verbreitung von Datenerfassungslösungen die meisten der erfassten Datensätze in ungenutzten Silos verbleiben. Dies sollte jedoch nicht der Fall sein.
Der Paradigmenwechsel hin zur intelligenten Fabrik erfordert die Automatisierung herkömmlicher Arbeitsabläufe und die Nutzung dunkler Daten mit Hilfe modernster Technologielösungen. Hersteller, die sich eine Zukunft vorstellen können, in der vernetzte Maschinen in Echtzeit interagieren und präzise Maßnahmen ergreifen, müssen verstehen, dass dunkle Daten mit der stetigen Weiterentwicklung der Technologie irgendwann ihren Nutzen haben werden.
Vor zwei Jahrzehnten war die Analyse von Maschinendatenmustern zur Vorhersage von Ausfällen aufgrund von Beschränkungen bei der Erfassung spezifischer Datensätze wie Vibrationsdaten kaum möglich. Heute kosten die Sensoren und IoT-Geräte, die zur Erfassung von Maschinendaten benötigt werden, nur noch wenige Dollar und sind weltweit verfügbar. Umgekehrt wird die Gewinnung von Erkenntnissen aus dunklen Daten mithilfe von Technologien wie dem digitalen Zwilling, APIs oder IIoT-Plattformen in den kommenden Jahren zur Norm werden, und Fertigungsunternehmen müssen sich so positionieren, dass sie von den erweiterten Big-Data-Analysefunktionen profitieren können.
Beschleunigte Fortschritte im Bereich der Big-Data-Analysetechnologien werden den Herstellern die Mittel an die Hand geben, datengesteuerte Strategien zu entwickeln, um die Produktion umzugestalten. Anwendungsfälle umfassen:
Kapazitätsplanung und Layout-Optimierung
Daten aus dem Betrieb haben immer eine Geschichte zu erzählen. Dabei kann es sich um eine verbesserte Maschinenleistung oder um die Auswirkungen einer erhöhten Nachfrage handeln. Der Einsatz des richtigen Analysewerkzeugs entwickelt den Umriss der Geschichte, die Handlung, und bringt sie zu Ende. Mit genauen Daten und dem richtigen Analysewerkzeug können Hersteller Veränderungen vorhersehen und optimierte Pläne entwickeln, um mit den erwarteten Veränderungen umzugehen.
Die Kapazitätsplanung bietet Herstellern die Möglichkeit, Daten aus der Produktion zu nutzen. Hier nutzt ein Kapazitätsplanungswerkzeug historische Daten, um festzustellen, wie sich eine schwankende Nachfrage auf die verfügbaren Ressourcen auswirkt und wie betriebliche Herausforderungen entschärft werden können. Die Kapazitätsplanung ist auch mit der Layout-Optimierung verknüpft, da die Anordnung der Produktionsflächen den Verkehr in der Fertigung reduziert und die Betriebsleistung verbessert.
Herkömmliche Kapazitätsplanungstools wie Manufacturing Enterprise Systems oder Simulationsmodellierungssoftware sind in der Lage, Kapazitätspläne zu verbessern. Die Nutzung des digitalen Zwillings bringt ein Echtzeit-Element in die Kapazitätsplanung, wie das Beispiel von CKE Restaurant zeigt.
Um die Produktivität zu verbessern, plante CKE Restaurant, die Muttergesellschaft von Hardees und Carl’s Jr., die Umgestaltung ihrer Küchen und die Verbesserung ihrer Kapazität, um der gestiegenen Kundennachfrage gerecht zu werden. Mithilfe von Betriebsdaten entwickelte CKE verschiedene Konfigurationen von vorgeschlagenen Betriebsplänen, die die Produktivität steigern konnten. Die Mitarbeiter interagierten mit Hilfe von Augmented-Reality-Headsets erfolgreich mit der digitalen Umgebung, um die optimale Konfiguration für die vorgeschlagenen Ladenlayouts zu testen und zu bestimmen.
Zustandsüberwachung und vorausschauende Wartung
Die häufigste Anwendung der in der Werkstatt gesammelten Daten besteht darin, die Maschinen- und Produktionsprozesse durch die kontinuierliche Erfassung von Betriebsdaten zu überwachen. Die Zustandsüberwachung versetzt den Hersteller in die Lage, Fehler zu erkennen und erfordert eine umfassende Analyse. Zunächst verfolgen Datenerfassungstechnologien wie IoT-Geräte oder Sensoren den Maschinenbetrieb, und Analysetools analysieren ständig Datenmuster, um Anomalien zu erkennen. Im Allgemeinen werden die erkannten Anomalien dann genau lokalisiert oder zu der fehlerhaften Maschinenkomponente zurückverfolgt, und es werden Maßnahmen ergriffen.
Die Zustandsüberwachung ist auch der Vorläufer für die Entwicklung von Strategien zur vorausschauenden Wartung. Die bei der Zustandsüberwachung erfassten Daten werden zu historischen Datensätzen, die analysiert werden, um Muster zu erkennen, die zukünftige Geräteausfälle vorhersagen. Ein Beispiel für vorausschauende Wartung ist der Einsatz einer IIoT-Plattform bei der Volvo Group Truck zur Verfolgung und Analyse der Daten ihrer Lkw. Die ständige Überwachung der Lkw-Leistungsrate und der Fahrzeugdaten half Volvo bei der Entwicklung einer vorausschauenden Wartungsstrategie, die die Diagnosezeiten um 70 % reduzierte.
Unterstützung von Industrie 4.0-Anwendungen
Bei der Umsetzung von Industrie 4.0 geht es um das Verständnis des Kerngeschäftskonzepts. Zu diesen Konzepten gehören: datengesteuerte Optimierung der Anlagenleistung, vorausschauende Wartung, Validierung und Prüfung usw. Die erfolgreiche Einführung eines dieser Geschäftsmodelle erfordert umfangreiche Datenerfassungs- und Analysefähigkeiten. Das Beispiel der CKE Holding verdeutlicht den Einsatz von Datenanalysetools zur Validierung, Prüfung und Verbesserung von Plänen, und das Beispiel von Volvo zeigt die Datenanalyse als Werkzeug zur Zustandsüberwachung.
Die Umstellung der Industrie auf Industrie 4.0 wird durch digitale Transformationslösungen vorangetrieben, die die Datenerfassung und -analyse unterstützen, aber es kann noch mehr getan werden. Heute sind 65 % der dunklen Daten in Fertigungsanlagen und -prozessen verborgen. Wenn es gelingt, diese Datensätze zu sammeln oder zu erfassen, erhalten die Hersteller mehr Material, mit dem sie arbeiten können, um branchenspezifische Ziele zu erreichen.
Schlussfolgerung
Es wird erwartet, dass die Einführung von Edge Computing die Herausforderungen bei der Erfassung und Nutzung von dunklen Daten aus der Produktion erleichtern wird. Die gleichzeitige Nutzung der Vorteile der dezentralen Analyse, die Edge Computing bietet, und der Einsatz zentraler Analyseplattformen wie des digitalen Zwillings werden den Weg zur „Lights-Out“-Fabrik der Zukunft vorantreiben.