Von Big Data zu Smart Data: Fertigungseinblicke verbessern

Hersteller haben viele Daten, aber wenige Erkenntnisse. Laut IBM-Forschung nutzen nur 28 % der Organisationen „Daten aus Ausrüstung, Prozessen und Systemen, um Erkenntnisse für kontinuierliche Prozessverbesserung zu gewinnen.“

Das Problem? Big Data allein treibt selten bedeutenden Wert ohne Kontext und Absicht. Um aktuelle Abläufe zu optimieren und in einem digital-first Markt wettbewerbsfähig zu bleiben, benötigen Hersteller einen Weg, Big Data in Smart Data umzuwandeln – also Informationen, die relevant, genau und umsetzbar sind.

Lesen Sie weiter, um mehr über Big Data und Smart Data zu erfahren und wie Unternehmen die Lücke schließen können.

Was ist Big Data in der Fertigung?

Big Data besteht aus großen und komplexen Datensätzen, die über Fertigungssysteme generiert werden, doch das Volumen allein garantiert keine Erkenntnis oder betriebliche Verbesserung.

Gängige Big-Data-Quellen sind IIoT-Systeme, Produktionssystemsoftware und programmierbare Logiksteuerungen (PLCs), Wartungsprotokolle, Qualitätskontrolltools und computerisierte Instandhaltungsmanagementsysteme (CMMS).

Big Data fokussiert auf Quantität statt Qualität, was Herausforderungen bei der Nutzbarkeit schafft. Während mehr Daten helfen, das große Ganze zu sehen, wird es schwieriger, Details zu erkennen.

Vier Merkmale sind typisch für Big Data:

• Volumen: Bezieht sich auf die Menge der generierten Daten. Viele Unternehmen erzeugen täglich Terabytes (TB) an Daten.

• Geschwindigkeit: Bezieht sich auf die Geschwindigkeit, mit der Daten erstellt und aktualisiert werden. Da viele Produktionslinien 24/7/365 laufen, hören Daten nie auf.

• Vielfalt: Spricht von Variation. Hersteller sammeln jetzt alles von Materialdaten bis zu Leistungsinformationen, verbundenen IoT-Sensordaten und Qualitätskontrollergebnissen.

• Wahrhaftigkeit: Ist Wahrheit: Sind Daten genau und zuverlässig? Big Data ist nutzlos, wenn Datenquellen nicht vertrauenswürdig sind.

Was ist Smart Data?

Smart Data sind kuratierte, kontextualisierte und zweckorientierte Informationen, die durch Big-Data-Analysen erzeugt werden. Während Big Data oft in großem Maßstab gesammelt und gespeichert wird, wird Smart Data bewusst geformt, um fundierte Entscheidungen zu unterstützen.

Drei Merkmale unterscheiden Smart Data von Big Data:

• Qualität: Bezieht sich auf Daten, die klar, prägnant und richtig formatiert sind.

• Relevanz: Bezieht sich auf Aktualität. Während historische Daten für langfristige Planung eine Rolle spielen, sind zeitnahe Daten erforderlich, um sicherzustellen, dass Maßnahmen aktuelle Bedingungen adressieren.

• Genauigkeit: Spricht Präzision. Beispielsweise können Hochtemperaturmaschinen eine Kalibrierung von nur wenigen Zehntelgrad erfordern. Mehr oder weniger und Ausgaben sind nicht nutzbar. Smart Data sind genaue Daten.

Unsicher, ob Sie Big Data oder Smart Data haben? Beginnen Sie mit einer einfachen Frage: Werden Daten einfach gespeichert, oder helfen sie, geschäftliche und operative Fragen zu beantworten?

Wesentliche Unterschiede zwischen Big Data und Smart Data

Sowohl Big Data als auch Smart Data spielen eine Rolle in Fertigungsabläufen. Big Data legt den Grundstein für großangelegte Trendanalysen und kann die Ausrichtung an regulatorischen Erwartungen und Richtlinien wie Good Manufacturing Practices (GMPs) unterstützen. Smart Data hingegen hilft Herstellern, Probleme zu identifizieren, Lösungen zu definieren und gezielte Maßnahmen zu ergreifen.

Vier wesentliche Unterschiede:

1. Big Data betont Sammlung; Smart Data betont Nutzung.

1. Big Data ist allgemein; Smart Data ist spezifisch.

1. Big Data priorisiert Inhalt; Smart Data priorisiert Kontext.

1. Big Data ist stetig; Smart Data ist schnell.

Warum Big Data allein in der Fertigung oft scheitert

Unternehmen können die Rolle von Big Data in der Fertigung nicht ignorieren.

Historisch waren Unternehmen nur in der Lage, hochrangige Daten wie Gesamtausbringungsvolumen, Zykluszeiten oder Nacharbeitsraten zu erfassen. Das Aufkommen kleiner, immer verbundener Systeme und Sensoren ermöglichte jedoch Maschinendatenerfassung im großen Maßstab. Heute können Hersteller jeden Detail von Geräteoperationen verfolgen und aufzeichnen – vom Start über Standardlasten bis zu unerwarteten Ausfallzeiten. Jeder Prozess von Produktionslinien-Assets, jede Aktion von Mitarbeitern und jede Operation von Software wird Teil der Big-Data-Landschaft.

Die Herausforderung? Datenmengen können zu Tunnelblick führen; Hersteller nehmen an, dass bloßes Sammeln von Daten ausreicht, um Erkenntnisse zu gewinnen und zum Handeln zu bewegen. In der Praxis scheitern Big-Data-Initiativen oft daran, Wert zu liefern. Fünf häufige Fehlerursachen:

• Datensammlung ohne klare Ziele.

• Schlechte Datenqualität und -konsistenz.

• Fehlende Standardisierung über Systeme hinweg.

• Begrenzte Fähigkeit, Daten zu interpretieren und darauf zu handeln.

• Zu viele Dashboards, zu wenig Erkenntnis.

Wie Smart Data die Fertigungsleistung verbessert

Smart Data verbessert die Fertigungsleistung, weil es umsetzbare Erkenntnisse liefert. Betrachten Sie vier große strukturierte Datensätze aus mehreren Quellen: Gerätesensoren, Steuerungen, Benutzerberichte und operative Benchmarks. Nutzbare Erkenntnisse sind in den Daten enthalten, aber nur sichtbar, wenn Daten validiert, kuratiert und analysiert werden.

Diese Prozesse wandeln Big Data in der Fertigung in Smart Data um, was mehrere Leistungsvorteile bietet. Erstens: schnellere Ursachenanalyse. Mit kontextuellen Daten darüber, wie, wann und warum Geräte ausfielen, können Teams Ursachen statt Symptome beheben.

Smart Data verbessert auch Asset-Zuverlässigkeit und Betriebszeit. Durch Kombination aktueller und historischer Leistungsdaten können Teams potenzielle Ausfallpunkte identifizieren, die zu ungeplanten Ausfallzeiten führen könnten, und Maßnahmen zu deren Behebung ergreifen. Beispielsweise, wenn Analysen zeigen, dass ein hochbelastetes Asset regelmäßig elektrische Fehler erfährt, können Unternehmen häufigere Wartung planen, um das unmittelbare Problem zu lösen, während sie gleichzeitig nach der Ursache suchen.

Weitere Vorteile von Smart Data sind bessere Qualität und Ausbeute durch genaue und aktuelle Informationen über Ausschuss- und Nacharbeitsraten sowie verbesserte Arbeitslastplanung und Prognose basierend auf operativen Bedürfnissen und Geräteeffizienz.

Schließlich fördert Smart Data eine stärkere Ausrichtung zwischen Teams. Denn Smart Data hilft Wartungsteams, Bedienern, Managern und Führungskräften, dieselbe Sprache zu sprechen, was das Risiko redundanter Arbeit oder verpasster Chancen verringert.

Die Rolle von Wartung und Zuverlässigkeit in Smart-Data-Strategien

Wartungs- und Zuverlässigkeitsdaten spielen Schlüsselrollen in Smart-Data-Strategien. Dies ist ein wechselseitiger Prozess. Die Verfolgung von Wartung und Zuverlässigkeit verbessert die Wirkung von Smart Data, und Smart Data treibt die kontinuierliche Verbesserung von Wartungs- und Zuverlässigkeitsprozessen voran.

Hier sind vier häufige Vorteile:

• Wartungshistorie liefert Kontext für Ausfälle: Wartungshistorien bieten wertvolle Einsichten, um den Kontext von Maschinenausfällen zu enthüllen und präskriptive Analysen zu unterstützen.

• Asset-Zustände können mit Leistungsergebnissen verknüpft werden: Asset-Zustände bestehen oft aus strukturierten und unstrukturierten Daten. Neben Sensorausgaben können Unternehmen auch Benutzerberichte einbeziehen, die Empfehlungen basierend auf jahrelanger Erfahrung enthalten. Die Kombination dieser Datenquellen treibt bessere Leistungsergebnisse an.

• Umsetzbare Daten reduzieren reaktive Wartung und Risiken ungeplanter Ausfallzeiten: Reaktive Wartung ist teuer und zeitaufwändig, weil sie erst bei Ausfällen beginnt. Die Nutzung von Smart Data zur Erstellung von Heatmaps, Risikoberichten und Datenvisualisierungen hilft, potenzielle Ursachen ungeplanter Ausfallzeiten zu identifizieren.

• Smart Data bildet die Grundlage für vorausschauende Wartungsanalysen: Prädiktive Analysen ermöglichen Wartungsteams, potenziellen Problemen einen Schritt voraus zu sein. Sie spielen auch eine Rolle in fortgeschritteneren Analysen, die End-to-End-Einblicke in Maschinenleistung und potenzielle Verbesserungen bieten.

Smart Data als Grundlage für Manufacturing 4.0

Digitale Transformation ermöglicht die Einführung von Manufacturing-4.0-Prozessen, die auf immer vernetzten, immer aktiven Geräten und Ausrüstungen basieren.

Smart Data ist dabei die Grundlage der digitalen Transformation.

Betrachten Sie künstliche Intelligenz (KI) und maschinelles Lernen (ML). Diese Technologien treiben die Schaffung intelligenter Fabriken voran, die aktuelle und historische Daten nutzen, um „zu lernen“ und Abläufe im Laufe der Zeit zu verbessern. Das Modelltraining durch ML-Algorithmen und die Datenanalysen durch KI erfordern beide saubere und kontextuelle Daten. Einfach diese Tools auf Big-Data-Quellen loszulassen, begrenzt ihre Wirksamkeit. Die Nutzung von Smart Data verkürzt den Weg zwischen Frage und Erkenntnis.

Smart Data unterstützt auch die Echtzeit-Maschinengesundheitsüberwachung und -optimierung, die Manufacturing 4.0 erfordert. In vielen Fertigungsumgebungen sind längere Geräteausfallzeiten zunehmend kostspielig und störend. Mit Zugang zu Smart Data können Teams sofortige Entscheidungen treffen, die die Leistung verbessern.

Zusätzlich ermöglicht die Nutzung von Smart Data skalierbare und nachhaltige digitale Initiativen. Unternehmen können bestimmen, wo Geld am besten investiert wird, um Produktionsabläufe zu erweitern, und Wege identifizieren, um Kosten zu senken, Emissionen zu begrenzen und neue grüne Technologien zu unterstützen.

Es gibt auch einen Fall für den Einsatz smarter Technologie, um der Technologiekurve voraus zu sein. Da neue KI-fähige Assets und autonome Agenten alltäglich werden, ist es leicht, dass Teams zurückbleiben. Smart-Data-Management hilft, Verbesserungsbereiche zu identifizieren und Wege zur Sicherung der betrieblichen Bereitschaft vorzuschlagen.

Best Practices für die Erstellung von Smart Data in der Fertigung

Die Basis für Smart Data in der Fertigung beginnt mit fünf Best Practices:

1. Klare Geschäfts- und Betriebsziele definieren: Smart Data bietet Klarheit, aber nur, wenn Sie wissen, worauf Sie schauen. Starten Sie mit klaren Business-Intelligence- und Betriebszielen. Möchten Sie Maschinendurchsatz verbessern? Ausgabequalität steigern? Wartungsreaktionszeiten reduzieren? Das Verständnis des Endziels hilft, den Startpunkt zu definieren.

2. Datendefinitionen und Metriken standardisieren: Erstellen Sie konsistente Metriken und Definitionen für die Datenverarbeitung. Das bedeutet, KPIs wie mittlere Reparaturzeit (MTTR), mittlere Zeit zwischen Ausfällen (MTBF) und Gesamtanlageneffektivität (OEE) zu verknüpfen, um Dateninteroperabilität zu gewährleisten.

3. Fokus auf Datenqualität statt Quantität: Mehr Daten bedeuten nicht bessere Daten. Wo möglich, wählen Sie qualitativ hochwertigere Daten gegenüber größeren Mengen. Beispielsweise sind präzise Temperaturmessungen alle 10 Minuten wertvoller als grobe Schätzungen alle 30 Sekunden.

4. Daten systemübergreifend integrieren: Isolierte Daten sind nicht smart. Um Erkenntnisse zu maximieren, integrieren Sie Daten über Systeme wie CMMS, Enterprise Asset Management (EAM) und Enterprise Resource Planning (ERP).

5. Funktionsübergreifende Zusammenarbeit aufbauen: Stellen Sie kollaborativen Zugang zu Smart Data sicher, um umsetzbare Strategien zu entwickeln. Dies umfasst Bediener, Wartungspersonal, Produktionsleiter, Technologieexperten und Unternehmensführung.

Smart Data wandelt Information in Aktion um

Big Data bietet Volumen. Smart Data bietet Wert. Beide sind notwendig für datengetriebene Fertigungsabläufe. Big Data bereitet die Bühne für großangelegte Trendanalysen und regulatorische Compliance, während Smart Data Unternehmen hilft, Leistung, Zuverlässigkeit und Kostenkontrolle zu verbessern.

Wandeln Sie Information in Aktion um mit tiefgehenden Analysen. ATS hilft Herstellern, Smart Data anzuwenden, um Zuverlässigkeit, Leistung und Entscheidungsfindung zu verbessern. Lassen Sie uns sprechen.

Referenzen

IBM Institute for Business Value. (2022). Manufacturing 4.0: From data to decisions. IBM. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/manufacturing-4-0