Datengesteuerte Fertigung:Vorteile, Herausforderungen und Strategien

Optimierung der Produktionseffizienz durch datengesteuerte Fertigungsstrategien

Obwohl es verschiedene Datenerfassungstechnologien gibt, haben Hersteller immer noch Schwierigkeiten, sie einzusetzen. Aufgrund dieser großen Herausforderung scheint das Ziel der datengetriebenen Fertigung umso unerreichbarer.

Es gibt jedoch einige datengesteuerte Ansätze, die Sie bei der Optimierung der Produktionseffizienz verfolgen können. Zu diesen Ansätzen gehören die Nutzung von Industrial IoT zur Erfassung von Fertigungsdaten, der Einsatz von Edge-Computing-Geräten in der Fertigungshalle oder die manuelle Eingabe von Maschinenstatistiken in Excel-Tabellen zur weiteren Analyse. Die beiden vorherigen Optionen sind digitale Lösungen mit automatisierten Prozessen, während letztere manuell ist. Wie zu erwarten ist, gewinnt die Digitalisierung und macht die Erfassung von Betriebsdaten und deren Umsetzung zu einem schlankeren Prozess.

Vor diesem Hintergrund ist es hilfreich, sich eingehender damit zu befassen, was es bedeutet, ein datengesteuerter Hersteller zu sein, welche Vorteile und Herausforderungen Sie durch die Einführung datenorientierter Programme erfahren und welche konkreten Strategien Sie anwenden können, wenn Sie Ihre Analyse vorantreiben Reife.

Was ist datengesteuerte Fertigung?

Das MachineMetrics-Leistungs-Dashboard im Fertigungsbereich.

Die datengesteuerte Fertigung ist ein Produktionsansatz, bei dem Fakten und eine strenge Reihe von Fertigungs-KPIs die Entscheidungsfindung leiten, im Gegensatz zu Vermutungen, anekdotischen Beweisen oder „Bauchgefühlen“.

Es ist ein Ansatz, der unter anderem Daten von Produktionsanlagen, Bedienern und der Lieferkette nutzt, um es Herstellern zu ermöglichen, bessere Entscheidungen zu treffen, während sie daran arbeiten, Kosten zu senken und die betriebliche Effizienz zu steigern.

Neue Technologien geben immer mehr Herstellern die Möglichkeit, Daten aus ihren Betrieben zu sammeln und zu verarbeiten, was zu einer Flut von Lösungen führt, die in Echtzeit Erkenntnisse aus Fertigungsdaten extrahieren können. Allerdings sind nicht alle Analysen gleich.

Um Daten in einer Operation erfolgreich zu nutzen, müssen Sie zunächst in der Lage sein, genaue Daten zu sammeln, die effektiv verarbeitet und so angezeigt werden können, dass sie für den Benutzer einfach zu nutzen sind.

Wenn Sie beispielsweise Maschinenleistungsdaten manuell in einer Zwischenablage erfassen, ist nicht nur ein großer Zeitaufwand für die Fertigstellung erforderlich, sondern es besteht auch eine hohe Wahrscheinlichkeit menschlicher Fehler. Andererseits erzeugt das Sammeln von Daten direkt von Maschinen über die SPS einen hochgenauen und unvoreingenommenen Datenstrom. Beide Lösungen hier können als „datengesteuert“ betrachtet werden, aber letztere ist weit überlegen und wird zu einer besseren Entscheidungsfindung führen.

Vorteile der datengesteuerten Fertigung

Erhöhte Sichtbarkeit: Der Reiz der datengesteuerten Fertigung besteht darin, dass Führungskräfte in der Fertigung und in der Unternehmenszentrale auf der Grundlage der im gesamten Unternehmen gesammelten Daten ein tieferes Verständnis der Leistung erlangen können. Daten bieten nicht nur Einblick in die Leistung einzelner Anlagen, sondern auch in den Betrieb als Ganzes. Dies hilft Entscheidungsträgern, chancenreiche Bereiche zu erkennen, seien es Schichten mit schlechter Leistung, wiederkehrende Maschinenstillstände oder andere Produktionsengpässe.

KI und maschinelles Lernen: Mit großen Datensätzen haben Hersteller die Möglichkeit, maschinelle Lernalgorithmen auszuführen, die bei der Lösung komplexer Probleme helfen. Beispielsweise nutzte unser Data-Science-Team unbeaufsichtigtes maschinelles Lernen, um CNC-Anomalien zu erkennen. Mit analytischen Bemühungen wie dieser können Hersteller fortschrittliche Verfahren wie vorausschauende Wartung anwenden. Ohne die Verarbeitungsmöglichkeiten oder den Zugriff auf Daten wären selbst vereinfachte Formen der datenbasierten Entscheidungsfindung nicht möglich.

Automatisierung: Es gibt zwei Kategorien der Automatisierung, die datengesteuerte Strategien unterstützen können. Die erste ist die automatisierte Erfassung von Daten. Wenn ein Betrieb ordnungsgemäß mit Geräten zum Sammeln von Daten und Software zu ihrer Verarbeitung ausgestattet ist, erfordert der Prozess der Datenerfassung keinen manuellen Aufwand mehr.

Die zweite Komponente der Automatisierung ist die Verwendung von Daten zur automatisierten Entscheidungsfindung. Während Hersteller auf ihrem analytischen Weg voranschreiten, wechseln sie von der deskriptiven zur prädiktiven Analytik. Das bedeutet, dass sie zunächst Daten verwenden, um zu verstehen, was passiert ist oder gerade passiert, aber schließlich reifen, um zu verstehen, was passieren kann, und die Möglichkeit haben, eigenständig Maßnahmen zu ergreifen.

Kosteneinsparungen: Daten ergänzen Lean Manufacturing, da sie Herstellern die Informationen liefern, die sie benötigen, um Produktionsprozesse zu rationalisieren und Verschwendung zu minimieren. Ohne die harten Daten ist es schwierig, Produktionsverbesserungen genau zu messen und sicher zu sein, dass Änderungen zu Kosteneinsparungen geführt haben.

Beispielsweise hat Carolina Precision Manufacturing, ein Hersteller von CNC-Drehteilen mit kleinem Durchmesser und engen Toleranzen in der Schweiz, in einem Jahr 1,5 Millionen US-Dollar eingespart, indem es eine IoT-Plattform eingeführt hat, um eine vollständige Datentransparenz zu gewährleisten. In der Fallstudie wird erläutert, wie sie die Produktionseffizienz steigern, die Maschinenauslastung optimieren und die Verantwortlichkeit der Bediener fördern konnten.

Herausforderungen der datengesteuerten Fertigung

Siloierte Datenquellen und Legacy-Systeme: Viele Systeme und Geräte wurden nicht mit der Absicht gebaut, miteinander zu kommunizieren. Dies kann das Ergebnis von separaten Betriebssystemen in verschiedenen Abteilungen, Altgeräten oder einfach einem Mangel an Dokumentation und Kommunikation sein. Das Problem dabei ist, dass es schwierig sein kann, Daten über unterschiedliche Systeme hinweg zu aggregieren, was bedeutet, dass Sie weniger Wert aus den gesammelten Daten ziehen. Eine IoT-Plattform, die mehrere Systemebenen verbindet und ältere Geräte online bringt, hilft, dieses Problem zu lösen.

Sicherheitsbedrohungen: Das Problem der industriellen IoT-Sicherheit ist aus zwei Hauptgründen entstanden. Erstens, je mehr Geräte verbunden sind, desto größer ist die Wahrscheinlichkeit, Schwachstellen für einen Verstoß zu schaffen. Zweitens wurde die Sicherheit bisher nicht auf Maschinenebene angesprochen, was bedeutet, dass keine Standards oder Protokolle entwickelt wurden. Es gibt jedoch Lösungen zur Risikominderung.

Datenspeicherung: Je mehr vernetzte Geräte und Systeme ein datengetriebener Hersteller ermöglicht, desto mehr Daten werden gesammelt. An der Oberfläche ist dies ein großer Vorteil, wenn der Benutzer Einblicke in die gesammelten Daten gewinnen kann. Der wachsende Datenstrom benötigt jedoch einen Ort, an dem er gesammelt und verarbeitet werden kann, was eine schwierige Herausforderung sein kann. Dies ist besonders kostenintensiv, wenn der Benutzer Daten vor Ort speichern soll, was für den Einsatz von Cloud Computing spricht.

Datengesteuerte Fertigungsstrategien

Datengesteuerte Prozessoptimierungsstrategie

Der erste Schritt zur Optimierung der Produktionskapazität einer Maschine besteht darin, ihre Fähigkeiten und die Arbeitsbedingungen um sie herum zu verstehen. Zu diesen Arbeitsbedingungen können Kenntnisse über den verfügbaren Bestand und die Geschwindigkeit gehören, mit der Materialien an der Maschine ankommen. Um dieses Wissen zu erwerben, ist die Integration von Datenerfassungslösungen wie Mensch-Maschine-Schnittstellengeräten erforderlich. Die gesammelten Daten und die Möglichkeit, KPIs zu visualisieren, bieten sowohl den Entscheidungsträgern als auch den Mitarbeitern in einem Fertigungsbereich einen großartigen Einblick in industrielle Prozesse.

Diese Erkenntnisse können dann zur Entwicklung einer Prozessoptimierungsstrategie genutzt werden, die sicherstellt, dass die Produktion auf ihrem optimalen Niveau fortgesetzt wird. Ein datengetriebener Ansatz zur Prozessoptimierung ermöglicht es zudem, produktivitätsbegrenzende Faktoren zu identifizieren.

Ein Beispiel ist die Verwendung von MachineMetrics zur Prozessoptimierung in einer diskreten Fertigungsanlage. In diesem Beispiel werden täglich Daten von Maschinen gesammelt, kategorisiert und mit optimierten KPIs verglichen, um herauszufinden, welche bestimmte Ausrüstung ihr Ziel nicht erreicht und warum. Der gezielte Einblick in die Herausforderungen, die sich auf die Produktivität einer Maschine auswirken, dient dann als Grundlage, um die Probleme zu beheben, die sie daran hindern, optimal zu funktionieren.

Datengesteuerte vorausschauende Wartungsstrategie

Von Maschinen in Fertigungshallen wird erwartet, dass sie kontinuierlich gewartet werden, um sicherzustellen, dass sie optimal funktionieren, weshalb jeder Hersteller eine Wartungsstrategie für den Umgang mit Teileausfällen hat. In vielen Einrichtungen wird immer noch ein reaktiver oder Run-to-Failure-Ansatz für die Wartung als Strategie eingesetzt, um Maschinen über längere Zeiträume am Laufen zu halten. Statistiken zeigen, dass diese Strategie die Produktivität um etwa 20 % behindert und auch zu ungeplanten Stillstandszeiten führen kann, wenn Maschinen während eines tatsächlichen Produktionszyklus ausfallen.

Eine datengesteuerte Strategie bietet einen präventiven Ansatz für die Maschinenwartung durch die Überwachung jedes Leistungsindex, der den Gesundheitszustand der Maschine und der darin enthaltenen Komponenten beschreibt. Mit diesem Ansatz werden ungeplante Stillstände eliminiert und so die Produktionseffizienz optimiert.

Ein Beispiel hierfür ist die Verwendung der MachineMetrics Anomaly Detection Engine zur Verfolgung von Komponenten und Maschinenleistung. Über eine API analysiert die Engine Maschinendaten, um angepasste Wartungsstrategien für die verschiedenen Maschinen in einer Werkstatt zu entwickeln. Die analysierten Daten informieren den Hersteller über Teile, die häufig ausgetauscht werden müssen, und erhalten Einblicke in die Entwicklung von Austauschplänen rund um Produktionszyklen. Dadurch wird sichergestellt, dass der Ersatzteilbestand des Herstellers immer auf dem neuesten Stand ist und die Wartung innerhalb festgelegter Fristen durchgeführt wird.

Die drei Phasen der datengesteuerten Fertigungsoptimierung

Das Definieren oder Erstellen einer datengesteuerten Strategie zur Optimierung von Fertigungsprozessen umfasst die folgenden Phasen:

1. Erfassen und Überwachen von Daten: Die Fähigkeit, Daten in Echtzeit zu sammeln, bildet die Grundlage für die Nutzung Ihrer Daten. MachineMetrics ist eine Plug-and-Play-Lösung, die Daten wie Betriebsgeschwindigkeit, Gerätetemperatur und Energieverbrauchsrate von diskreten Fertigungsanlagen und IoT-Geräten erfasst.
2. Daten kategorisieren und visualisieren: Die gesammelten Daten müssen verarbeitet und analysiert werden, um daraus Erkenntnisse zu gewinnen. MachineMetrics nutzt die AWS-Cloud, um sofort einsatzbereite Anwendungen bereitzustellen, die die Visualisierung und Berichterstellung von Fertigungsdaten durch optimierte Arbeitsabläufe zu einem optimierten Prozess machen.
3. Business Intelligence und Aktion: Berichte und Workflows werden bereitgestellt, um die Entscheidungsfindung und den Strategieerstellungsprozess zu erleichtern. Sobald Maschinendaten gesammelt und analysiert wurden, wird es möglich, umsetzbare Strategien zur Optimierung der Produktionseffizienz zu entwickeln und umzusetzen.

Ihre Reise zur Fertigungsanalyse

Damit Ihre Daten für Sie arbeiten, beginnt die Verbindung der Fertigungsmaschinen Ihres Unternehmens mit der MachineMetrics-Plattform den Weg zur Produktionsoptimierung. Die universellen Konnektivitätsfunktionen von MachineMetrics unterstützen Maschinen mit sowohl digitalen als auch analogen E/A, was es ermöglicht, Daten von Altmaschinen in Ihrer Fertigung zu erfassen. Dadurch entfällt die Herausforderung, die nutzbaren Daten zu sammeln, die für die Entwicklung datengesteuerter Strategien für Ihre Fertigungsanlagen erforderlich sind. Sie können mehr über das Wertversprechen industrieller Analyseplattformen der Enterprise-Klasse erfahren, indem Sie die Funktionen der MachineMetrics IoT-Plattform analysieren.