Von Big Data zu Smart Data:Verbesserung der Fertigungseinblicke

Den Herstellern mangelt es an Daten und an Erkenntnissen. Laut einer Studie von IBM nutzen nur 28 % der Unternehmen „Daten aus Geräten, Prozessen und Systemen, um Erkenntnisse für eine kontinuierliche Prozessverbesserung zu gewinnen“. 

Das Problem? Big Data allein führt ohne Kontext und Absicht selten zu einem sinnvollen Wert. Um den aktuellen Betrieb zu optimieren und in einem Digital-First-Markt wettbewerbsfähig zu bleiben, benötigen Hersteller eine Möglichkeit, Big Data in Smart Data umzuwandeln. Das heißt, Informationen, die relevant, genau und umsetzbar sind. 

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

Was ist Big Data in der Fertigung?

Big Data besteht aus großen und komplexen Datensätzen, die in verschiedenen Fertigungssystemen generiert werden, aber die Menge allein garantiert keine Einblicke oder betriebliche Verbesserungen. 

Zu den gängigen Big-Data-Quellen gehören IIoT-Systeme, Produktionssystemsoftware und speicherprogrammierbare Steuerungen (SPS), Wartungsprotokolle, Qualitätskontrolltools und computergestützte Wartungsmanagementsysteme (CMMS). 

Bei Big Data steht die Quantität statt der Qualität im Vordergrund, was wiederum zu Herausforderungen bei der Benutzerfreundlichkeit führt. Während mehr Daten Unternehmen helfen können, das Gesamtbild zu erkennen, wird es schwieriger, die Details zu erkennen. 

Vier Merkmale sind für Big Data typisch: 

• Volumen:  Volumen bezieht sich auf die Menge der generierten Daten. Viele Unternehmen generieren mittlerweile täglich Terabytes (TB) an Daten. 

• Geschwindigkeit:  Geschwindigkeit bezieht sich auf die Geschwindigkeit, mit der Daten erstellt und aktualisiert werden. Da viele Produktionslinien rund um die Uhr laufen, stehen die Daten nie still.  

• Sorte:  Vielfalt bedeutet Abwechslung. Hersteller sammeln jetzt alles von Materialdaten bis hin zu Informationen zur Leistungseffizienz, vernetzten IoT-Sensordaten und Qualitätskontrollergebnissen.  

• Wahrhaftigkeit:  Wahrhaftigkeit ist Wahrheit:Sind die Daten korrekt und zuverlässig? Big Data ist nicht sinnvoll, wenn Datenquellen nicht vertrauenswürdig sind. 

Was sind Smart Data?

Smart Data sind kuratierte, kontextualisierte und zweckgebundene Informationen, die durch Big-Data-Analysen erstellt werden. Während Big Data oft in großem Umfang erfasst und gespeichert wird, werden Smart Data bewusst so gestaltet, dass sie eine fundierte Entscheidungsfindung unterstützen. 

Drei Merkmale unterscheiden Smart Data von seinem Gegenstück zu Big Data: 

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

• Relevanz:  Relevanz bezieht sich auf die Aktualität. Während historische Daten bei der langfristigen Planung eine Rolle spielen, sind aktuelle Daten erforderlich, um sicherzustellen, dass Maßnahmen den aktuellen Bedingungen gerecht werden. 

• Genauigkeit:  Genauigkeit spricht für Präzision. Beispielsweise kann bei Hochtemperaturmaschinen eine Kalibrierung von nur wenigen Zehntel Grad erforderlich sein. Mehr oder weniger und die Ausgaben sind möglicherweise nicht verwendbar. Smart Data sind genaue Daten. 

Sie sind sich nicht sicher, ob Sie über Big Data oder Smart Data verfügen? Beginnen Sie mit einer einfachen Frage:Werden Daten einfach gespeichert oder helfen sie bei der Beantwortung geschäftlicher und betrieblicher Fragen?   

Hauptunterschiede zwischen Big Data und Smart Data

Sowohl Big Data als auch Smart Data spielen in Produktionsabläufen eine Rolle. Big Data bildet die Grundlage für groß angelegte Trendanalysen und kann die Ausrichtung auf behördliche Erwartungen und Richtlinien wie gute Herstellungspraktiken (GMPs) unterstützen. Intelligente Daten helfen Herstellern dabei, Probleme zu erkennen, Lösungen zu definieren und gezielte Maßnahmen zu ergreifen. 

Es gibt vier wesentliche Unterschiede zwischen Big und Smart Data: 

1. Bei Big Data steht die Sammlung im Vordergrund; Bei Smart Data steht die Nutzung im Vordergrund. 

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

3. Big Data priorisiert Inhalte; Smart Data priorisiert den Kontext. 

4. Big Data ist stabil; Smart Data ist schnell. 

Warum Big Data allein in der Fertigung oft scheitert

Unternehmen können es sich nicht leisten, die Rolle von Big Data in der Fertigung zu ignorieren. 

In der Vergangenheit waren Unternehmen nur in der Lage, hochrangige Daten zu erfassen, etwa das Gesamtausstoßvolumen, die Zykluszeiten oder die Nacharbeitsraten. Das Aufkommen kleiner, stets verbundener Systeme und Sensoren ermöglichte jedoch die Erfassung von Maschinendaten in großem Maßstab. Heutzutage können Hersteller jedes Detail des Gerätebetriebs verfolgen und aufzeichnen, von der ersten Inbetriebnahme über Standardarbeitslasten bis hin zu unerwarteten Ausfallzeiten. Jeder Prozess von Produktionsanlagen, jede Aktion von Mitarbeitern und jeder Vorgang von Software wird Teil der Big-Data-Landschaft. 

Die Herausforderung? Datenmengen können zum Tunnelblick führen; Hersteller gehen davon aus, dass das bloße Sammeln von Daten ausreicht, um Erkenntnisse zu gewinnen und sofortige Maßnahmen zu ergreifen. In der Praxis liefern Big-Data-Initiativen jedoch häufig keinen Mehrwert. Fünf Fehlerursachen sind häufig: 

• Datenerhebung ohne klare Ziele 

• Schlechte Datenqualität und -konsistenz 

• Mangelnde Standardisierung zwischen den Systemen 

• Eingeschränkte Fähigkeit, Daten zu interpretieren und darauf zu reagieren 

• Zu viele Dashboards, zu wenig Einblick 

Wie intelligente Daten die Fertigungsleistung verbessern

Intelligente Daten tragen zur Verbesserung der Fertigungsleistung bei, da sie umsetzbare Erkenntnisse liefern. Betrachten Sie vier große Sätze strukturierter Daten, die aus mehreren Quellen gesammelt wurden, darunter Gerätesensoren, Controller, Benutzerberichte und betriebliche Benchmarks. Verwertbare Erkenntnisse sind in den Daten enthalten, werden jedoch nur sichtbar, wenn die Daten validiert, kuratiert und analysiert werden.  

Diese Prozesse verwandeln Big Data in der Fertigung in Smart Data, was zahlreiche Vorteile für die Leistung bietet. Erstens geht es um eine schnellere Ursachenanalyse. Ausgestattet mit kontextbezogenen Daten darüber, wie, wann und warum Geräte ausgefallen sind, können Teams eher Ursachen als Symptome beheben. 

Intelligente Daten verbessern außerdem die Zuverlässigkeit und Verfügbarkeit von Anlagen. Durch die Kombination aktueller und historischer Leistungsdaten können Teams mögliche Fehlerquellen identifizieren, die zu ungeplanten Ausfallzeiten führen könnten, und Maßnahmen zur Behebung dieser Probleme ergreifen. Wenn die Analyse beispielsweise ergibt, dass bei einer Anlage mit hoher Auslastung regelmäßig elektrische Störungen auftreten, können Unternehmen häufigere Wartungsarbeiten einplanen, um das unmittelbare Problem zu lösen und gleichzeitig nach der Grundursache zu suchen. 

Zu den weiteren Vorteilen intelligenter Daten gehören eine bessere Qualität und Ausbeute in Verbindung mit genauen und aktuellen Informationen über Ausschuss- und Nacharbeitsquoten sowie eine verbesserte Planung und Prognose der Arbeitsbelastung auf der Grundlage sowohl betrieblicher Anforderungen als auch der Geräteeffizienz. 

Schließlich fördern intelligente Daten eine stärkere Abstimmung zwischen den Teams. Dies liegt daran, dass intelligente Daten Wartungsteams, Betreibern, Managern und Führungskräften dabei helfen, die gleiche Sprache zu sprechen, wodurch das Risiko überflüssiger Arbeit oder verpasster Chancen verringert wird.

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

Wartungs- und Zuverlässigkeitsdaten spielen eine Schlüsselrolle in Smart-Data-Strategien. Es handelt sich hierbei um einen wechselseitigen Prozess. Die Verfolgung von Wartung und Zuverlässigkeit verbessert die Wirkung intelligenter Daten, und intelligente Daten tragen dazu bei, die kontinuierliche Verbesserung von Wartungs- und Zuverlässigkeitsprozessen voranzutreiben. 

Hier sind vier Vorteile gemeinsam: 

• Der Wartungsverlauf bietet Kontext für Fehler:  Wartungshistorien bieten aussagekräftige Einblicke, um den Kontext von Maschinenausfällen aufzudecken, und können präskriptive Analysen unterstützen. 

• Asset-Bedingungen können mit Leistungsergebnissen verknüpft werden:  Anlagenbedingungen bestehen oft aus sowohl strukturierten als auch unstrukturierten Daten. Neben Sensorausgaben können Unternehmen auch Benutzerberichte integrieren, die Empfehlungen enthalten, die auf jahrelanger Erfahrung basieren. Die Kombination dieser Datenquellen führt zu besseren Leistungsergebnissen.  

• Umsetzbare Daten reduzieren die reaktive Wartung und das Risiko ungeplanter Ausfallzeiten:  Reaktive Wartung ist teuer und zeitaufwändig, da sie erst beginnt, wenn Fehler auftreten. Durch die Verwendung intelligenter Daten zur Erstellung von Heatmaps, Risikoberichten und Datenvisualisierungen können potenzielle Ursachen für ungeplante Ausfallzeiten ermittelt werden. 

• Intelligente Daten sind die Grundlage  Vorausschauende Wartungsanalysen :  Mithilfe vorausschauender Analysen können Wartungsteams potenziellen Problemen immer einen Schritt voraus sein. Sie spielen auch eine Rolle bei erweiterten Analysen, die umfassende Einblicke in die Maschinenleistung und mögliche Verbesserungen bieten.

Intelligente Daten als Grundlage für Fertigung 4.0

Die digitale Transformation ermöglicht die Einführung von Fertigungs-4.0-Prozessen, die auf ständig verbundenen, ständig aktiven Geräten und Anlagen basieren. 

Smart Data sind mittlerweile die Grundlage der digitalen Transformation.  

Ziehen Sie künstliche Intelligenz (KI) und maschinelles Lernen (ML) in Betracht. Diese Technologien treiben die Schaffung intelligenter Fabriken voran, die aktuelle und historische Daten nutzen, um im Laufe der Zeit zu „lernen“ und Abläufe zu verbessern. Das von ML-Algorithmen durchgeführte Modelltraining und die von KI durchgeführte Datenanalyse erfordern beide saubere und kontextbezogene Daten. Wenn diese Tools einfach nur auf große Datenquellen angewendet werden, wird ihre Wirksamkeit eingeschränkt. Durch die Nutzung intelligenter Daten verkürzt sich der Abstand zwischen Anfrage und Erkenntnis. 

Intelligente Daten unterstützen auch die Echtzeitüberwachung und -optimierung des Maschinenzustands, die für Fertigung 4.0 erforderlich ist. In vielen Fertigungsumgebungen werden längere Ausfallzeiten von Geräten immer kostspieliger und störender. Durch den Zugriff auf intelligente Daten können Teams sofortige Entscheidungen treffen, die zu einer verbesserten Leistung führen. 

Darüber hinaus ermöglicht die Nutzung intelligenter Daten skalierbare und nachhaltige digitale Initiativen. Unternehmen können ermitteln, wo Geld am besten für den Ausbau von Produktionsabläufen ausgegeben werden kann, und Möglichkeiten zur Kostensenkung, Begrenzung von Emissionen und zur Unterstützung neuer umweltfreundlicher Technologien ermitteln. 

Es spricht auch dafür, intelligente Technologien zu nutzen, um der technologischen Entwicklung immer einen Schritt voraus zu sein. Da neue KI-gestützte Assets und autonome Agenten alltäglich werden, ist es für Teams leicht, ins Hintertreffen zu geraten. Intelligentes Datenmanagement hilft dabei, verbesserungswürdige Bereiche zu identifizieren und Wege vorzuschlagen, um die Betriebsbereitschaft sicherzustellen. 

Best Practices für die Erstellung intelligenter Daten in der Fertigung

Die Schaffung der Grundlage für intelligente Daten in der Fertigung beginnt mit fünf Best Practices: 

1. Definieren Sie klare Geschäfts- und Betriebsziele:  Smart Data bietet Klarheit, aber nur, wenn Sie wissen, was Sie sehen. Beginnen Sie mit klaren Business Intelligence- und Betriebszielen. Möchten Sie den Maschinendurchsatz verbessern? Ausgabequalität verbessern? Reaktionszeiten bei der Wartung verkürzen? Das Verständnis des Endziels hilft dabei, den Ausgangspunkt zu definieren. 

2. Datendefinitionen und Metriken standardisieren:  Erstellen Sie konsistente Metriken und Definitionen für die Datenverarbeitung. Dies bedeutet, die Punkte von KPIs wie der mittleren Reparaturzeit (MTTR), der mittleren Zeit zwischen Ausfällen (MTBF) und der Gesamtanlageneffektivität (OEE) zu verbinden, um sicherzustellen, dass die Daten interoperabel sind. 

3. Konzentrieren Sie sich auf Datenqualität statt auf Quantität:  Mehr Daten bedeuten nicht unbedingt bessere Daten. Wenn möglich, wählen Sie qualitativ hochwertigere Daten gegenüber größeren Informationsmengen. Präzise Temperaturmessungen, die alle 10 Minuten durchgeführt werden, sind beispielsweise wertvoller als grobe Schätzungen, die alle 30 Sekunden erfasst werden. 

4. Daten systemübergreifend integrieren:  Isolierte Daten sind nicht intelligent. Um den Einblick zu maximieren, integrieren Sie Daten in verschiedene Systeme wie CMMS, Enterprise Asset Management (EAM) und Enterprise Resource Planning (ERP). 

5. Bauen Sie eine funktionsübergreifende Zusammenarbeit auf:  Sorgen Sie für einen gemeinsamen Zugriff auf intelligente Daten, um die Entwicklung umsetzbarer Strategien zu unterstützen. Dazu gehören Bediener, Wartungspersonal, Produktionsleiter, Technologieexperten und Unternehmensleiter. 

Intelligente Daten verwandeln Informationen in Taten

Big Data bietet Volumen. Intelligente Daten bieten Mehrwert. Beides ist für datengesteuerte Fertigungsabläufe erforderlich. Big Data schafft die Voraussetzungen für groß angelegte Trendanalysen und die Einhaltung gesetzlicher Vorschriften, während Smart Data Unternehmen dabei hilft, Leistung, Zuverlässigkeit und Kostenkontrolle zu verbessern. 

Verwandeln Sie Informationen mit detaillierten Analysen in Taten. ATS unterstützt Hersteller bei der Anwendung intelligenter Daten, um Zuverlässigkeit, Leistung und Entscheidungsfindung zu verbessern. Lass uns reden. 

Referenzen

IBM Institute for Business Value. (2022). Fertigung 4.0:Von Daten zu Entscheidungen. IBM. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/manufacturing-4-0