Anzeige
Anzeige
Anzeige
Beitrag drucken

Daten auswerten

Von Big Data zu relevanten Kennzahlen

Die Zunahme der Vernetzung in der Produktion, um im Sinne einer smarten Fabrik schneller und flexibler auf Kundenanforderungen reagieren zu können, führt zwangsläufig zu mehr Daten. Die Kunst ist es, aus diesen Massendaten zur richtigen Zeit die richtigen Informationen herauszufiltern und diese in Wissen und proaktives Handeln umzuwandeln. Dieser Beitrag zeigt einige Beispiele.



Bild: Trebing & Himstedt – Prozeßautomation GmbH & Co. KG

Haben in der Vergangenheit Produktionsanlagen einfach munter ‚vor sich hinproduziert‘, sind sie heute Teil einer vernetzten Wertschöpfungskette mit ERP-System, Vorproduktion, Lager, Logistik, Lieferanten et cetera. War die Maschine vormals in einem festen Wartungszyklus mit definierten Wartungsfenstern, wird heute der Gesundheitszustand mittels Sensoren permanent überwacht und auch eine Vielzahl von Produktionsparametern fließt kontinuierlich in das Produktionsnetzwerk ein. Welche Materialien wurden bei welchen Umgebungsparametern und unter welchen Produktionsbedingungen in welchem Endprodukt verbaut? Alle Sensoren, Scanner und manuellen Eingabemasken liefern somit sekündlich oder noch schneller eine riesengroße Anzahl von Daten, die ein Mensch mit Excel-Tabelle nicht mehr sinnvoll auswerten kann. Speicherplatz ist zwar mittlerweile für wenige Cent pro Megabyte zu haben, aber bei kontinuierlichen Produktionsprozessen sind einige Terabyte pro Werk in der Hightech-Fertigung keine Seltenheit. Daher ist es sinnvoll, sich vorab Gedanken zur Nutzung der zu sammelnden Daten zu machen. Anwendungen in der Fertigung, um aus Big Data Visualisierungen und Kennzahlen abzuleiten, sind beispielsweise:

• Visuelle Werkerführung

• Analytics und Visualisierung von Produktionskennzahlen oder

• Wartungseinsätze und Qualität vorhersagen

Visuelle Werkerführung

Im Bereich der Werkerführung kann Big Data helfen, Kontext-sensitive elektronische Arbeitsanweisungen anzuzeigen und abzuarbeiten. In Echtzeit können Produktionsänderungen umgesetzt und am Arbeitsplatz angezeigt werden. Auf Basis von geprüften Arbeitsschritten können Materialien für die Weiterverarbeitung gesperrt oder freigeben werden. Aktivitäten, Materialien und sämtliche Produktionsparameter werden vollautomatisch für spätere Rückverfolgbarkeit im Hintergrund verbucht. Die Produktion wird einfacher.

Analytics und Visualisierung von Produktionskennzahlen

Die Analyse und Visualisierung von Produktionskennzahlen aus dem Fertigungsprozess helfen, den aktuellen Stand schneller zu erkennen und kontinuierliche Verbesserungsprozesse einzuleiten. Das viel zitierte, sprichwörtliche schwarze Loch wird mithilfe von Analytics ausgeleuchtet. Die Produktion wird transparenter.

Wartungseinsätze und Qualität vorhersagen

Predictive Maintenance und Predictive Quality dienen dazu, ungeplante Ausfallzeiten und Fehlproduktionen zu vermeiden, Durchlaufzeiten zu beschleunigen und Ausschuss zu minimieren. Die Produktion wird vorhersagbarer. Um aus Daten, Informationen und daraus wiederum Wissen zu gewinnen, bedarf es dreier Schritte:

• Mittels Sensoren messen (Sense)

• Beobachten, analysieren und vorhersagen (Monitor, Analyze, Predict)

• Maßnahmen ableiten und umsetzen (Act)

Sowohl Predictive Maintenance als auch Predictive Quality leisten einen Wertbeitrag zur klassischen Overall Equipment Effectiveness-Kennzahl.

Sense: Mit Sensoren messen

Zur Datenerfassung gibt es heute zahlreiche Möglichkeiten, um sie manuell, halbautomatisch oder vollautomatisch digital in das System zu bringen. Die klassische Maschinendatenerfassung (MDE) oder Betriebsdatenerfassung (BDE) sind aus Manufacturing Execution-Systemen (MES) bereits weit verbreitet. Zahlreiche Sensoren bringen heute darüber hinaus weitere Verarbeitungs- und Umgebungsparameter in die Datenbank. SAP hat hierfür eigens eine Plant Connectivity-Komponente (SAP PCo) im Programm, die über standardisierte Schnittstellen wie OPC oder Webservices kommunizieren können. Eine weitere SAP-Komponente, die speziell für das Internet of Things-Umfeld entwickelt wurde, ist der SAP IoT-Connector. Ist im Produktionsumfeld ein Manufacturing Execution-System oder die Integrationsplattform SAP Manufacturing Integration and Intelligence (SAP MII) im Einsatz, werden die erfassten Daten über das MES oftmals in einer zentralen Datenbank wie SAP Hana erfasst. Für spezielle Anwendungen ist sogar eine Hana Cloud-Instanz sinnvoller Weise im Einsatz.

Monitor, Analyse und Vorhersage

Daten sammeln und in eine Datenbank schreiben hilft allerdings noch nicht weiter, sich von Wettbewerbern unterscheiden zu können. Wichtig ist es nun, schnell und vor allem die richtigen Schlüsse aus den Datenmengen zu ziehen. Ein guter Einstieg, um Produktionskennzahlen schnell im Blick zu haben, ist die Overall Equipment Effectiveness-Analyse. Basierend auf SAP MII gibt das SAP OEE Management die Möglichkeit, anhand eines einfachen Dashboards die wichtigsten Kennzahlen mit Ampelfarben schnell im Blick zu haben. Stillstände und Störungen werden ebenfalls angezeigt. Über Eingabemasken dient das Dashboard als BDE und somit hat der Werker ein nützliches Arbeitswerkzeug für die Überwachung an der Hand. Für eine genauere Analyse beispielsweise im Rahmen eines KVP-Meetings (Kontinuierlicher Verbesserungsprozess) bietet SAP OEE mit Hana eine geeignete Analyseplattform. Diese unterstützt nicht nur das Team im Shopfloor bei der täglichen Arbeit, sondern ermöglicht auch werksübergreifendes Reporting. Das ist wichtig, um auf Grundlage einer gleichen Datenbasis auch wirkliche Vergleichbarkeit der Leistungen sicherzustellen. Sollen spezielle Kennzahlen zum Beispiel für die Zielerfüllung auf einem Andon Board in der Werkhalle verständlich visualisiert werden, bieten sich mit der SAP Self Service Composition Environment zahlreiche Darstellungsformen wie Tabellen, Balken- und Kreisdiagramme an, die per Drag and Drop einfach selber zusammengestellt und angepasst werden können.

Maßnahmen ableiten

Auf der nächsten Ebene geht es dann darum, aus der Analyse auch Vorhersagen für die Zukunft treffen zu können. Kann der Eilauftrag noch produziert werden, obwohl das Wartungsintervall überschritten ist? Wann fällt die Maschine vermutlich aus oder welche Qualität wird das Produkt unter den gegebenen Umständen haben? Damit lassen sich Fehler erkennen und beheben bevor diese überhaupt entstehen. Das spart Zeit und Kosten und steigert die Kundenzufriedenheit. Hier spielen Big Data und Cloud-Dienste eine ganz entscheidende Rolle, denn um Muster erkennen und Vorhersagen treffen zu können, bedarf es einer gewissen Datenbasis und Rechenleistung. Bei den Themen Stillstände vermeiden und Ausfallzeiten reduzieren, kann Predictive Maintenance zukünftig große Hilfestellungen leisten, denn der kürzeste Stillstand ist der, der gar nicht erst entsteht. Insbesondere ungeplante Stillstände zu vermeiden oder geplante Stillstände zu optimieren, liefert unmittelbar einen direkten Wertbeitrag. Aus gelernten Mustern, Rahmenbedingungen und Konditionen können Ausfallwahrscheinlichkeiten vorhergesagt und somit Wartungsleistungen gezielt nach Bedarf und nicht nach Zeitplan vorgenommen werden. Anhand dieser wenigen Beispiele auf Basis gesammelter Daten und Analysen im Produktionsumfeld zeigt sich, wie vielfältig die Anwendungen und Nutzungsmöglichkeiten von Big Data sind.

Und hat man erst einmal angefangen, die Daten auszuwerten, werden von den Anwendern und Geschäftsbereichen sehr schnell neue, eigene Anwendungsfelder entwickelt und gewünscht. Daher kann es wichtig sein, von vornherein auf ein flexibles Standard-System zu setzen und schon bei der Datensammlung auf weitreichende Einsatzmöglichkeiten zu achten und lieber erst einmal zu viel als zu wenig zu sammeln. Um aus den gesammelten Daten dann auch nützliche Informationen und aktive Handlungen ableiten zu können, bedarf es dann noch einer einfachen Bedienung, integrierter Visualisierungsmöglichkeiten und eine durchgehende Vernetzung, um zum Beispiel aus dem vorherberechneten Wartungsbedarf auch digital und ohne Medienbruch einen Wartungsauftrag für die Instandhaltung generieren zu können.


Das könnte Sie auch interessieren:

Während im Gastgewerbe und im Handel im Februar wieder mehr Menschen in Kurzarbeit waren, ist der Anteil in der Industrie erneut zurückgegangen. Insgesamt wird die Zahl der in Kurzarbeit Beschäftigten im Februar auf 2,8 Millionen Menschen geschätzt.‣ weiterlesen

Der Aufsichtsrat von D.velop hat den bisherigen Vorstand Mario Dönnebrink als neuen Vorstandsvorsitzenden bestätigt.‣ weiterlesen

Zum Jahresende 2020 hat MES-Hersteller Cosmino aus Nürnberg das Funktionsmodul PreventiveAction weiterentwickelt. Das Modul soll durch das Einplanen und Erfassen der Wartungs- oder Reinigungsaktivität im MES sicherstellen, dass diese tatsächlich und regelmäßig stattfinden.‣ weiterlesen

Auf der Suche nach einer Fernzugriffslösung stieß Hansa Klimasysteme auf das Ixon-Portfolio. Überzeugt durch dessen Bedienung, wurde das ursprünglich angedachte Remote-System als weitreichendes Monitoring- und Visualisierungs-Paket umgesetzt - zum Vorteil der Kunden.‣ weiterlesen

MES-Anbieter und Dürr-Tochter iTAC Software hat das Instandhaltungsmodul Maintenance Manager angekündigt. Der digitale Wartungsmanager ist für Arbeitsplatzrechner und mobile Geräte wie Tablets verfügbar.‣ weiterlesen

Individuelle Anpassungen im ERP-System sind normal, doch sie können den Upgrade-Prozess verzögern. Die Heyligenstaedt Werkzeugmaschinen GmbH tritt diesem Problem mit den dynamischen Attributen und den QuickViews der Asseco-Lösung APplus entgegen.‣ weiterlesen

Bei KSB setzt man seit etwa einem Jahr auf ein Pick-by-light-System von Microsyst, was den Workflow an den Montagearbeitsplätzen effizienter gestaltet hat.‣ weiterlesen

Maschinen in der Produktion werden zunehmend schlauer. Eine von Reichelt Elektronik in Auftrag gegebene Umfrage zeigt, dass sich Predictive Maintenance in der deutschen Industrie etabliert.‣ weiterlesen

177 Ökonomen haben Ifo und FAZ im Rahmen des Ökonomenpanel zur aktuellen Corona-Wirtschaftspolitik der Bundesregierung befragt. Kurz vor der nächsten Ministerpräsidenten-Konferenz zeigt sich ein Großteil der Teilnehmer unzufrieden.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige