Egicon erzielt 80 % Reparaturreduktion durch Echtzeit-Automatisierung

Egicon, ein italienischer Elektronikhersteller, nutzte ab 2017 aufkommende Data-Analytics-Tools, um seine Produktion vollständig zu automatisieren. Dabei senkte es die Reparaturrate um 80 Prozent, eliminierte Ausschuss, verbesserte Garantiesupport und reduzierte die Vorlaufzeit für Qualitätsberichte von einem Monat auf Echtzeit.

Ansässig in der Region Modena, Italien, produziert Egicon elektronische Steuergeräte, Instrumentencluster und Mensch-Maschine-Schnittstellen für Automobil, Landwirtschaft, Biomedizin und Luftfahrt.

Egicon integrierte Siemens‘ Valor und Opcenter Execution Electronics IoT Software in seine Produktions- und Qualitätsysteme, was kontinuierliches Monitoring und die Fähigkeit ermöglichte, Kunden besseren Garantiesupport und Rückverfolgbarkeitsdaten zu liefern.

„Wir konnten unsere Reparaturrate von 30 Parts per Million auf 6 senken und erreichten 2019 eine Ausschussrate von null Prozent“, sagte Egicon-Produktionsleiter Michele Magri in einer veröffentlichten Fallstudie. „Jetzt erhalte ich sofortige Updates zu all unseren Fertigungsprozessen, ohne meinen Schreibtisch zu verlassen. Ich kann meine Zeit für Innovation und Verbesserungen nutzen.“

Auch andere Softwarehersteller berichten signifikante Ergebnisse.

GE Digitals Proficy-Software half Herstellern über zahlreiche Sektoren hinweg, diverse Vorteile zu erzielen: 90 Prozent Abfallreduktion, 5 Millionen Dollar Qualitätsverbesserungseinsparungen, 80 Prozent Stillstandsreduktion, so Cobus van Heerden, Senior Product Manager für Analytics und Machine Learning Software bei GE Digital. Ein Unternehmen gewann innerhalb von Stunden entscheidende Erkenntnisse, wie Entwässerungschemikalien für beste Qualität zu steuern sind.

FactoryTalk Innovation Suite, ein gemeinsames Angebot von Rockwell Automation und PTC, half Rockwell, eine 33-prozentige Steigerung der Arbeitseffizienz, 70-prozentige Output-Steigerung und 50-prozentige Trainingszeitreduktion zu erreichen, laut Fallstudie.

Diese und andere aufkommende Data-Analytics-Tools überwinden die Limitationen und Barrieren ihrer Vorgänger.

Analytics zugänglicher machen

Eine bedeutende Barriere war früher, dass Tools mit potenziellem Nutzen ungenutzt blieben, sagt Izik Avidan, Business Unit Manager Digital Manufacturing Analytics bei Siemens Digital Industries Software.

Mehr als 80 Prozent fortgeschrittener Analytics-Projekte scheitern, sagt er, gestützt durch Forschung von Gartner und anderen.

„Das Hauptproblem mit Data-Analytics-Tools der Vergangenheit – aus Herstellersicht – war, dass sie Tools blieben“, sagt Avidan. „Viele Plattform- und Lösungsanbieter realisierten nicht, dass der durchschnittliche Hersteller nicht alle notwendigen Skills besitzt, um diese Tools vollständig zu nutzen. Das Tool lieferte die Funktion, für die es designed war, aber das Gesamtprojekt scheiterte wahrscheinlich. Man muss zwischen Fertigungssprache und all diesen neuen Technologien bridgen. Der Fertigungskunde besitzt diese Skillsets nicht.“

„Historisch brauchte man wirklich einen PhD in Mathe oder Data Science, um Wert aus Analytics zu ziehen“, sagt van Heerden. „Man muss Analytics in die Hände der bestehenden operativen Leute legen. Man kann nicht zum Fertigungskunden gehen und sagen: ‚Sie müssen Ihre Leute umschulen oder neue einstellen, um von Analytics zu profitieren.‘ Der Schlüssel ist, Analytics für Prozeßingenieure und Linienbediener zugänglich zu machen.“

„Tools wurden für Experten designed, um eine schwierige Herausforderung für Experten einfacher zu machen, im Gegensatz zu ihren Jobs zu vereinfachen“, sagt Ed Cuoco, VP Strategy and Solutions bei PTC. Viele Tools erforderten auch einen vor Ort tätigen Data Scientist. Das Endergebnis: „Diese Tools waren nicht geeignet für große Hersteller, die typischerweise keine eigenen Data Scientists haben“, sagt Cuoco.

Neun weitere Barrieren der Vergangenheit

Weitere Barrieren, laut Avidan, Cuoco und van Heerden:

• Versagen, die Pain Points der Hersteller zu verstehen und anzugehen.
• Tools, die Hersteller zwangen, teure Bestandsmaschinen zu ersetzen.
• Mangelnder Zugriff auf nötige Daten für Insights, oft weil Daten in Silosystemen lagen – „Dark Data“. Zwischen 60 % (Forrester) und 97 % (Gartner) gesammelter Daten bleiben ungenutzt.
• Daten, die sich nicht leicht mit anderen Daten kombinieren ließen.
• Daten, die schwer zu bereinigen, formatieren und vorbereiten waren.
• Tools, die annahmen, Daten erfüllten hohe Qualitätsbenchmarks, was oft einen Experten zur Datenqualitätsverbesserung erforderte.
• Fehlende Analytics-Tools, die Manager zum Handeln befähigen.
• Analytics-Tools, die für den durchschnittlichen Bediener zu schwierig waren.
• Tools, die nicht über ein initiales Pilotprojekt oder Demo hinaus skalierbar waren.

Neuer Tag bricht an

Heutige Tools bieten schnelle Time-to-Value, einfachere Bedienung und Skalierbarkeit. Immer mehr verstehen Softwareanbieter, dass ihre Kunden Plattformen brauchen, die mehrere Tools kombinieren und sich auf dem Shopfloor gut integrieren, sagt Avidan.

„Wir sehen jetzt mehr Erfolg bei Analytics-Tools, die jene Barrieren überwinden“, sagt van Heerden. „Die Tools, die wir bereitstellen, zeigen Evidenz für schnellen Wert.“

Softwarehersteller designen Tools und Plattformen, die in Fabriken laufen, die 40 Jahre alte Maschinen ebenso nutzen wie zwei Jahre alte, sagt Cuoco. „Diese Tools müssen in einer Real-Welt-Umgebung funktionieren. Das ist der Schlüssel zur Anwendbarkeit in einer Fabrik. Das erlaubt einer Fabrik, Dinge in ihrer Macht zu nutzen, ohne sie zu Dingen zu zwingen, die nicht in ihrem Radhaus liegen.“

Aufkommende Tools bieten: Zugriff, Speicherung und Handling von Daten, Verfügbarkeit eines Subject-Matter-Experts vor Ort oder remote, niedrige Total Cost of Ownership ohne viele zusätzliche Server oder Cloud-Ressourcen, einfache Konfigurierbarkeit, Anpassbarkeit und sofortigen Wert, sagt Avidan.

„Heutzutage verstehen die meisten Softwarefirmen, dass das Hinwerfen einiger Machine-Learning-Lösungen auf den Shopfloor eure Qualitätsprobleme nicht löst“, sagt er. „Jetzt bieten sie vollständige Turnkey-Lösungen an – wahrscheinlich der Gamechanger.“

„Mein Beruf lebt in dieser Spannung, eine Out-of-the-box-Lösung zu bieten und gleichzeitig zu verstehen, dass die Lösung angepasst werden muss – Flexibilität, um die Lösung für die Herstellerbedürfnisse zu optimieren“, fügt Avidan hinzu. „In den letzten fünf Jahren sehen wir mehr Hybridprojekte, die sowohl Plattformen als auch Tools sind, kombiniert mit speziell für die Branche zugeschnittener Software.“

Die Industrie hat noch nicht den Punkt erreicht, wo Tools out of the box funktionieren wie ein iPhone, sagt Cuoco.

„Out of the box ist die Richtung. Out of the box ist das Ziel. Wir werden reif genug in unseren Lösungen, um einen Punkt zu sehen, wo das Realität wird.“

Diese Tools, manchmal kombiniert mit einem erfahrenen Fertigungsingenieur, können Herstellern helfen, Performance und Predictive Maintenance zu verbessern und Qualitätskontrolle in die Produktion zu integrieren, sagt Avidan.

Tools bewegen sich auch „über Alerts hinaus“, die es einem Menschen überlassen zu handeln, zu mehr Closed-Loop – wo das Tool selbst sichere Echtzeit-Steueraktionen ausführen kann, sodass eine Anlage optimierte Produktivität gewinnen oder halten kann, sagt van Heerden.

Statt Analytics nur als Komponente eines Angebots anzubieten, offerieren immer mehr Fertigungssoftwareanbieter Analytics in Lösungen, die spezifische Use Cases adressieren, sagt Cuoco.

„Wenn man einen erfahrenen Fertigungsingenieur mit Datamustern in einem Datensatz oder einer Liste von Schlussfolgerungen konfrontiert, die er schon gesehen hat, wird er in der Lage sein, diese Daten leicht in Aktionen umzuwandeln, die der Bediener, Linienmanager oder Fabrikinhaber ergreifen kann und die Ergebnisse dramatisch verbessern“, sagt Avidan. „Mit dieser Turnkey-Lösung können wir die Mehrheit der Herausforderungen innerhalb von Tagen oder sogar Stunden angehen.“

Noch besser wird sein, wenn mehr expertes Domänenwissen in diese Tools eingebettet werden kann, sagt Cuoco. „Immer mehr spezifisches Domänenwissen muss eingebettet werden. Wie bringen wir Experte und Maschine zusammen, damit beide das Problem verstehen? Die Maschine muss sagen können: ‚Ich kann parameter spezifisch für diese Domäne einbeziehen.‘“

Analytics verbessern sich auch, wenn sie durch die Lieferkette angewendet werden – von Rohstofflieferanten zu Spediteuren, Herstellern bis Endkunden, sagt van Heerden.

Einige Herausforderungen bleiben

Noch nötig: Verfeinerungen, die Tools einfacher zu bauen machen, und Tools, die so designed sind, dass Maschinen mehr Arbeit übernehmen, sagt Cuoco.

Kosten müssen weiter fallen, damit Technologie für kleine und mittlere Hersteller zugänglich wird, die ähnliche Probleme haben, sagt Avidan.

Mehr Standards sind nötig, damit Hersteller Technologie verschiedener Anbieter leichter integrieren können, sagt er.

„Wir müssen verstehen, dass es bereits viel Software auf dem Shopfloor gibt“, sagt Avidan. „Jede Lösung, die man in dieses Ökosystem einführen möchte, muss sich gut und nahtlos in diese IT-Lösungen integrieren … damit, wenn ein Action Item von einem Engineering-System in ein anderes gepusht werden muss, das innerhalb eines einzelnen Portfolios geschehen kann. Das ist eines der wichtigsten Dinge, die man tun kann.“

Wenn Standards und Schnittstellen offener werden, wird Integration einfacher, sagt van Heerden.

Partner wählen

Um erfolgreich zu sein, partneren Sie mit einem vertrauenswürdigen Industrieanbieter, der ein umfassendes Produkt bietet, sagt van Heerden.

„Viele Analytics-Anbieter offerieren Lösungen, die Teil des Problems lösen. Manche können Daten analysieren, manche Vorhersagen treffen, manche Simulationen laufen lassen, eine andere Einstellungen optimieren. Partneren Sie mit vertrauenswürdigen Anbietern, die nicht morgen verschwinden und all diese Fähigkeiten in einem einzigen Produkt bieten.“

Hersteller, die sofortige Perfektion und vollständige Integration suchen, sollten Erwartungen zurückschrauben zugunsten eines schrittweisen Ansatzes. „Machen Sie keinen ‚Big Bang‘-Ansatz zur Technologieadoption, bis alle Systeme perfekt sind“, sagt er. „Ich empfehle einen schnellen, inkrementellen Ansatz. Statten Sie Operations-Leute mit einfach zu bedienenden Tools aus, damit sie schnellen inkrementellen Wert erzielen.“