Industrial IoT & Predictive Analytics: Fertigungseffizienz beschleunigen

Industrial Internet of Things, Industrie 4.0, Digital Factory und so weiter sind Buzzwords, die jeder Marketing-Manager gerne verwendet. Aber ihre umfangreiche Einführung heute hat sie in anwendbare Technologien verwandelt, die es Herstellern ermöglichen, das universelle Ziel höherer Produktivität zu erreichen.

Es ging von Anfang an um Daten. Der Shopfloor ist in allen Aspekten reich an Daten; es ist nur eine Frage der Erfassung. Es wurde festgestellt, dass fast 3 Prozent der US-Hersteller in ihre operativen Daten eintauchen und nutzbare Informationen extrahieren. Damit ein IIoT-Wechsel gelingt, müssen Unternehmen klar bezüglich ihrer Ziele und der Verfügbarkeit menschlicher Ressourcen sein, um ihn zum Erfolg zu führen.

Ziele, die top-down heruntergebrochen werden, sind am sinnvollsten, da sie es Teams ermöglichen, modular vorzugehen. Außerdem ist es wichtig, dass eine Arbeitsbeziehung entsteht, die interdisziplinäre Kohärenz ermöglicht, denn schließlich ist IIoT eine Konjunktion verschiedener Funktionen. Beispiele für zusammenarbeitende Ressourcen sind Werksingenieure, Techniker, Systemintegratoren und natürlich das Management.

Predictive Analytics ist ein wesentlicher Aspekt von IIoT, ohne den der gesamte Zweck eines Wechsels verfehlt würde. Es ermöglicht, Datenbrocken zu nutzen und Intelligenz im wahrsten Sinne zu erreichen. Kurz gesagt umfasst Predictive Analytics die Verbesserung der Prozessqualität und Bedarfsprognose, beides ermöglicht die Steigerung der Produktivität einer Organisation. In einer Digital Factory ist die Rolle jedoch weitaus umfangreicher und erstreckt sich auf Bereiche wie Maschinenverfügbarkeit und Verhinderung erzwungener Geräteausfälle.

Durch die Verarbeitung von Echtzeitdaten, die von Sensoren gesammelt werden, die über den gesamten Fabrikboden verteilt sind, kann Predictive Analytics Betreibern Einblicke in Maschinen geben, die zu Ausfällen neigen, bevor diese tatsächlich zusammenbrechen. Dies ermöglicht es Betreibern, Reparaturen während Leerlaufzeiten zu planen, anstatt eine werkseigene Störung zu verursachen.

Mit zunehmender Menge der gesammelten Daten nimmt auch der Automatisierungsgrad zu, was die Intelligenz manueller Prozesse erhöht. Beispielsweise können Systeme so abgestimmt werden, dass sie den Maschinenbetrieb automatisch verlangsamen, wenn ein Ausfall droht, oder einen Schwellenwert festlegen, der die Lebensdauer verlängert.

Ebenso ermöglicht der Upstream von Daten Betreibern, Root-Cause-Analysen mit größerer Genauigkeit durchzuführen, was die Wahrscheinlichkeit eines erneuten Auftretens eines bestimmten Fehlers verringert.

All diese Vorteile sind nicht theoretisch, sondern werden tatsächlich von Organisationen weltweit geerntet. Beispielsweise ermöglichte der Einsatz von Predictive Analytics bei American Electric Power (AEP) die Reparatur einer Gasturbine vor dem Ausfall. Die frühe Warnung sparte ihnen 19 Millionen Dollar, die durch den vollständigen Zusammenbruch der Turbine entstanden wären.