Produktionseffizienz freisetzen: Bewährte datengesteuerte Fertigungsstrategien

Produktionseffizienz durch datengesteuerte Fertigungsstrategien optimieren

Obwohl diverse Datenerfassungstechnologien existieren, kämpfen Hersteller immer noch damit, sie zu nutzen. Aufgrund dieser großen Herausforderung scheint das Ziel datengesteuerter Fertigung umso unerreichbarer.

Es gibt jedoch einige datengesteuerte Ansätze, die Sie bei der Optimierung der Produktionseffizienz ergreifen können. Dazu gehören der Einsatz von Industrial IoT zur Erfassung von Shopfloor-Daten, der Einsatz von Edge-Computing-Geräten auf dem Shopfloor oder die manuelle Eingabe von Maschinenstatistiken in Excel-Tabellen zur weiteren Analyse. Die ersten beiden Optionen sind digitale Lösungen mit automatisierten Prozessen, während letztere manuell ist. Wie zu erwarten, gewinnt Digitalisierung und macht das Erfassen von Shopfloor-Daten und deren Nutzung zu einem gestrafften Prozess.

Mit diesem Hintergrund wird es hilfreich sein, tiefer einzutauchen in das, was es bedeutet, ein datengesteuerter Hersteller zu sein, welche Vorteile und Herausforderungen Sie beim Start datenfokussierter Programme erleben können und welche konkreten Strategien Sie auf Ihrem Weg zur analytischen Reife anwenden können.

Was ist datengesteuerte Fertigung?

Das MachineMetrics Performance Dashboard auf dem Shopfloor.

Datengesteuerte Fertigung ist ein Produktionsansatz, der Fakten und einen strengen Satz an Fertigungs-KPIs zur Entscheidungsfindung nutzt – im Gegensatz zu Vermutungen, anekdotischen Beweisen oder "Bauchgefühl".

Es ist ein Ansatz, der Daten von Shopfloor-Geräten, Bedienern, der Lieferkette und anderen Quellen nutzt, um Herstellern zu ermöglichen, bessere Entscheidungen zu treffen, während sie daran arbeiten, Kosten zu senken und operative Effizienz zu steigern.

Aufstrebende Technologien geben mehr Herstellern die Fähigkeit, Daten aus ihren Abläufen zu sammeln und zu verarbeiten, was zu einem Anstieg an Lösungen führt, die in Echtzeit Insights aus Fertigungsdaten extrahieren können. Doch nicht alle Analytik ist gleich.

Um Daten in einem Betrieb erfolgreich zu nutzen, müssen Sie zunächst in der Lage sein, genaue Daten zu erfassen, die effektiv verarbeitet und so dargestellt werden können, dass sie für den Nutzer leicht zu konsumieren sind.

Beispielsweise: Wenn Sie Maschinenleistungsdaten manuell auf einem Clipboard erfassen würden, gibt es nicht nur einen großen Zeitaufwand, sondern auch eine hohe Wahrscheinlichkeit menschlicher Fehler. Andererseits erzeugt die direkte Datenerfassung von Maschinen über die SPS einen hochgenauen und unvoreingenommenen Datenstrom. Beide Lösungen hier können als "datengesteuert" betrachtet werden, aber letztere ist weit überlegen und führt zu besseren Entscheidungen.

Vorteile datengesteuerter Fertigung

Erhöhte Transparenz: Der Reiz datengesteuerter Fertigung liegt darin, dass Führungskräfte auf dem Shopfloor und im Unternehmensbüro ein tieferes Verständnis der Leistung basierend auf den über die Organisation gesammelten Daten haben können. Daten geben Einblick nicht nur in individuelle Asset-Performance, sondern in den Betrieb als Ganzes. Dies hilft Entscheidungsträgern, Bereiche für Chancen zu identifizieren – sei es schwache Schichten, wiederkehrende Maschinenstillstände oder andere Produktionsengpässe.

KI und Machine Learning: Mit großen Datensätzen haben Hersteller die Fähigkeit, Machine-Learning-Algorithmen auszuführen, die helfen, komplexe Probleme zu lösen. Beispielsweise nutzte unser Data-Science-Team unsupervised Machine Learning zur Erkennung von CNC-Anomalien. Mit analytischen Bemühungen wie diesem können Hersteller fortgeschrittene Praktiken wie vorausschauende Wartung adoptieren. Ohne Verarbeitungskapazitäten oder Datenzugang wären sogar simplistische Formen datenbasierter Entscheidungsfindung nicht möglich.

Automatisierung: Es gibt zwei Kategorien der Automatisierung, die datengesteuerte Strategien unterstützen können. Die erste ist die automatisierte Datenerfassung. Wenn ein Betrieb ordnungsgemäß mit Geräten zur Datenerfassung und Software zur Verarbeitung ausgestattet ist, erfordert der Datenerfassungsprozess keinen manuellen Aufwand mehr.

Die zweite Komponente der Automatisierung ist die Nutzung von Daten für automatisierte Entscheidungsfindung. Während Hersteller in ihrer analytischen Reise fortschreiten, bewegen sie sich von deskriptiver zu prädiktiver Analytik. Das bedeutet, sie nutzen Daten zunächst, um zu verstehen, was passiert ist oder gerade passiert, reifen aber schließlich dazu heran, zu verstehen, was passieren kann, und haben die Möglichkeit, autonom darauf zu reagieren.

Kosteneinsparungen: Daten ergänzen Lean Manufacturing, da sie Herstellern die Informationen geben, die sie benötigen, um Produktionsprozesse zu straffen und Verschwendung zu minimieren. Ohne harte Daten ist es schwierig, Produktionsverbesserungen präzise zu messen und sicherzustellen, dass Änderungen zu Kosteneinsparungen geführt haben.

Beispielsweise sparte Carolina Precision Manufacturing, ein Hersteller von kleinem Durchmesser, eng tolerierten CNC-Schweissdrehteilen, in einem Jahr 1,5 Millionen Dollar, indem sie eine IoT-Plattform für vollständige Datentransparenz ausrollte. In der Fallstudie wird erklärt, wie sie Produktions-effizienz steigern, Maschinenauslastung optimieren und Bediener-Accountability vorantreiben konnten.

Herausforderungen datengesteuerter Fertigung

Silodatenquellen und Legacy-Systeme: Viele Systeme und Geräte wurden nicht mit der Absicht gebaut, miteinander zu kommunizieren. Dies kann das Resultat separater Betriebssysteme unter verschiedenen Abteilungen, Legacy-Equipment oder schlicht mangelnder Dokumentation und Kommunikation sein. Das Problem: Es kann schwierig sein, Daten über disparate Systeme zu aggregieren, was bedeutet, dass Sie weniger Wert aus den gesammelten Daten ziehen. Eine IoT-Plattform, die mehrere Systemebenen verbindet und Legacy-Equipment online bringt, hilft, dieses Problem zu lösen.

Sicherheitsbedrohungen: Das Problem der Industrial-IoT-Sicherheit ist aus zwei primären Gründen entstanden. Erstens: Je mehr Geräte vernetzt sind, desto größer die Chance, Schwachstellen für einen Einbruch zu schaffen. Zweitens: Sicherheit wurde zuvor nie auf Maschinenebene adressiert, was bedeutet, dass keine Standards oder Protokolle entwickelt wurden. Es gibt jedoch Lösungen zur Risikominderung.

Datenspeicherung: Je mehr vernetzte Geräte und Systeme ein datengesteuerter Hersteller aktiviert, desto mehr Daten werden gesammelt. An der Oberfläche ist dies ein starker Vorteil, wenn der Nutzer Insights aus den gesammelten Daten gewinnen kann. Doch der wachsende Datenstrom braucht einen Ort zum Sammeln und Verarbeiten, was eine schwierige Herausforderung sein kann. Dies ist besonders kostenintensiv, wenn der Nutzer Daten on-premise speichern will, was ein starkes Argument für Cloud Computing liefert.

Datengesteuerte Fertigungsstrategien

Datengesteuerte Prozessoptimierungsstrategie

Der erste Schritt zur Optimierung der Produktionskapazität einer Maschine ist das Verständnis ihrer Fähigkeiten und der Arbeitsbedingungen um sie herum. Diese Arbeitsbedingungen könnten Wissen über verfügbaren Inventar und die Geschwindigkeit umfassen, mit der Materialien zur Maschine gelangen. Um dieses Wissen zu erlangen, wird die Integration von Datenerfassungslösungen wie Human-Machine-Interface-Geräten erforderlich. Die gesammelten Daten und die Fähigkeit, KPIs zu visualisieren, geben großartige Einblicke in industrielle Prozesse für sowohl Entscheidungsträger als auch Mitarbeiter auf dem Shopfloor.

Diese Insights können dann genutzt werden, um eine Prozessoptimierungsstrategie zu entwickeln, die sicherstellt, dass die Produktion auf ihrem optimalen Niveau fortgesetzt wird. Ein datengesteuerter Ansatz zur Prozessoptimierung macht es auch möglich, produktivitätslimitierende Faktoren zu identifizieren.

Ein Beispiel ist der Einsatz von MachineMetrics zur Prozessoptimierung in einer diskreten Fertigungsanlage. In diesem Beispiel werden täglich Daten von Maschinen erfasst, kategorisiert und gegen optimierte KPIs verglichen, um das spezifische Equipment zu entdecken, das sein Ziel nicht erreicht und warum. Der gezielte Einblick in die Herausforderungen, die die Produktivität einer Maschine beeinträchtigen, dient dann als Basis für die Korrektur der Probleme, die sie daran hindern, optimal zu funktionieren.

Datengesteuerte vorausschauende Wartungsstrategie

Maschinen auf Shopfloors sollen kontinuierlich gewartet werden, um optimal zu funktionieren, weshalb jeder Hersteller eine Wartungsstrategie hat, um mit Teileausfällen umzugehen. In vielen Anlagen wird noch ein reaktiver oder Run-to-Failure-Ansatz zur Wartung als Strategie eingesetzt, um Maschinen länger laufen zu lassen. Statistiken zeigen, dass diese Strategie die Produktivität um约 20 % behindert und auch zu ungeplanten Ausfallzeiten führen kann, wenn Maschinen während eines tatsächlichen Produktionszyklus ausfallen.

Eine datengesteuerte Strategie bringt einen präventiven Ansatz zur Maschinenwartung durch Monitoring jedes Performance-Index, der den Gesundheitsstatus der Maschine und ihrer Komponenten beschreibt. Mit diesem Ansatz werden ungeplante Ausfallzeiten eliminiert, was die Produktionseffizienz optimiert.

Ein Beispiel hierfür ist der Einsatz der MachineMetrics Anomaly Detection Engine zum Tracking von Komponenten und Maschinenleistung. Über eine API analysiert die Engine Maschinendaten, um maßgeschneiderte Wartungsstrategien für die verschiedenen Maschinen in einem Shopfloor zu entwickeln. Die analysierten Daten informieren den Hersteller über Teile, die häufigen Austausch erfordern, und geben Einblick, wie Austauschpläne um Produktionszyklen herum entwickelt werden können. Dies stellt sicher, dass der Ersatzteillagerbestand des Herstellers immer aktuell ist und Wartung innerhalb festgelegter Zeitpläne ausgeführt wird.

Die drei Phasen der datengesteuerten Fertigungsoptimierung

Die Definition oder Erstellung einer datengesteuerten Strategie zur Optimierung von Fertigungsprozessen umfasst folgende Phasen:

1. Daten erfassen und überwachen: Die Fähigkeit, Daten in Echtzeit zu sammeln, bietet die Basis, um Ihre Daten arbeiten zu lassen. MachineMetrics ist eine Plug-and-Play-Lösung, die Daten wie Betriebsgeschwindigkeit, Gerätetemperatur und Energieverbrauchsrate von diskreten Fertigungsgeräten und IoT-Geräten erfasst.
2. Daten kategorisieren und visualisieren: Die gesammelten Daten müssen verarbeitet und analysiert werden, um Insights zu erhalten. MachineMetrics nutzt AWS Cloud, um Out-of-the-Box-Applikationen bereitzustellen, die Visualisierung und Reporting von Shopfloor-Daten durch optimierte Workflows zu einem gestrafften Prozess machen.
3. Business Intelligence und Aktion: Reports und Workflows werden bereitgestellt, um Entscheidungsfindung und Strategieerstellung zu erleichtern. Sobald Maschinendaten erfasst und analysiert wurden, wird die Entwicklung actionabler Strategien zur Optimierung der Produktionseffizienz und deren Implementierung möglich.

Ihre Fertigungsanalytik-Reise

Um Ihre Daten für Sie arbeiten zu lassen, startet die Verbindung Ihrer Fertigungsmaschinen mit der MachineMetrics-Plattform die Reise zur Produktionsoptimierung. MachineMetrics universelle Konnektivitätsfähigkeiten unterstützen Maschinen mit sowohl digitalen als auch analogen I/O, was die Datenerfassung von Legacy-Maschinen in Ihrem Shopfloor ermöglicht. Damit wird die Herausforderung beseitigt, die nutzbaren Daten zu erfassen, die nötig sind, um datengesteuerte Strategien für Ihre Fertigungsanlagen zu entwickeln. Erfahren Sie mehr über das Wertversprechen enterprise-grade industrieller Analytik-Plattformen, indem Sie die Funktionen der MachineMetrics IoT-Plattform analysieren.