Bewältigung der Fertigungsherausforderung mit Daten und KI

Die Fertigung wird durch Big Data und KI erhebliche Fortschritte erzielen, aber Die komplexen Herausforderungen der Branche haben die Aufnahme verlangsamt ...

„In der Fertigung stehen Sie unter dem Druck, die Qualität kontinuierlich zu verbessern und gleichzeitig die Kosten zu senken und die Produktivität zu steigern“, sagt SAS, führender Anbieter von Analysesoftware und -lösungen. Dies gilt nach wie vor im digitalen Zeitalter, und technologische Fortschritte haben sich verschworen, um die Herausforderung effektiver als je zuvor anzugehen.

Schon ein flüchtiger Blick macht deutlich, dass von allen Branchen, die von der digitalen Transformation erschüttert werden, nur wenige in den letzten Jahren sichtbarer und dramatischer verändert wurden als die Fertigung. Diese Reise von den arbeitsintensiven Produktionslinien von Henry Ford zu den zunehmend menschenfreien Umgebungen moderner Fabriken wurde durch das Aufkommen von Big Data stark beschleunigt. Durch das Sammeln von Informationen aus Fertigungsbetrieben, Anlagen und Maschinen, Verkaufsmustern und Nachfrageschwankungen können Führungskräfte Strategien für mehr Effizienz, Leistung und Sicherheit entwickeln. Die Vision von Industrie 4.0 von intelligenten Fabriken, die mit minimalem menschlichen Einsatz laufen und gleichzeitig eine höhere Produktivität, Rentabilität und Zuverlässigkeit erzielen, ist enorm attraktiv, aber die Verwirklichung dieses Ziels bringt ebenso große Herausforderungen mit sich, die es zu bewältigen gilt.

Die Datenwelle

Bereits 2018 identifizierte der führende Beratungs- und Outsourcing-Dienstleister Capgemini die Fertigung als eines der größten Potenziale für betriebliche Verbesserungen durch Big Data und ging sogar so weit zu sagen, dass ihre Einführung für den anhaltenden Geschäftserfolg von entscheidender Bedeutung ist. „Da Big-Data-Analysen keine ‚nice-to-have‘-Option mehr sind, müssen Unternehmen die richtigen Möglichkeiten identifizieren, um die Anlageneffizienz zu verbessern und Erkenntnisse zu gewinnen“, sagte Capgemini in einem Blogbeitrag vom November 2018. „Big Data Analytics würde dann den Wettbewerbsvorteil bieten, den Unternehmen benötigen, um in einem zunehmend komplexen Umfeld erfolgreich zu sein.“

Mit enormen Datenmengen – einer Masse, die für Operationen, die die Internet of Things (IoT)-Technologie und die Übertragungsgeschwindigkeiten von 5G mit Gigabit pro Sekunde nutzen – exponentiell ansteigt, geht eine immense Komplexität einher. Unternehmen müssen sich nicht nur auf den Wert eines breiten Datensatzes konzentrieren, sondern sie müssen diesen entstehenden Wert in umsetzbare Erkenntnisse umwandeln, bevor sie durch neuere und relevantere Daten ersetzt werden. Oftmals müssen Rohdaten mit der Telemetrie anderer Systeme kombiniert werden, damit ihr Wert extrahiert werden kann, und dieses Know-how auf menschlicher Ebene ist schwer zu bekommen.

Der Fall für KI

Rund um den Globus sind ausgebildete Data Scientists sehr gefragt und knapp, und selbst mit einer Flotte von Top-Datenanalysten bleibt der wahre Wert der Daten eines Unternehmens hinter der langen Zeit für die Durchführung komplizierter Analysen und der Wahrscheinlichkeit menschlicher Fehler zurück , und die Notwendigkeit gründlich durchdachter Datenimplementierungsstrategien. Der Bedarf an Unmittelbarkeit und Genauigkeit, insbesondere angesichts der weit verbreiteten Lücke bei den Datenkenntnissen, kann durch eine andere aufkommende Technologie beantwortet werden:künstliche Intelligenz (KI).

Seine algorithmischen Berechnungen und Analysen, die auf die Bedürfnisse bestimmter Operationen zugeschnitten sind, liefern Ergebnisse, die sowohl genauer als auch schneller verfügbar sind, sodass Unternehmen diese Daten in fundierte Maßnahmen umwandeln können, die die Effizienz und Produktivität verbessern, den Betrieb an die Echtzeitnachfrage anpassen und die Sicherheit verbessern die Probleme fehlender Expertise bei der Wertschöpfung. Es kann sogar Probleme erkennen, bevor sie durch vorausschauende Wartung entstehen, was einen erheblichen Arbeits- und Zeitaufwand erfordern würde, ohne das Genauigkeitsversprechen, das KI bietet.

„Vorausschauende Wartung ist ein Bereich, in dem IoT, Big Data und Analysen einen erheblichen Einfluss haben“, sagt Debbie Heaton-Bowen, Partner bei Oliver Wight EAME. „Obwohl es in den 1990er Jahren entstand, hat das Aufkommen fortschrittlicher Technologien dazu geführt, dass die Fähigkeiten der vorausschauenden Wartung in letzter Zeit ‚aufgeladen‘ wurden, insbesondere im Fertigungssektor, da intelligente Fabriken Realität wurden. Ungeplante Ausfallzeiten und schlechte Wartung können Unternehmen Millionen kosten, aber IoT-fähige Sensoren können erkennen, wann Maschinen überprüft werden müssen, und so die Entwicklung eines schwerwiegenderen Fehlers verhindern, der zu kostspieligen Störungen führen würde. Die vorausschauende Wartung identifiziert nicht nur vom menschlichen Auge übersehene Fehler, sondern trifft auch ausschließlich datengesteuerte Entscheidungen, um die Lebensdauer von Maschinen zu verlängern, die Servicekosten zu senken und die Betriebseffizienz für gesündere Gewinne zu steigern.“

An anderer Stelle ist die Robotik ein weiterer Trend in der Branche, der sehr vielversprechend ist, und KI ist für ihr Wertversprechen von entscheidender Bedeutung, wenn sie in Fertigungsprozessen eingesetzt wird. „Bei korrekter Integration können diese Robotereinheiten die Fähigkeiten und Stärken der Menschen verstärken, um die Effizienz am Arbeitsplatz zu steigern und die Mitarbeitererfahrung zu verbessern“, sagt Prasad Satyavolu, CDO of Manufacturing and Logistics beim führenden IT-Dienstleister Cognizant. „Sie werden bereits in Fertigungsunternehmen eingesetzt, vom Einsetzen von Stoßdämpfern oder dem Schneiden von Fleisch auf einem herkömmlichen Fließband bis hin zu Drohnen, die als Augen von Sicherheitsbeamten fungieren, die auf einem riesigen Containerlager patrouillieren. Auf diese Weise befreit die neue Art von autonomen Mitarbeitern Menschen, um höherwertige Arbeit zu übernehmen. Forscher des MIT fanden heraus, dass Mensch-Roboter-Teams, die für BMW arbeiten, etwa 85 % produktiver sind als Menschen oder Roboter, die alleine arbeiten.“ KI kann somit gleichzeitig Qualifikationslücken schließen und die Zeit maximieren, die Facharbeitern zur Verfügung steht, um sich auf Aufgaben zu konzentrieren, bei denen sie einen Mehrwert schaffen können.

Die Herausforderungen der Einführung von KI

Trotz der klaren Chancen, die sich daraus ergeben, stellt die Unternehmensberatung McKinsey fest, dass die Einführung von KI in der Fertigungsindustrie besonders langsam war. „Während KI-Technologien Lieferketten und Verwaltungsfunktionen spürbar verbessert haben, waren sie in der Produktion bisher kaum präsent“, sagt McKinsey und stellt fest, dass diese langsame Einführung teilweise durch eine starke Abhängigkeit von Fachwissen und sachkundigen Arbeitskräften ausgelöst wurde ist etwas ironisch angesichts der Fähigkeit der KI, dieses Fachwissen auf weniger repetitive Prozesse umzuleiten. Allein die Abhängigkeit von qualifizierten Arbeitskräften beschleunigt die Integration von KI in die Branche.

„Da unterschiedliche Qualifikationen der Bediener nicht nur die Leistung, sondern auch den Gewinn beeinflussen können, ist die Fähigkeit der KI, Wissen zu bewahren, zu verbessern und zu standardisieren, umso wichtiger“, sagt McKinsey. „Darüber hinaus ist KI in der Lage, zuverlässig vorhersagbare und konsistente Ergebnisse in Märkten zu liefern, in denen es schwierig ist, Bedienertalente anzuziehen und zu halten, da sie selbst komplexe betriebliche Sollwertentscheidungen treffen kann.“

Neben dieser Abhängigkeit von Humankapital verlassen sich viele Fabriken auf veraltete Maschinen, die sogar älter sind als das Internet, und die in den letzten zwei Jahrzehnten eingeführten Maschinen erfordern ein gewisses Maß an Modifikation, um sie mit der heutigen Datenerfassungstechnologie kompatibel zu machen. Die Frage nach der Beschaffung der aussagekräftigsten Datensätze, deren Interpretation und Umsetzung der Ergebnisse variiert nicht nur je nach Unternehmen, sondern auch je nach Abteilung und Team.

Das Forschungsunternehmen NelsonHall stellt fest, dass die Einführung von MES (Manufacturing Execution Systems) diese Komplexität weiter erhöht. MES ermöglicht es Unternehmen seit Jahren, ihre Abläufe zu digitalisieren und leichter auf Daten zuzugreifen, aber die tiefgreifende Anpassung des eigenen MES jeder Einrichtung bedeutet Kompatibilität und Integration mit anderen Technologien, wie z. B. der Analysesoftware, die Daten aus unzähligen Quellen sammelt und analysiert erhebliche Herausforderung. „Die Schwierigkeit, die MES mit sich bringt, ist, dass es schwierig und kostspielig ist, es angesichts des Anpassungsgrads zu aktualisieren“, sagt NelsonHall. „Außerdem regelt MES die Produktion einer Anlage, daher sind sie kritische Systeme und erfordern daher eine strenge Entwicklung und Implementierung, Tests und Einführung. Mit anderen Worten, sie sind vergleichbar mit Mainframe-Anwendungen:Solange sie laufen, möchte niemand sie wirklich zu tief berühren.“ Die Umgehung dieses Problems erfolgt daher häufig durch das Hinzufügen komplementärer Systeme, wie z. B. von Dassault, Siemens, PTC und dergleichen, was noch mehr Komplexität hinzufügt, wenn viele Betreiber versuchen, ihre technische Infrastruktur zu rationalisieren und zu verschlanken, um die Flexibilität und Agilität zu erhöhen .

Bewältigung der Herausforderung Hydra

Die Herausforderungen bei der erfolgreichen Nutzung von Fertigungsdatensätzen sind eindeutig enorm:Strategie, Telemetrie, Integration, Fachwissen und Legacy-Infrastruktur müssen jeweils angegangen werden, um einen nahtlosen Übergang zu Industrie 4.0 zu ermöglichen. KI allein kann die Kopfschmerzen bei der erfolgreichen Implementierung der datenbasierten Technologien, die die Fertigung in Industrie 4.0 vorantreiben werden, leider nicht lösen. Industrielles IoT, Robotik, digitale Zwillinge und vorausschauende Wartung haben sich alle schnell als leistungsstarke Modernisierungswerkzeuge für die Fertigung durchgesetzt, die jeweils durch Big Data und KI ermöglicht wurden, aber wie bei ihren Vorfahren erfordern sie jeweils erhebliche strategische Überlegungen, um wirklich erfolgreich zu sein. Die menschliche Note und die operative Ausrichtung sind der Schlüssel.

„Eine erfolgreiche datengesteuerte Transformationsstrategie muss eine umfassende Sicht auf verschiedene Faktoren wie Unternehmenskultur, Kunden, Mitarbeiter und Technologie berücksichtigen. Dies kann nicht durch isolierte Initiativen erreicht werden, sondern erfordert stattdessen einen konzentrierten Fokus, mittel- bis langfristige Planung, Sponsoring und Investitionen direkt von Unternehmensleitern“, sagt Rohit Gupta, VP und Head of Manufacturing, Logistics, Energy and Utilities bei Cognizant. „Hersteller müssen ihren aktuellen digitalen Reifegrad einschätzen, die geschäftlichen und technischen Herausforderungen verstehen und sich einen klaren Fahrplan vorstellen, um in diesem digitalen Paradigma erfolgreich zu sein. Dies muss ein iterativer Ansatz sein, der auf die Entwicklung einer Grundlage hinarbeitet, die skalierbares und nachhaltiges Wachstum unterstützen und Datenkapazitäten innerhalb der Organisation mit klaren Meilensteinen aufbauen kann.“

Externe Hilfe ist ein enormer Beschleuniger, und SAS, McKinsey und Capgemini, um nur einige zu nennen, haben viel getan, um die technologischen und strategischen Lücken von Unternehmen und Fertigungsunternehmen zu schließen, die den Sprung in die intelligente Zukunft wagen wollen. Schließlich basieren die heutigen Tech-Ökosysteme auf einem stärkeren Fokus auf Outsourcing und dem Wissen, dass externes Fachwissen in einem Tech-Bereich, der von Tag zu Tag detaillierter wird, oft überlegen ist. Die Fertigung ist zutiefst komplex und eine Einheitsgröße kann nie für alle passen, aber die Nutzung des Fachwissens führender Unternehmen in den Bereichen Daten und KI wird die gestellten Herausforderungen mit Sicherheit meistern und das enorme Potenzial von Industrie 4.0 freisetzen.