Datenauswertung
Interfaces – Kernprobleme der Kommunikation
Im Bereich Human Machine Interface lassen sich in produzierenden Firmen des Mittelstands oft die selben Kernprobleme identifizieren. Diese können in eine Kostenfalle führen oder sogar die Produkte empfindlich beeinträchtigen. Der Beitrag zeigt einen dreistufigen Ansatz, um die gängigen Fallstricke zu erkennen und zu umgehen.
Das Human Machine Interface (HMI) wird zu einem immer wichtigeren Produktionsfaktor. Dort geschieht die Übergabe der Informationen an die Mitarbeiter. Störungen führen dort oft zu großen Problemen in der Produktion. Schlimmstenfalls wird es unmöglich, die Produktion zielgerichtet zu steuern. Die Informationen, die ein Mensch am HMI zu sehen bekommt, sind immer schon interpretiert. Sie sind zusammengefasst und zu Kennzahlen verdichtet, also auch vorausgewählt und an die Zielgruppe angepasst. Wenn die Daten nicht sinnvoll interpretiert werden oder sogar die Datengrundlage nicht stimmt, ist dem Betrieb die Basis zur Steuerung entzogen. Die Informationen bleiben in einem großen Datenhaufen versteckt. Es gibt immer wieder Fälle, in denen einem Unternehmen noch nicht einmal bewusst ist, dass die Ursache ihrer Probleme in den mangelhaft interpretierten Daten liegt. In produzierenden Unternehmen fallen aus den unterschiedlichsten Systemen Unmengen von Daten an. Die ERP-, Logistik- oder Controlling-Systeme müssen daraus sinnvolle Informationen ableiten, um die Produktion optimal steuern und austakten zu können. Diese Daten sind gleichzeitig die Grundlage für jede Information der Mitarbeiter über den Produktionsprozess, die über das Human Machine Interface läuft. Egal ob Managementebene, Produktionsleitung oder Arbeitskräfte am Band: Wenn die Daten nicht korrekt sind, nicht sinnvoll interpretiert werden, oder nicht intuitiv verständlich wirken, werden sie nie Ergebnisse erzeugen, auf die man sich verlassen kann. Im Bereich Human Machine Interface lassen sich in produzierenden Firmen drei Kernprobleme identifizieren. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Unvollständige Daten
Erstens: Die Daten sind unvollständig und nicht aussagekräftig. Dies führt dazu, dass die Steuerung des Unternehmens einem Blindflug gleicht. Wenn die Datengrundlage nicht stimmt, hat man hat keine Chance, Optimierungen durch Verbesserungen von Prozessen zu erreichen. Zweitens: Die Dateninformationen sind schwierig zu erkennen. Das Problem ist in diesem Fall, dass die fachlichen Fragen zur Qualität der Linie nicht beantwortet werden können. Und drittens: Selbsterstellte Datenerkennungstools sind womöglich ineffizient und binden qualifizierte Arbeitskräfte. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
In diesem Fall stimmt die Datengrundlage und man hat auch ein Verständnis von den Daten. Aber die benutzten Tools sind aufwendig herzustellen und zu warten, vor allem wenn die Mitarbeiter auf die alte Excel-Methode zurückgreifen. Das heißt, dass Erkenntnisse zur Steuerung des Unternehmens in aufwendiger Arbeit erstellt werden und bei Fertigstellung meist schon wieder veraltet sind. In diesem Fall müssen die Datengrundlagen aus den Maschinen und den Steuerungen umgehend konsolidiert werden. Hier kann ein Software-Hersteller mit einer Analyse helfen, die ein schnelles und kreatives Eingreifen ermöglicht. Das Eingreifen muss schnell geschehen, weil sonst immer mehr unnötige Kosten auflaufen. Es muss aber auch kreativ sein – man muss aus Erfahrung wissen, wo die Daten typischerweise liegen, welche davon wichtig sind und wie sie zusammenhängen. So lässt sich besser aussagen, was mit den vorhandenen Daten überhaupt machbar ist. Damit ist es möglich, zunächst die dringendsten Probleme zu lösen. Zudem werden Gatekeeper Prozesse installiert, die umgehend informieren, falls in der Datenwolke ähnliche Probleme erneut auftauchen sollten – anschließend wird optimiert.
Die zweite Phase startet, in der die Datenwolke bis ins Detail analysiert und die Ablageorte aller wichtigen Informationen erkannt werden. Hier geht es vor allem darum, wie über die Zusammenhänge der Daten essentielle Informationen abgeleitet werden können. Insbesondere die fachlichen Fragen zur Qualität der Linie können jetzt beantwortet werden. Insbesondere die Rückverfolgung ist wertvoll, wenn ein Materialfehler auftritt. Es ist dann möglich, genau eingegrenzte und kostengünstige Rückrufaktionen zu starten. In der dritten Phase geht es darum, dass selbst erstellte Tools meist nicht mit maximaler Effizienz funktionieren. Die Daten werden oft manuell zusammengekratzt, die Prozesse sind fehleranfällig und müssen mühsam gepflegt werden, und man ist von einigen Experten abhängig. Mit dem Rückgriff auf eine leistungsstarke Auswertungssoftware können die Mitarbeiter häufig viel Arbeitsaufwand einsparen. Die Organisation der Datenanalyse in den beschriebenen drei Phasen beseitigt zentrale Steuerungsprobleme dort, wo sie sich zeigen – im HMI. Es lässt sich so eine verlässliche Basis aufbauen, um Optimierungspotential zu erkennen. Außerdem ist es möglich, mit den vorgeschlagenen Analysen in der Datenwolke Strukturen zu erkennen, an die vorher nicht einmal gedacht wurde.
